השוואה בין תהליכי Deep Learning לזיהוי חזותי
במערכות ArcGIS Image Analyst לעומת Mapflow ל QGIS

תחום ה־ GIS (מערכות מידע גיאוגרפיות) עובר בשנים האחרונות מהפכה דיגיטלית מואצת עם כניסת טכנולוגיות של בינה מלאכותית ולמידה עמוקה. Deep Learning או למידה עמוקה היא גישה מתקדמת ללמידת מכונה המבוססת על רשתות נוירונים מרובדות, מדמות את תהליך החשיבה האנושי ומאפשרות למחשבים ללמוד תבניות חזותיות מורכבות מתוך כמויות גדולות של מידע  כגון תמונות לוויין ותצלומי אוויר לצורך ביצוע פעולות כמו זיהוי אובייקטים, סיווג שטחים, ניתוח שינויים ועוד.

מסמך זה מציג השוואה בין שתי גישות ליישום Deep Learning ב- GIS  האחת – מודול Image Analyst  של ArcGIS Pro מבית  ESRI  והשנייה – תוסף Mapflow המבוסס על QGIS . שתי המערכות מממשות יכולות מתקדמות של ניתוח תמונות אך שונות באופן מהותי בתפיסת המודל, הגישה הטכנולוגית, רמת השליטה של המשתמש, רמות השקיפות וההתאמה למשתמש הקצה. ההשוואה מדגישה את היתרונות, האתגרים והמגבלות של כל גישה, בהתאם לצרכים של ארגונים, חוקרים ומשתמשי GIS בעידן הבינה המלאכותית.

עקרונות פעולה של Deep Learning ב  Image Analyst (ArcGIS Pro)

תפיסה כללית

 ArcGIS Image Analyst משלב מנועי למידה עמוקה (Deep Learning) בתוך סביבת GIS כדי לבצע ניתוחי מידע חזותי כגון   תצלומי אוויר, תמונות לוויין. המערכת מבוססת על רעיון עקרוני של למידת ייצוגים חזותיים ישירות מהנתונים (Raw Data) לצורך:

• זיהוי אובייקטים  (Object Detection)
• סיווג שטחים  (Pixel Classification)
• זיהוי שינויים  (Change Detection)
• חילוץ ישויות מורכבות מתוך נתוני רסטר ( (Raster

עקרונות מפתח בהפעלת מודל DL

• המודל הוא רכיב מרכזי בשליטת המשתמש.
• ניתן לייבא מודלים מאומנים למשל בפורמט ONNX / TensorFlow SavedModel
• מודלים אלה כוללים ספריות של תמונות מקוטלגות של אובייקטים גיאוגרפים
• קיימת תמיכה מובנית באימון בתוך ArcGIS Pro תוך שמירה על הייחודיות המרחבית.
• הקשר הגאוגרפי נשמר כחלק ממודל ה־Deep Learning Dataset
• המודל עצמו הופך לרכיב פרוצדורלי בארגון.

 

אלגוריתמים מרכזיים בשימוש

הכלים מבוססים על ארכיטקטורות למידה עמוקה מתקדמות, כגון:

• Faster R-CNN
  • רשת לזיהוי אובייקטים.
  • מזהה Bounding Boxes של אובייקטים ידועים על גבי התמונות.
  • שילוב של רשת CNN בסיסית לחילוץ מאפיינים מרחביים-חזותיים ורשת Region Proposal Network  ליצירת הצעות למיקומים אפשריים של אובייקטים.
• Mask R-CNN
  • גרסה מורחבת של  Faster R-CNN
  • מאפשרת זיהוי לא רק בקופסאות תחומות אלא גם פילוח מדויק (Segmentation Masks)  של האובייקט בתוך התמונה.
• U-Net
  • רשת ייעודית לסיווג פיקסלים  (Semantic Segmentation)
  • בנויה מארכיטקטורת  Encoder-Decoder
    •  Encoder לחילוץ תכונות (Feature Extraction)
    •  Decoder  ליצירת מפה צפופה של תגיות (Label Map) על כל פיקסל בתמונה.
  • יעילה במיוחד למיפוי תכסית קרקע, חקלאות, דגמי קרקע.
• SSD (Single Shot Detector) / YOLO
  • רשתות חלופיות לגילוי אובייקטים, מהירות יותר, מדויקות פחות בסביבות מרובות אובייקטים קטנים.

