跳至內容
GeoAI
QGIS
指南

GeoAI 是什麼?定義、範例與 QGIS 應用

發布於 更新於

GeoAI 是在地理資料上執行的機器學習:衛星與航照影像、點雲、向量圖層,由模型讀取後,交回您可以編輯的物件、類別或變遷資料。交回來的成果帶著您的專案 CRS,以圖層的形式出現,您在 QGIS 裡像開啟其他圖層一樣開啟它。它處理一件工作中段最耗時的部分,而它不替您做任何決定。

它不是懂您專案的聊天機器人。它讀不懂客戶的規格書、您的屬性規則,也讀不懂您去年春天做的調查,裡面沒有任何東西可以取代地面真值。這個詞本身也很鬆:2005 年的隨機森林分類器和去年的分割模型都被拿來當 GeoAI 賣,所以當廠商用這個詞,先問他指的是哪一種,因為硬體帳單和失敗方式完全不同。

我們打造這個領域其中一款 QGIS 外掛,所以請帶著這個立場讀這篇文章。

GeoAI 能做什麼:

  • 萃取物件:從影像中以多邊形抓出建築、道路、樹冠、游泳池、太陽能板。
  • 土地覆蓋分類:逐像素判斷水、建成地、裸土、森林、農作物。
  • 偵測變遷:比對兩個日期,找出新建築、已清除的地塊、洪水或火災的損害。
  • 整理幾何:把建築轉角修成直角、補上破洞、簡化鋸齒狀的輪廓。
  • 依過去的觀測預測空間分布,例如淹水風險或作物產量。

它讀取的資料:

  • 衛星影像,從免費的 10 m Sentinel-2 到 30 cm 的商業影像
  • 航空正射影像與無人機正射影像
  • LiDAR 點雲,以及由點雲製作的高程模型
  • 向量圖層:建物輪廓、地籍、道路、田界
  • 綁定位置的 GPS 軌跡與感測器讀值
自動偵測建物前後的巴黎密集街區 (Detected)
自動偵測建物前後的巴黎密集街區 (Imagery)
ImageryDetected
拖動比較
在 Google Satellite 影像上,對巴黎市中心做一次自動偵測。每個多邊形保有各自的顏色,相鄰的建物才不會混在一起。拖曳滑桿即可比較。

為什麼重要

多數 GIS 案子最慢的部分是描圖。建角拉直、屋頂遮罩的破洞補起來、三百個樹冠一個節點一個節點慢慢圈。第一個小時之後,這種工作已經沒有手藝可言,而模型很擅長做它。

不是每個案子都適合。五十個圖徵以下,手動數化就好,因為您開著接合功能描完的時候,模型還在下載權重,而且手描的成果完全符合您的規格。牽涉法律的東西我也不會交給它,地籍界線、保護區、補償認定,因為模型給的是候選,候選不是測量。我守的線是 GeoAI 只做第一遍,絕不做最後一遍。

原理

您把一張圖交給訓練好的模型,它交回幾何。這件事有三個家族在做,行為各不相同。

分割模型像 Segment Anything 家族,學的是甲乙兩物在哪裡分開。它們在一般照片上訓練出來,對建築是做什麼用的毫無概念。只要邊界清楚,轉到影像上效果很好。SAM 指南有寫哪款 QGIS 外掛跑的是哪個版本。

圖生圖模型會捏造新的像素。雲去除、季節轉換、整地後空地示意圖都是這樣來的。輸出是同一範圍的 具地理參照的網格資料,而它是畫出來的,所以絕不能放進證據圖層。

傳統機器學習指隨機森林或支援向量機,一個像素一個像素讀波段值。二十年老技術,便宜,拿著自己的訓練多邊形做多光譜土地覆蓋,手上這招還是正解。SCP 和 dzetsaka 在 QGIS 裡免費做這件事。

現在大家拿它做什麼

五件工作,按我信任的順序排。

任務模型家族執行環境
從影像裡拉出物件分割模型,Segment Anything 家族本機顯示卡,或伺服器
土地覆蓋分類傳統機器學習任何筆電
比對兩個日期的變遷分割模型,輸入一對影像伺服器或顯示卡
補齊與整理資料無模型,純幾何演算法任何筆電
用 prompt 提問分割模型,以物件名稱作為 prompt伺服器,在我們的外掛裡

