מדריך שימושי לתהליך זיהוי אובייקטים באמצעות Deep Learning ב- ArcGIS Pro עם Image Analyst ובתוסף MapFlow ל- QGIS

בשנים האחרונות חלה קפיצת מדרגה משמעותית ביכולת לזהות אובייקטים מרחביים מתוך imagery  (תצלומי לוויין ואוויר) בעזרת כלים מבוססי בינה מלאכותית ובפרט . Deep Learning מערכות GIS רבות משלבות היום מנועים חכמים לזיהוי מבנים, דרכים, עצים, שדות חקלאיים ועוד – והופכות תהליכי מיפוי מורכבים לאוטומטיים, מדויקים, ומהירים.

מדריך זה מציג סקירה מעשית של שני כלים בולטים בשוק:

1. ArcGIS Pro של חברת Esri – פלטפורמה מקצועית רחבת היקף, המשלבת יכולות Deep  Learning  מתקדמות באמצעות הרחבת  Image Analyst
2. Mapflow Plugin ל־QGIS  תוסף ענן נגיש וקל לתפעול, המאפשר הפעלה מידית של מודלים מאומנים לזיהוי אובייקטים ישירות מתוך סביבת QGIS  

המדריך מתמקד בהפעלת הכלים, שלבי העבודה וניתוח התוצאה בדגש על ההבדלים ביניהם. לא נדרשת הבנה באלגוריתמים של למידה עמוקה – אלא היכרות עם תהליכי העבודה בפועל. המדריך מתאים למהנדסי מיפוי, מתכננים, אנליסטים, אנשי GIS, וסטודנטים בתחום הסביבה, הגיאוגרפיה והנדסה עירונית – המעוניינים לשלב כלי AI בעבודתם.

מדריך שימושי להרחבה Image Analyst עם DL בתוכנת ArcGIS Pro

דרישות מקדימות:

• תוכנת ArcGIS Pro גרסה 2.5 ומעלה
• רישוי Image Analyst רישיון מתקדם בתשלום
• התקנת ArcGIS Deep Learning Libraries מותאם לגרסה
• תמונה (צילום אוויר/לווין) בפורמט רסטר
• קובץ מודל DLPK מוכן מראש או אפשרות לאימון עצמי

שלב 1: הכנת סביבת העבודה

1. פתיחת פרויקט חדש ב־ArcGIS Pro
2. יבוא תמונה
   • ב־ Catalog > Folders בחר תיקייה הכוללת  תמונה
   • גרור את הקובץ למפה
3. הגדרת אזור עניין (AOI)
   • צור שכבת פוליגון חדשה
   • שרטט את האזור בו נדרש הזיהוי

שלב 2: הפעלת כלי הזיהוי  (Detect Objects Using Deep Learning)

ArcGIS Pro  אינו מזהה אוטומטית את כל סוגי האובייקטים. כל מודל DLPK מאומן למשימה ייעודית אחת, לדוגמה:

• זיהוי מבנים  (buildings)
• זיהוי כבישים  (roads)
• איתור אתרי בנייה, סככות, רכבים, או שדות חקלאיים

לכן , המשתמש נדרש לבחור מראש את סוג האובייקט הרצוי ולספק את המודל המתאים לכך.

שלבי הפעלה:

1. עבור ל־Toolboxes > Image Analyst Tools > Deep Learning > Detect Objects Using Deep Learning
2. מלא את הפרמטרים:
   • Input Raster  שכבת התמונה
   • Model Definition קובץ .dlpk מודל אימון מוכן
   • Output Feature Class  שם לקובץ התוצאה (שכבת זיהוי)
   • Arguments פרמטרים אופציונליים:
     • batch_size כמה תמונות או חלונות לעבד במקביל
     • threshold סף החלטה לקליטת אובייקט (למשל 0.5)
     • padding גודל חיץ סביב כל חלון עיבוד
     • predict_polygons=True אם רוצים פלט כצורה גאומטרית ולא רק קופסאות

3. לחץ על Run
   • תהליך הזיהוי יחל ויוצג בסרגלGeoprocessing
   • משך הזמן תלוי בגודל ה־ raster ובכוח המחשב

תוצאה:

שכבת Feature Class הכוללת את האובייקטים שזוהו — לפי סוג המודל. לדוגמה, אם הופעל מודל זיהוי מבנים, הפלט יכיל את כל המבנים שנמצאו בשטח ה־ AOI אין ערבוב של קטגוריות – כל מודל מתמקד בקטגוריה אחת.

שלב 3 (אופציונלי): אימון מודל מותאם אישית (Train Deep Learning Model)

ArcGIS Pro  מאפשר למשתמש לאמן מודל משלו, כאשר קיימים תצלומי אוויר יחד עם שכבת תיוגים (Labels).

דרישות:

• imagery מסומן  (בדרך כלל imagery + שכבת פוליגונים או תיבות מסומנות)
• קבצי תיוג בפורמט Labeled Tiles או Pascal VOC
• GPU במחשב (חובה לאימון אפקטיבי)

תהליך:

1. בתפריט Toolboxes > Image Analyst Tools > Deep Learning בחר Train Deep Learning Model
2. קלט נדרש:
   • Training Data – imagery מחולק לרסטרים קטנים + תיוגים
   • Model Type לדוגמה  SSD, RetinaNet, FasterRCNN, U-Net
   • Output Model  שם קובץ ה־.dlpk שיווצר
3. הגדר מספר איטרציות, גודל אצווה (batch), ואחוזים ל־validation
4. לחץ Run

המודל המוכן (DLPK) ניתן לייבוא לכל פרויקט אחר ולעשות בו שימוש חוזר.