עקרונות למידת המודל

• בלמידת ייצוגים (Feature Learning) הרשת לומדת תבניות חזותיות מורכבות (טקסטורות, גבולות, צורות) ישירות מתוך הדאטה, ללא הגדרות תכונות ידניות.
• למידה מונחית (Supervised Learning) המודלים נבנים על מערכי אימון מתויגים (תמונות + תוויות).
• התאמה ספציפית לנתונים גיאוגרפיים: בשונה מיישומים גנריים של ראייה ממוחשבת, הדאטה כאן גיאוגרפי – כך שהאלגוריתמים מאומנים לנתח הקשרים מרחביים ותצורות קרקע.

ייחודיות ביישום GIS

• התייחסות לנתונים מרחביים: התמונות מטופלות כנתוני רסטר עם קואורדינטות מרחביות, מה שמאפשר שילוב אוטומטי בתשתיות GIS
• פלט גיאוגרפי: התוצרים אינם רק שכבות חזותיות אלא שכבות מידע וקטוריות או רסטריות עם ערך אנליטי כמו גבולות שטח מדויקים, חלוקה לקטגוריות שטח, שכבות GIS מוכנות לניתוח.
• עבודה על סצנות מורכבות: המודלים מותאמים להתמודד עם סצנות רחבות, רזולוציות משתנות, ושילוב מידע טופוגרפי, בניגוד לראייה ממוחשבת קלאסית שממוקדת באובייקט ברור בפריים מוגדר.

 

תפיסת אוטומציה חכמה

תהליך העבודה מתבסס על אוטומציה של משימות אנליטיות שבעבר בוצעו ידנית:

• חילוץ אובייקטים (Extraction)
• סיווג שטחים (Classification)
• חיזוי שינויים (Prediction of Changes)

האוטומציה מתבצעת תוך שילוב תובנות מרחביות והבינה המלאכותית משמשת לא כהחלפה מוחלטת של מומחים (בעיקר מפענחים) אלא ככלי עזר חכם המספק בסיס מידי לניתוח.

אתגרים עיקריים

• תלות בנתוני אימון איכותיים: נתוני אימון לא מייצגים עלולים להוביל להטיות בזיהוי.
• הכללה (Generalization) מודל מאומן על אזור מסוים עלול להיכשל בהכללה לאזור שונה מבחינה ויזואלית או גיאוגרפית.
• שקיפות אלגוריתמית: למרות התקדמות במודלים, קשה לעיתים להסביר מדוע הרשת זיהתה או פספסה אובייקט.
• עיבוד כבד: עיבוד נתונים מרחביים עם רזולוציות גבוהות דורש כוח מחשוב משמעותי (במיוחד בקטעי זמן אמת או עיבוד שטחים גדולים).

לסיכום, מודול Deep Learning  ב־Image Analyst  של ESRI משלב ארכיטקטורות למידה עמוקה מודרניות עם עקרונות GIS מסורתיים ובכך יוצר מערכת ייחודית של ניתוח נתונים גיאו-מרחביים מבוססי בינה מלאכותית. הדגש הוא על למידה אוטומטית של תבניות מהמרחב והפיכת תצלומים אוויריים למידע הניתן לפעולה.

עקרונות פעולה של Deep Learning בתוסף MAPFLOW בתוכנת QGIS

תפיסה כללית

 MAPFLOW הוא תוסף קוד פתוח ב QGIS המיועד להטמעת תהליכי Deep Learning מבוססי ענן לזיהוי וניתוח אובייקטים בתמונות לוויין ותצלומי אוויר. התוסף מספק ממשק משתמש פשוט עבור תהליכי בינה מלאכותית, חישוביים נעשים בענן, תוך שילובם ישירות בתוך פרויקט  GIS .

 MAPFLOW נועד ל:

• זיהוי ישויות גאוגרפיות (Object Detection)
• פילוח אובייקטים (Segmentation)
• חילוץ תשתיות, דרכים, מבנים, גופי מים ועוד.
• ייצור שכבות GIS ישירות מהמידע החזותי.
• הדגש הוא נגישות לכלים מתקדמים ללא צורך בהפעלת מודלים לוקלית.

