De rótulos no QGIS a um detector de novas construções e um novo dataset em uma hora

Seguimos experimentando com agentes de IA, e desta vez o caso é a validação de mapeamento e a detecção de construções. Vale dizer que este é mais um fluxo de trabalho disruptivo no mapeamento com IA. Neste experimento, demos a um agente de IA um projeto do QGIS com 487 polígonos desenhados à mão e perguntamos: esses rótulos são bons o suficiente para treinar um detector de novas construções de baixa altura? Cerca de 30 minutos depois, ele havia treinado um classificador de mudanças com eles e verificado cada rótulo. Marcou 10% dos rótulos para remover ou corrigir e encontrou novas edificações que nossos cartógrafos deixaram passar.

A tarefa

Projeto preliminar

A área do projeto ficava em Karnataka, na Índia, com cerca de 9 × 8 km. Ela mistura quarteirões urbanos densos com vilarejos, plantações de palmeiras e lavouras. O alvo são novas construções de baixa altura: principalmente casas de um e dois pavimentos, galpões e lotes recém-limpos.

• O dataset inicial foi criado com o plugin do Mapflow para QGIS. Os canteiros de obras foram rotulados manualmente como retângulos (bbox) ou envoltórias convexas e, em seguida, o modelo Mapflow Buildings foi aplicado para contornar as edificações dentro dessas áreas.
• Com base nos resultados da anotação, estimamos a acurácia possível do modelo de detecção de construções em ~70% para 90% dos canteiros de obras.
• Esperava-se que a classificação das obras por estágio fosse menos precisa, com um intervalo de confiança mais amplo. Para aumentar essa precisão, pedimos aos clientes imagens mais detalhadas, como fotografias aéreas, mas isso se mostrou caro e não coube no orçamento do projeto, então abandonamos a ideia.

O fluxo de trabalho agêntico

A entrada para o agente foi:

• Um projeto do QGIS (.qgz) com duas camadas de imagens: um mosaico global de 2023 ("antes") e uma nova cena de alta resolução ("depois").
• Um GeoJSON com 487 polígonos de mudança de construção e um atributo stage (completed / new / vazio). Apenas 110 rótulos tinham estágio, poucos demais para aprender, então o classificador foi instruído a ignorá-lo e tratar todos os polígonos como uma única classe "mudança de construção".

O prompt foi uma única frase: use estes rótulos como rótulos de treinamento para mudanças de construção, valide-os e encontre rótulos ausentes ou falsos.

O que o agente fez

O agente leu o projeto, definiu as etapas e escreveu e executou seus próprios scripts.

1. Leu o projeto do QGIS
2. Baixou as imagens
3. Alinhou as datas. Aqui está o ponto interessante! As imagens estavam deslocadas de 3 a 8 m, e o deslocamento variava ao longo da cena. O agente mediu o deslocamento em uma grade de janelas e deformou o mosaico de 2023 sobre o novo, o que reduziu o erro restante para cerca de 0,8 m.
4. Examinou cada rótulo. Recortou um trecho antes/depois para cada um dos 487 polígonos e os revisou em folhas de 28. Depois reabriu cerca de 90 casos duvidosos em tamanho maior.
5. Treinou um classificador com os rótulos. Rodou uma ResNet-18 pré-treinada sobre as duas datas e treinou uma regressão logística com as features das duas datas e a diferença entre elas. Testou em blocos espaciais que o modelo não tinha visto: AUC 0,96.
6. Buscou o que faltava. Ordenou os locais não rotulados por "parece construído agora, parecia vazio em 2023". Revisou um a um os 108 melhores candidatos e fez amostragens mais abaixo na lista para estimar quantos faltavam.
7. Entregou os resultados. Gerou um GeoJSON dos rótulos com um qa_flag por polígono, uma lista de candidatos omitidos e uma página de relatório com os recortes das imagens.

O que ele encontrou

Dos 487 rótulos, 88% estavam corretos, e os problemas se concentraram em alguns padrões.

Problema	Rótulos	Como aparece
Já construído em 2023	23	A casa está nas duas imagens, ou nada mudou
Só troca de telhado	14	Mesma área construída; um telhado verde virou azul, ou um vermelho virou laranja
Polígono grande demais	9	O retângulo cobre uma casa antiga mais a nova ampliação; um deles tem 2,4 ha
Demolição	3	Galpões removidos, nada construído
Incerto	8	Telhado sobre paredes existentes ou só troca de telhado? A imagem de 2023 é borrada demais para dizer

A descoberta mais importante foi o que estava faltando. Entre os 108 melhores candidatos, o agente confirmou 39 novas edificações sem rótulo e 29 canteiros de obras ou lotes limpos. As amostras mais abaixo na lista acrescentaram mais alguns. Extrapolando as taxas de acerto, a cena provavelmente tem de 100 a 200 novas edificações sem rótulo, então a completude (recall) dos rótulos de edificações fica em torno de 70–80%. Note que isso mede o quão completos estão os rótulos manuais, não a acurácia do modelo, portanto ainda não verifica nossa estimativa preliminar de ~70%.

