Фахівці Світового центру даних порівняли класичні ГІС-підходи та роботу з LLM-інструментами
Фахівці Навчально-наукового центру «Світовий центр даних з геоінформатики та сталого розвитку» КПІ ім. Ігоря Сікорського здійснили практичне порівняння двох підходів до аналізу геопросторових даних. Перший підхід — класичний для професійної ГІС-практики і базується на роботі з просторовими шарами в QGIS, ArcGIS Pro та суміжних геоінформаційних середовищах. Другий підхід передбачає використання великих мовних моделей, зокрема інструментів на кшталт Codex, для автоматизації частини аналітичного процесу, підготовки скриптів, структурування даних та документування результатів.
Метою такого порівняння було не протиставити традиційні ГІС-інструменти штучному інтелекту, а перевірити, як саме вони можуть доповнювати одне одного. У сучасних умовах геопросторова аналітика дедалі частіше потребує швидкого поєднання різних типів даних: растрових, векторних, табличних, супутникових, статистичних. Кожен із цих форматів має власну логіку обробки, власні обмеження і власні вимоги до перевірки якості.
У межах експерименту фахівці СЦД відпрацювали повний цикл роботи з геоданими: від пошуку й каталогізації джерел до створення аналітичних шарів, підготовки таблиць, формування метаданих та побудови відтворюваного робочого процесу.
Окрему увагу було приділено порівнянню того, як класичні ГІС-середовища та LLM-інструменти працюють із растровими й векторними даними, адже саме ці два типи геоданих є базовими для більшості прикладних задач просторового аналізу.
У класичному підході основна робота виконується через професійні ГІС-інтерфейси. Фахівець завантажує шари, перевіряє системи координат, виконує обрізання за межами досліджуваної території, проводить зміну проєкції, накладання, маскування та атрибутивне збагачення. Для растрових даних використовуються операції raster calculator, clipping, reclassification, resampling, mask extraction та zonal statistics. Для векторних даних застосовуються spatial join, intersection, dissolve, buffer, geometry validation, field calculator та overlay analysis.
Перевага такого підходу полягає у високому рівні експертного контролю. У QGIS або ArcGIS Pro аналітик бачить кожний шар, може одразу оцінити його якість, перевірити топологію, налаштувати символіку, виявити помилки геометрії або невідповідність координатних систем. Це особливо важливо тоді, коли результат має бути представлений у вигляді карти, аналітичної довідки або геоінформаційного продукту для подальшого використання ГІС фахівцями.
Водночас класичний підхід часто вимагає багато не автоматизованих дій. Якщо потрібно повторити аналіз для іншої території, іншого сценарію або іншого набору даних, значну частину операцій доводиться виконувати знову або переносити їх у ModelBuilder, Processing Modeler, ArcPy чи Python-скрипти. Саме на цьому етапі LLM-інструменти демонструють свою практичну користь.
Підхід із використанням великих мовних моделей дозволяє швидше перетворити аналітичну логіку на відтворюваний workflow. LLM-асистент може допомогти сформувати структуру проєкту, описати послідовність обробки, підготувати код для роботи з GeoTIFF, GeoPackage, GeoJSON, CSV та XLSX, створити допоміжні таблиці, виконати автоматизовані перетини та сформувати метадані. У такому режимі штучний інтелект працює не як «чорна скринька», що самостійно ухвалює рішення, а як інженерний помічник, який пришвидшує технічну частину роботи.
У процесі тестування були використані підходи, характерні для сучасної geospatial data science практики: pipeline-based processing, raster-vector overlay, connected-component analysis, nearest-neighbor alignment, raster masking, run-length polygonization, tabular joins, spatial aggregation та automated reporting. Серед інструментів, які є типовими для таких задач, варто зазначити: Python, NumPy, GDAL, Rasterio, Fiona, Shapely, GeoPandas, SQLite/GeoPackage, OpenPyXL, а також API-орієнтовані підходи до роботи з просторовими сервісами.
