122 lines
3.5 KiB
Markdown
122 lines
3.5 KiB
Markdown
# GeoIntel Kempen — Product Blueprint v1.0
|
|
|
|
## 1. Positionering
|
|
|
|
GeoIntel Kempen is een GeoAI Workbench voor regionale remote sensing en geospatiale AI-analyse in de Belgische Kempen.
|
|
|
|
Het project is afgestemd op een GeoAI Engineer-profiel. Het moet aantonen dat de ontwikkelaar kan werken met GIS, remote sensing, rasterdata, vectordata, computer vision, PyTorch, objectdetectie, segmentatie, kwaliteitscontrole en geospatiale data engineering.
|
|
|
|
GeoIntel is dus niet primair een beleidsdashboard of rapportagetool. Rapportage is een exportlaag. De kern is:
|
|
|
|
```text
|
|
data → preprocessing → AI/model → geospatial output → QA/QC → export
|
|
```
|
|
|
|
## 2. Productbelofte
|
|
|
|
GeoIntel zet luchtfoto's, satellietbeelden, vectorlagen en referentiedata om in controleerbare AI-gegenereerde GIS-lagen.
|
|
|
|
## 3. Primaire gebruiker
|
|
|
|
De primaire gebruiker is een technische GIS/GeoAI-gebruiker:
|
|
|
|
- GeoAI Engineer
|
|
- GIS-analist
|
|
- remote sensing onderzoeker
|
|
- data engineer met geodata-focus
|
|
- ruimtelijk analist
|
|
|
|
Secundaire gebruikers zoals beleidsmakers kunnen later via rapporten en dashboards bediend worden.
|
|
|
|
## 4. Kernmodules
|
|
|
|
### Project Manager
|
|
|
|
Beheert analyseprojecten, gebieden, datasets en runs.
|
|
|
|
### Dataset Manager
|
|
|
|
Beheert raster-, vector- en later LiDAR-datasets.
|
|
|
|
### Raster Workbench
|
|
|
|
Leest rastermetadata, toont previews, ondersteunt bandselectie, clipping, tiling, indexberekeningen en AI-ready preprocessing.
|
|
|
|
### Vector Workbench
|
|
|
|
Laadt vectorlagen, valideert geometrieën, transformeert CRS, voert clipping, buffers, overlays en spatial joins uit.
|
|
|
|
### Detection Lab
|
|
|
|
Voert objectdetectie uit op getilede rasters. Resultaten worden teruggezet naar geografische coördinaten en als GeoJSON/PostGIS-laag opgeslagen.
|
|
|
|
### Segmentation Lab
|
|
|
|
Voert semantische of instance-segmentatie uit. Masks worden gepolygoniseerd en als geospatiale output opgeslagen.
|
|
|
|
### QA/QC Lab
|
|
|
|
Vergelijkt AI-resultaten met referentielagen zoals GRB. Berekent IoU, precision, recall, F1, false positives en false negatives.
|
|
|
|
### Change Detection Lab
|
|
|
|
Vergelijkt datasets of analysis runs doorheen tijd en detecteert toegevoegde, verdwenen of gewijzigde objecten.
|
|
|
|
### Annotation Studio
|
|
|
|
Laat gebruikers bounding boxes, polygonen of masks tekenen en exporteren naar YOLO, COCO, GeoJSON of mask-formaat.
|
|
|
|
### Training Studio
|
|
|
|
Latere module voor finetuning/training van modellen met metrics zoals mAP, precision, recall, IoU en confusion matrix.
|
|
|
|
### LiDAR Workbench
|
|
|
|
Latere module voor LAS/LAZ, PDAL, laspy, DEM, DSM en hoogteprofielen.
|
|
|
|
## 5. MVP-scope
|
|
|
|
V1 moet technisch sterk, maar haalbaar zijn.
|
|
|
|
V1 bevat:
|
|
|
|
- project aanmaken
|
|
- analysegebied tekenen
|
|
- raster upload
|
|
- vector upload
|
|
- metadata extractie
|
|
- kaartviewer
|
|
- raster/vector overlay
|
|
- raster clipping
|
|
- raster tiling
|
|
- OSM of GRB-referentie integratie
|
|
- objectdetectie via YOLO demo-model
|
|
- georeferencing van detecties
|
|
- detecties als kaartlaag
|
|
- GeoJSON export
|
|
- QA/QC tegenover referentielaag
|
|
|
|
V1 bevat niet:
|
|
|
|
- volledige LiDAR verwerking
|
|
- volledige modeltraining
|
|
- perfecte Sentinel-pipeline
|
|
- multi-user systeem
|
|
- complexe beleidsrapporten
|
|
|
|
## 6. Demo-strategie
|
|
|
|
De belangrijkste portfolio-demo:
|
|
|
|
1. Kies een gebied in Geel, Mol of Turnhout.
|
|
2. Laad een luchtfoto of raster.
|
|
3. Haal GRB/OSM-gebouwen op als referentielaag.
|
|
4. Tile het raster.
|
|
5. Run YOLO-gebouwdetectie.
|
|
6. Projecteer detecties naar kaartcoördinaten.
|
|
7. Vergelijk detecties met GRB.
|
|
8. Toon false positives, false negatives en IoU.
|
|
9. Exporteer detecties als GeoJSON.
|
|
|
|
Dit demonstreert GIS, raster, vector, AI, QA/QC en export in één verhaal.
|