オフラインAI×GIS

import os
import requests
from pathlib import Path

def download_tile(z, x, y, output_dir):
    """地理院タイルをダウンロード"""
    url = f"https://cyberjapandata.gsi.go.jp/xyz/std/{z}/{x}/{y}.png"
    output_path = Path(output_dir) / f"{z}/{x}/{y}.png"

    output_path.parent.mkdir(parents=True, exist_ok=True)

    response = requests.get(url)
    if response.status_code == 200:
        with open(output_path, 'wb') as f:
            f.write(response.content)
        return True
    return False

def download_area(min_lon, min_lat, max_lon, max_lat,
                  min_zoom, max_zoom, output_dir):
    """指定範囲のタイルをダウンロード"""
    for z in range(min_zoom, max_zoom + 1):
        # 座標をタイル番号に変換
        min_x, max_y = lonlat_to_tile(min_lon, min_lat, z)
        max_x, min_y = lonlat_to_tile(max_lon, max_lat, z)

        for x in range(min_x, max_x + 1):
            for y in range(min_y, max_y + 1):
                download_tile(z, x, y, output_dir)
                print(f"Downloaded: {z}/{x}/{y}")

def lonlat_to_tile(lon, lat, z):
    """緯度経度をタイル番号に変換"""
    import math
    n = 2 ** z
    x = int((lon + 180) / 360 * n)
    y = int((1 - math.log(math.tan(math.radians(lat)) +
            1/math.cos(math.radians(lat))) / math.pi) / 2 * n)
    return x, y

# 東京周辺をダウンロード
download_area(
    min_lon=139.5, min_lat=35.5,
    max_lon=140.0, max_lat=36.0,
    min_zoom=10, max_zoom=16,
    output_dir="tiles/"
)

# オンライン環境で準備
# 1. Ollamaをインストール
# ollama.com からダウンロード

# 2. モデルをダウンロード
ollama pull phi3:mini      # 軽量モデル
ollama pull qwen2.5:7b     # 日本語対応
ollama pull llava          # 画像対応

# GPU無しでも動作
# Ollamaは自動でCPU推論にフォールバック

# 確認
ollama run phi3:mini
>>> こんにちは

import subprocess
import json

class OfflineGISAI:
    def __init__(self, model="phi3:mini"):
        self.model = model

    def ask_llm(self, prompt):
        """LLMに質問"""
        result = subprocess.run(
            ["ollama", "run", self.model, prompt],
            capture_output=True,
            text=True
        )
        return result.stdout

    def analyze_coordinates(self, lat, lon):
        """座標を分析"""
        prompt = f"""
        以下の座標について説明してください：
        緯度: {lat}
        経度: {lon}

        この座標の特徴や注意点を教えてください。
        """
        return self.ask_llm(prompt)

    def generate_report(self, data):
        """レポートを生成"""
        prompt = f"""
        以下のGISデータからレポートを作成してください：

        {json.dumps(data, ensure_ascii=False)}

        形式：
        1. 概要
        2. 特徴
        3. 注意点
        """
        return self.ask_llm(prompt)

# QGIS Python コンソールで実行
from qgis.core import QgsProject, QgsVectorLayer
import subprocess

def analyze_layer(layer_name):
    """レイヤーを分析"""
    layer = QgsProject.instance().mapLayersByName(layer_name)[0]

    # データを収集
    features = []
    for feature in layer.getFeatures():
        features.append({
            'id': feature.id(),
            'attributes': dict(zip(
                [field.name() for field in layer.fields()],
                feature.attributes()
            ))
        })

    # LLMで分析
    data_text = str(features[:10])  # 最初の10件
    prompt = f"以下のGISデータの特徴を分析してください：\n{data_text}"

    result = subprocess.run(
        ["ollama", "run", "phi3:mini", prompt],
        capture_output=True,
        text=True
    )

    return result.stdout

# 使用例
analysis = analyze_layer("建物")
print(analysis)

import base64
import requests

def analyze_field_photo(image_path, model="llava"):
    """現場写真を分析"""
    with open(image_path, 'rb') as f:
        image_data = base64.b64encode(f.read()).decode('utf-8')

    response = requests.post(
        'http://localhost:11434/api/generate',
        json={
            'model': model,
            'prompt': '現場の状況を説明してください',
            'images': [image_data],
            'stream': False
        }
    )

    return response.json()['response']

class FieldSurveySystem:
    def __init__(self):
        self.ai = OfflineGISAI()
        self.survey_data = []

    def record_point(self, lat, lon, photo_path=None, notes=""):
        """調査ポイントを記録"""
        record = {
            'lat': lat,
            'lon': lon,
            'notes': notes,
            'timestamp': datetime.now().isoformat()
        }

        # 座標の分析
        record['location_analysis'] = self.ai.analyze_coordinates(lat, lon)

        # 写真がある場合は分析
        if photo_path:
            record['photo_analysis'] = analyze_field_photo(photo_path)

        self.survey_data.append(record)
        return record

    def generate_survey_report(self):
        """調査レポートを生成"""
        return self.ai.generate_report(self.survey_data)

def disaster_response_analysis(damage_data):
    """被害状況を分析"""
    prompt = f"""
    以下の被害データを分析し、対応優先度を提案してください：

    {json.dumps(damage_data, ensure_ascii=False)}

    以下の形式で回答：
    1. 被害の概要
    2. 優先対応エリア
    3. 必要なリソースの推定
    4. 注意事項
    """

    ai = OfflineGISAI()
    return ai.ask_llm(prompt)

def equipment_inspection(photo_path, equipment_info):
    """設備点検を支援"""
    # 写真分析
    photo_analysis = analyze_field_photo(photo_path)

    # 総合分析
    prompt = f"""
    以下の設備点検結果を評価してください：

    設備情報：
    {json.dumps(equipment_info, ensure_ascii=False)}

    写真分析結果：
    {photo_analysis}

    評価項目：
    1. 設備の状態
    2. 異常の有無
    3. 推奨される対応
    4. 次回点検時期
    """

    ai = OfflineGISAI()
    return ai.ask_llm(prompt)