עקרונות מפתח בהפעלת מודל DL

• המודל הוא שירות חיצוני – חלק אינטגרלי אך מוסתר.
• כל תהליך הלמידה והבקרה נעשה בצד הספק של התוסף
• אין שליטה על האימון או פרמטרי המודל.
• התפיסה כאן היא הפעלה והפקת תוצאה, סוג של קופסה שחורה (Black Box AI).
• מתאים לארגונים הרוצים תוצאה מהירה מבלי להשקיע בתשתית או ידע טכני עמוק.

אלגוריתמים וטכנולוגיות בשימוש

 MAPFLOW משתמש במודלים מאומנים מראש (Pre-trained Models) שמריצים תהליכי בינה מלאכותית בענן. האלגוריתמיקה מבוססת על רשתות למידת עומק קלאסיות מהתחום של Vision for Remote Sensing בהם:

• U-Net / U-Net++
  • מבוססות  Encoder-Decoder
  • מותאמות לפילוח ישויות קטגוריאליות על בסיס כל פיקסל.
  • שימוש נפוץ לחילוץ כבישים, גגות מבנים, קווי מים.
• Mask R-CNN
  • לא תמיד נחשף ברמת המשתמש, אך מאחורי הקלעים חלק מהמודלים תומכים בזיהוי ישויות עם מסיכות אובייקטים  (Instance Segmentation)
• HRNet / DeepLabV3+
  • משמשים במקרים של סיווגי שטח (Land Cover Classification) או פילוח שטח מדויק בקנה מידה גדול.
• YOLO / SSD
  • בחלק ממודלי הזיהוי (למשל זיהוי מהיר של תשתיות עיליות).

המשתמש לא מתבקש לבחור ארכיטקטורה, אלא בוחר מודל פונקציונלי למשל Building Footprint Extraction  וכל התהליך מנוהל כשירות (Model-as-a-Service) בענן.

עקרונות תהליך העבודה

• Input – המשתמש בוחר שכבת רסטר צילום אוויר, תמונת לוויין בפרויקט QGIS
• Request  – נתוני התמונה נשלחים לשירות הענן של MAPFLOW
• Processing – עיבוד הרשתות העמוקות נעשה בשרתים חיצוניים עם האצת GPU
• Output – הפלט (שכבת וקטור או רסטר) חוזר ישירות לתוך QGIS  מוכן לשילוב באנליזות גאוגרפיות.
• זהו מודל SaaS (Software as a Service) מה שמסיר מהמשתמש את הצורך בהתמודדות עם מודלים ותשתיות עיבוד.

 

ייחודיות ביישום GIS

• מיקוד גאוגרפי: המודלים מותאמים במיוחד לנתוני חישה מרחוק (לוויינים, רחפנים).
• שילוב מובנה ב QGIS התממשקות ישירה
• תוצרים גאומטריים: תוצרי המודלים הם שכבה של ישויות וקטוריות.
• התאמה לפתרונות מעשיים: המודלים המוצעים הם יישומיים – לדוג’ חילוץ קווי מים, תיחום שטחים בנויים, איתור כבישים.

מגבלות ואתגרים

• שירות חיצוני: תלות בחיבור לאינטרנט ובשרת חיצוני (אין הפעלה לוקאלית).
• מבחר מוגבל של מודלים: המודלים הזמינים הוגדרו מראש ואינם ניתנים לאימון מחדש או התאמה ספציפית.
• שקיפות אלגוריתמית נמוכה: המידע לגבי הארכיטקטורות המדויקות אינו תמיד גלוי למשתמש הקצה.
• יכולת התאמה נמוכה: קשה להתאים מודל ספציפית לסוג דאטה או לאזור מסוים ללא גישה למודל הגולמי.