從影像裡拉出物件是目前強最多的一項。您圈一個範圍,說出您要什麼,拿回多邊形:建築、樹冠、車、游泳池、太陽能板。邊緣銳利,輪廓就乾淨。田界一路暈進灌木叢,那跟您親手描遇到的是同一個麻煩,模型也一樣卡。

土地覆蓋分類是把每個像素丟進一個類:水、建成地、裸土、森林。訓練多邊形夠好、波段夠齊的時候,老方法還是贏,而且任何筆電都跑得動。

比對兩個日期的變遷是將同一地點的兩張正射影像交給模型,讓它標示出發生變動的區域。在供應商公開模型名稱的情況下,這是輸入兩張影像而非一張的分割模型:Picterra 將其命名為 ChangeStar,而 Esri 的變更偵測器則提到 STANet。免費方案完全不使用模型,而是將一張影像減去另一張影像。它適用於新建築或已清除的地塊等明顯變化。季節造成的色彩變化和不同的太陽角度會產生誤報,因此要安排逐一檢查每個標記結果。

補齊與整理資料涵蓋將建築物轉角修成直角、封閉屋頂遮罩中的孔洞,以及簡化逐像素描繪的輪廓。這是唯一一列不屬於三個家族中任何一個的情況。實際提供的工具是早於深度學習的幾何演算法:QGIS 使用 Simplify and Orthogonalize,Esri 使用 Regularize Building Footprint。研究中已有學習式版本,但目前沒有任何一種整合進 QGIS。不花俏,卻是最能節省工時的部分。

用 prompt 提問指打 solar panels,不用自己選模型配波段。找東西好用。別指望它回答您屬性表的問題。

執行成本

**硬體。**本機模型要一張顯示卡。Segment Anything 3 完全沒有 CPU 路徑,所有 Mac 和所有用內顯的機器都出局。改跑伺服器,辦公室筆電就夠,這是我們當初做的取捨。

**影像。**地面解析度比模型型號更能決定成敗。我們自己調參抓的目標大概是太陽能板 0.05 m 每像素、車 0.09、建築 0.18。比這更粗,物件就是一團糊,沒有模型救得回來。

**時間。**偵測花幾分鐘。檢查花更久,估時不編檢查進去,死線一定爆。

**錢。**QGIS 免費選項不用錢,花的是您的 GPU 和一個下午的 Python。我們的方案每月提供 1.5 km² 的自動偵測,不用綁卡,另有在自己電腦上的點選分割,不設計數;Pro 方案的 AI Segmentation 每月 €39,未稅。Esri 這邊,現成的影像模型需要 ArcGIS Pro Professional 以上授權,QGIS 與 ArcGIS Pro 的比較為每種授權標出了價格。

在 QGIS 免費試用 AI Agent,不需信用卡

您會聽到的 GeoAI 工具

五款常被點名的 GeoAI 工具,以下各自讀自它們自己的頁面,日期是 2026 年 10 月 23 日:

  • GeoAI,Qiusheng Wu 的作品:一個 Python 套件,做影像的分割、分類和變化偵測,附一個 QGIS 外掛。MIT 授權,免費。它在您的電腦上執行,有顯示卡會有幫助。
  • SamGeo,同一位作者:給地理空間資料用的 Segment Anything,有 Python 套件和 QGIS 外掛兩種形式。SAM 指南把它和其他 SAM 外掛做了比較。
  • geemap:架在 Google Earth Engine 上的 Python 製圖,分類在 Google 的伺服器上對它的衛星檔案庫執行。
  • ArcGIS Pro GeoAI 工具箱:Esri 在 ArcGIS Pro 裡的 GeoAI 工具。它的授權表把訓練工具排除在 Basic 和 Standard 授權之外,而且在 Advanced 之上還要加 Image Analyst 擴充模組。
  • AI Segmentation,我們的:一個 QGIS 外掛,您輸入物件名稱,模型在我們的伺服器上執行,所以不用顯示卡,也不用 Python。

在 QGIS 裡自己動手

先走免費路,因為這塊很多工作裡免費那條也是比較好的那條。拿著自己的訓練多邊形做多光譜土地覆蓋,SCP 和 dzetsaka 在 QGIS 裡免費分類,任何筆電都跑得動。

在自己機器上做分割是比較硬的那一半。免費外掛要顯示卡加一個下午的 Python,SAM 指南有寫誰跑哪個版本的模型。建物輪廓指南拿同一個街區走完免費路和付費路,您可以直接秤每條路花您多少。