Novas edificações omitidas encontradas pelo classificador. A caixa ciano marca o candidato: terreno vazio em 2023 (à esquerda), uma casa ou galpão novo agora (à direita).

Áreas rurais e urbanas densas falham de formas diferentes

Os dois ambientes estragam os rótulos de maneiras opostas, então um conjunto de treinamento precisa cobrir ambos de propósito.

• Áreas rurais: omissões. A maioria das edificações sem rótulo eram casas isoladas em palmeirais, galpões perto de lavouras e novos complexos nas bordas dos vilarejos. Das 42 omissões confirmadas, 35 tinham menos de cinco rótulos num raio de 500 m, e a maioria não tinha nenhum. Os anotadores se concentram onde há muita mudança e pulam os tiles que parecem vazios — foi assim que nosso fluxo de anotação no QGIS foi montado (alternar as camadas de imagem antiga <> nova e achar a diferença no olho). Um modelo treinado com isso aprende a ignorar construções isoladas.
• Áreas urbanas densas: rótulos falsos. Cerca de 9 em cada 10 rótulos falsos ou de só telhado estavam em aglomerados densos, com cinco ou mais rótulos num raio de 500 m. Quando os telhados ficam colados, uma nova cobertura azul ou um andar a mais parece uma edificação nova (também é um fator do olho humano), e a imagem borrada de 2023 piora tudo.
• Os anotadores precisam de uma regra escrita para os casos-limite. Trocas de telhado, ampliações, demolições e limpeza de terreno foram rotuladas em alguns lugares e em outros não.
• Alinhe as imagens antes de recortar os trechos. Alguns metros de deslocamento transformam cada borda de uma casa inalterada num falso pixel de "mudança". Isso pesa mais em áreas densas, onde as edificações são pequenas e se tocam.

Fechando o ciclo com o Mapflow

Em seguida, o próprio agente adicionou 45 edificações omitidas ao conjunto de treinamento. Levou cerca de 12 minutos numa sessão do Mapflow SAM, conectada via MCP.

1. O agente colocou um ponto em cada edificação omitida nos 42 locais confirmados. A varinha mágica do Mapflow contornou cada edificação a partir do seu ponto.
2. A primeira tentativa usou uma escala grosseira de 2,3 m e desenhou formas imprecisas. Mudar a varinha para 0,29 m resolveu. O próprio agente ajustou esse parâmetro.
3. Uma folha de conferência com todos os contornos pegou quatro erros: um muro, um calçamento, uma mancha escura e solo exposto. O agente os excluiu e transformou o restante em retângulos.

24 das 45 novas áreas construídas. Cada par mostra a imagem de 2023 à esquerda e a nova imagem com o contorno do Mapflow à direita.

O resultado entra direto nos rótulos de treinamento: os 446 rótulos mantidos após a revisão mais 45 novas áreas construídas, 491 no total.

Esforço, custo e próximos passos

A execução do agente levou cerca de 26 minutos e cerca de US$ 6,30 em uso do modelo. Revisar 487 pares antes/depois e vasculhar 75 km² à mão em busca de omissões levaria um par de dias ou mais para nossos anotadores.

A sessão inteira de revisão do mapeamento custou cerca de US$ 31. A tabela mostra o detalhamento por etapa, a partir do registro de uso da sessão. O modelo é o Claude Opus 5.5, um dos mais caros.

Etapa	Passos do agente	Tokens ponderados por preço	Custo (USD)
Revisão dos rótulos: tiles, alinhamento, classificador, revisão, relatório	73	2,28M	6,31
Áreas construídas com o Mapflow SAM (total)	61	2,75M	7,59
Enviar a imagem ao Mapflow, preparar a sessão	15	0,51M	1,40
Posicionar pontos em 42 locais	19	1,12M	3,10
Sessão SAM: varinha, revisão, retângulos, exportação	17	0,68M	1,89
Atualizar o post e o documento do projeto	10	0,43M	1,19
Rascunho do post	13	0,73M	2,01
Ajustes a partir de comentários	55	4,44M	12,28
Correção do documento do projeto	5	0,61M	1,67
Consulta de uso	8	0,30M	0,82
Total	215	11,1M	~31

A tabela conta apenas o uso do modelo pelo agente. A tarifa por área do Mapflow vem por cima. A US$ 1 por km² com mínimo de 1 km², seria cerca de US$ 75 para a cena inteira. Enviar apenas janelas de 200 m em torno das 42 edificações omitidas, como uma única área multiparte, reduz para cerca de US$ 2. Contornar todas as novas edificações exige cerca de 5% da área, US$ 4 (veja a tabela de escalonamento).