השוואה עקרונית MAPFLOW (QGIS) – מול  Image Analyst (ESRI)

מאפיין	Image Analyst (ESRI)	MAPFLOW (QGIS)
סביבה	קוד סגור, ESRI, מערכת מסחרית	קוד פתוח, תוסף ל QGIS
הרצת המודלים	לוקאלית (או שרת), עם שליטה מלאה	שירות ענן (SaaS)  אין הפעלה מקומית
אלגוריתמים	בחירה ושליטה במודלים, Mask R-CNN, U-Net, ועוד	מודלים סגורים כשירות, מותאמים מראש
פלט	רסטר או וקטור, תלוי במודל	בעיקר וקטור (פוליגונים, קווים)
התאמה אישית	אפשרות לאימון מודלים מותאמים	אין התאמה, שימוש במודלים קיימים
מיקוד יישומי	כללי ורחב (חישה מרחוק, סיווג קרקע, איתור שינויים)	מיקוד בתשתיות ועיבוד אובייקטים
תלות בתשתית	דורש GPU/CPU לוקאלי	עיבוד בענן, ללא דרישות חומרה
שימושיות	מיועד למשתמשים מקצועיים	ידידותי, מיועד גם למשתמשים לא-טכניים

 

 

 

השוואת הפעלת מודל Deep Learning ב־ Image Analyst (ESRI) לעומת MAPFLOW (QGIS)

פרמטר	Image Analyst (ESRI)	MAPFLOW (QGIS)
גישה למודל	המודל מנוהל לוקאלית. המשתמש בונה, מייבא או מאמן את המודל בעצמו.	המודל הוא שירות מוכן מראש (Model-as-a-Service)  בענן. אין גישה למודל עצמו.
שליטה בארכיטקטורה	שליטה מלאה. המשתמש בוחר באיזה ארכיטקטורה להשתמש U-Net, Mask R-CNN,  וכדומה ויכול להתאים שכבות ופרמטרים.	אין שליטה בארכיטקטורת המודל. המשתמש בוחר את סוג הפעולה בלבד (לדוג’ חילוץ מבנים).
אימון מחדש	אפשרי. ניתן לבצע Training או Fine-Tuning  על דאטה ייחודי של המשתמש.	לא ניתן. המשתמש תלוי במודלים הסטנדרטיים הקיימים במערכת.
הרצת המודל	מקומית (Local GPU/CPU)   המודל רץ במערכת המשתמש או בשרת ArcGIS Enterprise.	הרצה בענן (אין צורך בחומרה ייעודית). הנתונים נשלחים לשרת חיצוני לעיבוד.
סוג המודל	מודלים גמישים: Semantic Segmentation, Object Detection, Instance Segmentation.	מודלים יישומיים בלבד: זיהוי ישויות (Objects) או פילוח מבנים/כבישים (Vector Extraction).
התאמה לאזור/דאטה ספציפיים	אפשרית בזכות יכולת האימון והגדרת מודל מותאם אישית.	לא אפשרית. המשתמש מוגבל למודלים הכלליים שהוגדרו על ידי ספק השירות.
שקיפות אלגוריתמית	מלאה. קיים מידע על ארכיטקטורה, שכבות, ריבוי פרמטרים, תהליך אימון.	נמוכה. המודלים מוצגים כמערכת סגורה (Black Box),  ללא מידע על הארכיטקטורה.
פלט המודל	רסטר מסווג, שכבת מסיכות, או ישויות וקטוריות – בהתאם לסוג המודל.	בעיקר ישויות וקטוריות (מבנים, קווים, פוליגונים) המתקבלות מ־Post-Processing  אוטומטי.
תהליך עיבוד		המודל הוא תהליך Batch בענן, המופעל באמצעות התוסף, ללא אפשרות שינוי תהליך עיבוד.

לסיכום

• Image Analyst  מתאים למשתמשים הדורשים שליטה בתהליכי Deep Learning  התאמה אישית והרצת מודלים כבדים כחלק ממערך GIS מקצועי.
•  MAPFLOW מציע גישה פשוטה, מבוססת שירות, נוחה יותר לארגונים קטנים או משתמשים עם משאבי מחשוב מוגבלים שמתמקדים בזיהוי אובייקטים וחילוץ תשתיות בצורה אוטומטית.
• במערכת Image Analyst מודל ה־ DL נתפס כרכיב פתוח, הניתן לשליטה, התאמה ואינטגרציה כחלק מתהליכי העבודה הגאוגרפיים.
• במערכת MAPFLOW (QGIS) מודל ה־ DL הוא שירות סגור שזמין כשירות פונקציונלי מוכן מראש, ללא כל גישה או שליטה בתהליך הלמידה או במודל עצמו.