雲端選項

下面的外掛是我們做的,所以這節寫的是我們自己的工具。

  1. 開啟外掛管理員

    「外掛程式」→「管理並安裝外掛程式」。要 QGIS 3.22 或更新版本。

  2. 安裝 AI Segmentation

    不用多裝別的,也不用組 Python 環境。

  3. 從面板登入

    一個電子郵件加一次點擊。免費額度每月更新,不用卡。

  4. 在已開啟的影像上畫出區域

    看得到的網格圖層都行:GeoTIFF、無人機正射影像、XYZ 底圖。免費帳號每月含 1.5 km² 地面。

  5. 輸入物件名稱,然後檢視

    building、tree、car。按信心分數和大小過濾,修掉錯的,匯出 GeoPackage。

然後把跑出來的東西,跟您手動數化的比一比。只有這個比試算數。

記住什麼

GeoAI 是在地理資料上跑的機器學習,交回來的是您專案 CRS 裡的一個圖層,不是對您專案的答案。

五十個圖徵上下,手動數化。您描完的時候模型還在下載權重,而且成果完全合您的規格。

模型交的是候選,候選不是測量,所以地籍界線、保護區、補償認定都要手查過的圖層。

Segment Anything 3 完全沒有 CPU 路徑,本機執行的話所有 Mac 和所有用內顯的機器都出局。

地面解析度比模型型號更能決定成敗,也沒有單一準確率數字,因為準確率跟著您的影像和您要擷取的東西走。

網路上的說法錯在哪裡

**單一準確率數字。**準確率跟著您的影像和您要擷取的東西走。有人拿一個數字套用到全部,那是行銷數字。

**訓練資料沒看過您的區域。**現成的建築圖資是最清楚的例子。同樣一平方公里的 Luanda,在 OpenStreetMap 裡是空的,Microsoft 有 3,140 個建物輪廓,Google Open Buildings 有 4,468 個。

同一個 Luanda 密集街區在 Google Satellite 影像上的三張對照圖,建物輪廓以綠色標示。OpenStreetMap 沒有任何輪廓,Microsoft 涵蓋大部分,Google Open Buildings 幾乎全部涵蓋。
同樣是 Luanda 的 1 km²。選用哪個資料集,決定您拿到全部,還是一無所有。

**「本機執行,資料絕不離開電腦。」**小模型跑在自己機器上,是真的。每種雲端模式都會把影像送到某處,我們的也一樣,老實說您現在用的是哪種模式就好。

**輸出可以直接交件。**每次執行交回來的都比您要的多:通風口、天窗、陰影、院子裡的棚子。都是輪廓正確的真實物件,但不是您要的東西。請把清理的時間編進去。

大家常問

要查相鄰名詞,什麼是建物輪廓講的是 GeoAI 最常擷取的物件,QGIS AI hub列出這個領域每款外掛跑起來之前要什麼。至於軟體面,也就是替您處理 GIS 工作的助理與代理,請參閱AI GIS:它現在能做什麼。

看看 AI 在 QGIS 裡能做什麼、不能做什麼

在 QGIS 裡開口就能完成

AI Agent 會在你自己的 QGIS 專案中,執行你描述的任務。免費使用,不需信用卡。

免費試用 AI Agent
由以下作者撰寫Yvann Barbot
·3 min read

繼續閱讀

法國國家測繪機構的 LiDAR HD 點雲,依分類上色,呈現法國國家圖書館周邊。
GeoAIQGIS指南

攝影測量與 LiDAR 差異:各適合哪種工作

LiDAR 是用脈衝雷射測距、建立 3D 點雲的主動式遙測方法;攝影測量則是從重疊照片計算 3D 座標的被動式方法。本文比較兩者的垂直精度、硬體成本與穿透森林植被的能力,並說明各適合哪種工作,以及哪裡能取得免費的國家級航空 LiDAR 資料。

Lilien AugerLilien Auger
·
2023 年 5 月拉文納洪水的 Sentinel-2 假色影像,植被呈紅色,洪水呈深藍色。
GeoAIQGIS指南

多光譜與高光譜的差異:波段、用途與 QGIS 選擇

多光譜影像用 4 到 13 個寬波段記錄地表反射光,高光譜影像則用數百個窄波段,每個像素的光譜資訊量就是兩者的差異。本文比較它們在農田、屋頂和礦區各能看出什麼,以及在 QGIS 中怎麼選。

Lilien AugerLilien Auger
·