O agente poderia ter contornado as 45 edificações sem o SAM? Ainda precisaria dos pontos (US$ 3,10), depois desenhar cada polígono no olho e conferir e corrigir em 2–3 rodadas, cerca de 25 passos a mais. Isso dá cerca de US$ 6 em tokens, mais ou menos o mesmo que o caminho via SAM (US$ 5 em tokens mais US$ 2–4 de tarifa do Mapflow). A diferença está na qualidade. Cantos posicionados à mão em imagens de 0,58 m erram por 1–2 pixels, cerca de 1 m, o que dá um erro de área de aproximadamente 25% numa casa de 150 m². O SAM encaixa os contornos nas bordas dos telhados.

Escalando para todo o estado de Karnataka

Na escala de um estado, o custo passa quase todo para a tarifa por área do Mapflow. Os tokens do agente viram um custo fixo pequeno, e isso depende de três otimizações:

• A detecção de mudanças roda como código. O classificador treinado roda como código comum, sem o agente no loop. As features levaram cerca de 340 segundos de CPU para esta cena de 75 km², cerca de 4,5 s por km².
• O agente só revisa. Ele confere uma amostra de cerca de 200 detecções por distrito em vez de cada rótulo.
• O SAM só vê janelas de mudança. O contorno roda em janelas de 100 m em torno das detecções, enviadas como uma única área multiparte por distrito. Sem cliques de varinha edificação por edificação.

Em Maddur, janelas de 100 m cobrem 5% da área para as edificações realmente novas e 16% para tudo o que o detector atual sinaliza. A tabela supõe que 5% da área vai para o Mapflow: janelas de 100 m em torno de todas as novas edificações, cada distrito enviado como uma única área multiparte. Só as 42 edificações omitidas precisaram de 2%.

Escala	Área (km²)	Área enviada ao Mapflow (5%)	Computação da detecção	Tarifa do Mapflow a US$ 1/km²	Tokens do agente	Total	Por km²
Este teste (Maddur)	75	3,8 km² (cobrado como 4)	< US$ 0,01	US$ 4	US$ 11	US$ 15	US$ 0,20
Um distrito (média)	6.200	310 km²	~US$ 1	US$ 310	~US$ 10	~US$ 321	US$ 0,052
Karnataka (31 distritos)	191.800	9.590 km²	US$ 30–50	US$ 9.590	~US$ 350	~US$ 9.980	US$ 0,052
Para comparação: o estado inteiro enviado ao Mapflow	191.800	191.800 km²	US$ 30–50	US$ 191.800	~US$ 350	~US$ 192.200	US$ 1,00

Na escala do estado, os tokens do agente somam cerca de US$ 20 para construir e retreinar o pipeline, mais cerca de US$ 10 por distrito para a revisão por amostragem e a execução do Mapflow. Rodar a revisão completa do agente cena por cena custaria cerca de US$ 16.000 (2.560 cenas × US$ 6,30). As imagens não estão incluídas. Nem o custo de retreinar para aumentar a precisão do detector, o que reduz as janelas e a tarifa.

Conclusões

Mais do que conclusões, isto é um retrato dos nossos experimentos atuais com uma tecnologia que muda muito rápido.

O fluxo de trabalho agêntico que aproveita GPUs escaláveis com um modelo aberto (o caso do Mapflow) é um método poderoso para tarefas demoradas de validação de mapeamento: mais preciso e mais rápido que o agente sozinho, a um custo parecido. Na escala do estado, o fluxo otimizado é cerca de 1,6 vez mais barato do que rodar o agente cena por cena (US$ 10 mil contra US$ 16 mil) e cerca de 20 vezes mais barato do que processar todo o estado de Karnataka no Mapflow. Uma diferença enorme!

Isso não exclui o cartógrafo; coloca-o em outro papel: anotador + supervisor. O próximo passo é retreinar com os pares limpos e alinhados e repetir a mesma auditoria para medir o ganho nos novos territórios.

Escrever este post levou mais tempo do que treinar um classificador e rodar o pipeline agêntico (sem contar a anotação inicial das imagens).

Vivemos um tempo de mudanças transformadoras, nenhuma surpresa. O que ainda nos surpreende é a velocidade.

Bom mapeamento! 🗺️