הערות נוספות:

• ניתן להשתמש במודלים שהורדו מהאתר של Esri או מה־ArcGIS Model Zoo
• התמיכה ב־ Multispectral imagery תלויה בסוג המודל
• איכות הזיהוי משתפרת כאשר imagery מעודכן, חד וברזולוציה גבוהה (20–50 ס”מ)

דוגמאות תוצרים בתוכנת ArcGIS Pro Deep Learning עם Image Analyst

• הדוגמאות מדגימות זיהוי מדויק של עצים (כמו דקלים) או מבנים בטקסטורה מדויקת מאוד
• ניתן לראות כיצד המערכת מחלקת את ה-imagery לאזורים קלים לעיבוד, מזהה אובייקטים ספציפיים, ומייצרת שכבת פוליגון או bounding boxes בהתאם לפרמטרים שהוגדרו מראש compro.arcgis.com
• הכלי מאפשר גם להחיל סימבולוגיה מותאמת אישית לשכבת התוצאה, לשימוש ב‑Bufffer או חישובי שטח בקנה מידה מדויק, ולהעריך את רמת הדיוק של הזיהוי.

מדריך שימושי לתוסף Mapflow ל־QGIS

דרישות מקדימות:

• תוכנת QGIS מותקנת (גרסה 3.16 ומעלה מומלצת)
• imagery זמין לשכבת בסיס למשל Google Satellite, Bing וכדומה
• חיבור לאינטרנט
• הרשמה קצרה באתר Mapflow: https://mapflow.ai
• יצירת API Token לחשבון

שלב 1: התקנת התוסף Mapflow

1. פתח את QGIS
2. בתפריט הראשי, עבור ל־Plugins > Manage and Install Plugins
3. חפש “Mapflow” בשורת החיפוש
4. לחץ על Install Plugin
5. תוסף Mapflow יופיע בצד ימין של הממשק כחלון עצמאי

שלב 2: התחברות לחשבון  Mapflow

1. עבור לאתר https://app.mapflow.ai
2. בצע הרשמה חינמית באמצעות מייל או חשבון Google
3. לאחר הכניסה, עבור לתפריט המשתמש
4. בחר API Tokens ולחץ על Generate/Reset Token
5. העתק את המפתח (Token)
6. חזור ל־QGIS פתח את Mapflow, ולחץ על כפתור ההגדרות
7. הדבק את ה־ Token ולחץ “Save”

שלב 3: הכנת imagery ואזור עניין  (AOI)

אפשרויות imagery

• שימוש ב־QuickMapServices להוספת imagery קיים למשל  Google Satellite
• ניתן גם לייבא imagery מקומי GeoTIFF ואחר (מעוגן גיאוגרפית)

תיחום אזור עניין:

ניתן להגדיר AOI באחת מהדרכים:

• שרטוט ידני Layer > Create Layer > New Shapefile Layer > Polygon
• שימוש בשכבת פוליגון קיימת
• טעינת קובץ GeoJSON / SHP המכיל תיחום

הערה: האזור המרבי לעיבוד בגרסה החינמית הוא 25 קמ”ר.

שלב 4: יצירת תהליך חדש והרצת זיהוי

1. בחלון Mapflow לחץ על + Add New Process
2. תן שם לתהליך למשל Tel_Aviv_Buildings_2025
3. בחר את מודל הזיהוי הרצוי מרשימה:
   • Buildings  מבנים
   • Roads  דרכים
   • Construction Sites  אתרי בנייה
   • Trees  עצים
   • Agriculture  גידולים חקלאיים
   • ייתכנו מודלים נוספים בהתאם לעדכוני השירות
4. בחר את שכבת ה־AOI שבחרת/ציירת
5. לחץ על Start Processing

• תהליך העיבוד מתבצע על שרתי Mapflow, ולכן אינו תלוי בעוצמת המחשב המקומי.

שלב 5: קבלת התוצאה וטעינתה ל־QGIS

1. בתוך מספר דקות (לרוב 1–5 דקות), תוצג הודעה שהתהליך הסתיים
2. לחץ על View Result
3. שכבת התוצאה (GeoJSON) תיטען אוטומטית לפרויקט שלך
4. ניתן לשמור את השכבה ל־ Shapefile, לנתח אותה עם כלים מרחביים (Buffer, Intersect, Join), ולשלב אותה במפות ותוצרים

אפשרויות ניתוח לאחר הזיהוי:

• חישוב שטחים לפי סוג אובייקט (למשל, שטח בנוי באחוזים)
• סטטיסטיקות – למשל ספירת עצים או מבנים לפי אזורים
• Overlay  השוואה לתוכניות קיימות או נתוני קרקע
• זיהוי שינויים לאורך זמן

דוגמה מעשית:

• 1. imagery  מ־ Google Satellite דרך QuickMapServices
  2. תיחום AOI לפי שכבה
  3. בחירת מודל “Buildings”
  4. קבלת GeoJSON עם פוליגונים של מבנים

דוגמאות תוצרים בתוסף Mapflow ל־QGIS

• בתמונה מוצג תהליך “Building Detection” בחלונית Mapflow עם הטמעה אוטומטית של שכבת תוצאה בפרויקט . הדוגמה מדגימה את המהירות והנוחות – התוצר נטען אוטומטית ל־ QGIS  ללא צורך באימון או בהתקנות נוספות.

השוואת תוצרים

השוואה תפעולית ArcGIS Pro מול  Mapflow (QGIS)

לסיכום,

• ArcGIS Pro   מתאים כשיש צורך בשליטה מלאה, מודלים מותאמים, גמישות וניתוח מדויק. דורש השקעה במשאבים, ידע והתקנות.
• Mapflow פתרון נגיש, מהיר ופשוט – מאפשר הפעלת AI מתוך QGIS כמעט בלחיצת כפתור. אידיאלי לעבודה יומיומית קלה או סקרים רחבים.