Окремий практичний інтерес становила робота з растровими даними. У класичній геоінформаційній системі фахівець виконує обробку через інструменти інтерфейсу, контролюючи кожну операцію. У LLM-assisted підході ті самі дії оформлюються як скрипти, які можна запускати повторно. Це особливо корисно для задач, де потрібно багато разів виконати однакову процедуру: вирізати растр за маскою, перекласифікувати значення, узгодити роздільну здатність шарів, створити похідний растр або порахувати статистику за класами.
Не менш важливою була робота з векторними даними.
Класичні інструменти QGIS і ArcGIS Pro залишаються надзвичайно зручними для перевірки геометрії, редагування об’єктів, стилізації карт і контролю просторових перетинів. Натомість LLM-інструменти виявилися корисними для швидкого створення GeoPackage-шарів, автоматизації атрибутивних обчислень, підготовки таблиць результатів, формування описів полів і створення супровідної документації.
Порівняння показало, що найсильніший результат дає не заміна одного підходу іншим, а їх поєднання. Класична ГІС забезпечує точність, візуальну перевірку, картографічну якість та експертний контроль. LLM-інструменти додають швидкість, гнучкість, автоматизацію і відтворюваність. Там, де фахівець раніше витрачав багато часу на повторювані технічні дії, тепер він може швидше перейти до перевірки припущень, оцінки результатів і змістовної інтерпретації.
Водночас фахівці СЦД наголошують: застосування штучного інтелекту в геопросторовій аналітиці потребує обережності. LLM може допомогти написати код або структурувати процес, але не звільняє дослідника від обов’язку перевірки джерел, систем координат, методичних припущень, коректності одиниць вимірювання та якості вихідних даних. У геоінформатиці помилка на етапі встановлення проєкції, маскування або інтерпретації класів може призвести до суттєво викривлених висновків.
Саме тому найперспективнішою є модель, в якій людина залишається відповідальною за методологію, постановку задачі, валідацію та інтерпретацію, а штучний інтелект бере на себе частину рутинної підготовки, програмування й документування. Такий підхід дозволяє не лише швидше отримувати первинні результати, а й формувати прозорі аналітичні процеси, які можна повторити, перевірити та масштабувати.
Проведене порівняння підтвердило, що сучасна геоаналітика поступово переходить від створення окремих карт до побудови відтворюваних аналітичних систем. У таких системах важливими є не тільки зображення або таблиці, а й увесь шлях їх отримання: джерела, алгоритми, параметри, обмеження, проміжні шари та метадані. Це особливо актуально для задач, пов’язаних із моніторингом прифронтових територій, оцінкою ризиків, плануванням відновлення, екологічною безпекою та підтримкою управлінських рішень.
Досвід СЦД демонструє, що поєднання ГІС, дистанційного зондування Землі, відкритих даних, програмованої обробки та великих мовних моделей відкриває нові можливості для прикладної науки. Але головна умова залишається незмінною: результат має бути не лише швидким, а й перевіреним, пояснюваним і методично коректним. Саме в цьому полягає справжня цінність сучасних цифрових інструментів для науки, державного управління та суспільства.
Сергій ГАПОН,
завідувач лабораторії геоінформаційних систем ННЦ «Світовий центр даних з геоінформатики та сталого розвитку» КПІ ім. Ігоря Сікорського
На фото: Геопросторові дані дедалі частіше стають основою для швидкого аналізу ризиків, планування та підтримання управлінських рішень;
Класичний ГІС-підхід забезпечує візуальний контроль і точну роботу з шарами, тоді як LLM-інструменти допомагають швидко створювати відтворювані аналітичні конвеєри;
Поєднання растрових і векторних даних надає змогу переходити від карти до кількісної аналітики: площ, класів, об’єктів, зон впливу та атрибутивних показників.