AI-förmågor utvecklas idag på flera delar över ArcGIS-plattformen, och AI i kombination med geodata skapar ett starkt verktyg som kan leda till fördjupad och breddad kunskap. En av ArcGIS mest etablerade tillämpningarna av AI i ArcGIS är GeoAI – geografisk artificiell intelligens – där kraften i geodata kombineras med AI-teknik och tillsammans öppnar upp för helt nya möjligheter till analys och beslutsstöd i ArcGIS-plattformen.
I det här blogginlägget pratar jag om hur ArcGIS utvecklas till en geospatial AI-plattform där kombinationen av geodata och artificiell intelligens skapar nya möjligheter för analys, beslutsstöd och utveckling.
Vad är GeoAI?
GeoAI är tillämpningen av artificiell intelligens på geografiska data, vetenskap och teknik. Det handlar om att använda maskininlärning och djupinlärning för att förstå mönster, samband och förändringar i geografisk information. Att gå från stora mängder oorganiserade data till att tydligt se mönster är ett avgörande steg på vägen mot verkliga insikter. I takt med att datamängderna växer blir behovet av att förstå den rumsliga dimensionen allt viktigare.
GeoAI är idag en etablerad funktion inom ArcGIS och är integrerat i flera delar av plattformen. Det kan användas för att analysera eller extrahera information från allt från bilddata, 3D-data till texter eller vanliga fotografier.
AI som ser det vi inte hinner upptäcka
Med GeoAI-modellerna i ArcGIS kan vi kombinera datorsyn (computer vision) och stora språkmodeller med ArcGIS för att snabbt extrahera värdefull information ur olika typer av bilddata och punktmoln. I ArcGIS kan GeoAI tillämpas på flera olika sätt. Du kan träna egna modeller, koppla modeller till stora språkmodeller eller ta del av och använda färdigtränade modeller.
I ArcGIS Living Atlas finns idag en rad färdiga GeoAI-modeller – redo att användas direkt, och sökord som “deep learning package” eller “dlpk” för att hitta dem.
De kan till exempel:
- Identifiera objekt som byggnader, vägar eller bilar
- Analysera grödor, kraftledningar och solpaneler
- Upptäcka förändringar eller skador över tid
Det finns även avancerade modeller som Segment Anything Model (SAM) och geospatiala grundmodeller som Prithvi, tränade för att upptäcka översvämningar, bränder och grödförändringar. På Living Atlas finns för varje modell massvis med information, om hur och var modellen tränats och värdefulla guider för hur modellerna ska användas.
Exempel på Car Detection: en förtränad modell som identifierar fordon i högupplösta ortofoton. Vill du veta mer? Ta del av en steg-för-steg guide.
Gemensamt för dem alla är att de gör AI tillgängligt – utan att du behöver bygga egna modeller från grunden.
Kom igång med GeoAI i ArcGIS Pro
För att komma igång med GeoAI i ArcGIS Pro behöver du först förbereda miljön:
- Förbered miljön genom att klona din ArcGIS Pro-installation och installera Deep Learning Essentials-paketet.
Börja med att klona din miljö, installera därefter Deep Learning Essentials-paketet från GitHub - Välj en modell i ArcGIS Living Atlas – det finns färdiga DLPK-paket som kan laddas ned eller sök upp de direkt i geoprocesseringsverktyget i ArcGIS Pro.
- Kör din analys med verktyg som Detect Objects Using Deep Learning eller Classify Point Cloud Using Trained Model.
På så vis kan du till exempel identifiera bilar i ett ortofoto, analysera vegetation i laserskanningar eller upptäcka förändringar i landskapet – allt direkt i ArcGIS Pro.
Exempel från verkligheten
Två exempel av hur två existerande modeller kan användas i verkliga exempel:
- Objektdetektering i ortofoton
Genom att använda en förtränad Car Detection-modell kan du snabbt identifiera fordon i flygbilder. Resultatet kan användas för att förstå parkeringsmönster, planera trafikflöden eller analysera förändringar över tid. - Klassificering av punktmoln
Med modellen Tree Point Classification kan du identifiera vegetation i laserskanningar. Modellen klassificerar ett tidigare oklassificerat punktmoln kan på ett effektivt sätt kartlägga träd och ge information om markanvändning – vilket kan vara värdefull information inom såväl naturvård, skogsbruk och stadsplanering.
ArcGIS blir en geospatial AI-plattform
GeoAI är bara en del av Esris bredare satsning på AI. ArcGIS utvecklas snabbt mot att bli en geospatial AI-plattform. Arbetet med AI inom ArcGIS brukar delas in i 3 huvudkategorier:
- GeoAI – För analys och mönsterigenkänning i rumsliga data.
- AI-assistenter – För att förenkla arbetet med verktyg, kod och arbetsflöden.
- AI-agenter – Intelligenta system som självständigt kan analysera och svara på frågor om din data.
AI-assistenterna fungerar som ett användarvänligt stöd och finns tillgängligt över flera delar av plattformen. De kan redan idag hjälpa till med att till exempel skriva kod i Arcade, utveckla appar och rekommendera verktyg i ArcGIS Pro, och utvecklas ständigt för fler appliceringar. AI-assistenterna aktiveras på organisationsbasis via en ArcGIS Online eller Enterprise portal.
AI-Agenterna är mer komplexa och avancerade modeller som etablerar artificiellt intelligens över hela arbetsflöde – de är i dagsläget primärt i utvecklingsfasen men ett exempel på en AI-agent som finns i Beta är Data Explorer. Agenten låter dig samtala med dina data i naturligt språk – och få svar såväl i tabellform som direkt i kartan. Det gör avancerad analys tillgänglig för fler, utan att kompromissa med spårbarhet eller datakvalitet.
Data Explorer (just nu i Beta)
Från data till insikt – på riktigt
Med GeoAI kan organisationer snabbt analysera stora datamängder, identifiera mönster och fatta bättre beslut. Och AI-förmågor finns idag och växer över flera delar av plattformen, och när geodata möter artificiell intelligens öppnas nya möjligheter – och vägen från data till insikt blir både kortare och tydligare.
Från ArcGIS Användardagar 2025
Vill du veta mer om ArcGIS som en geospatial AI-plattform? Spana då in mina presentationer under ArcGIS Användardagar 2025 nedan:
