人工智能GIS软件技术体系初探
- 摘要:作为人工智能的代表性技术，深度学习已经成为大数据等各个领域中最具有突破性发展的新技术。深度学习的成功主要得益于其新颖的数据驱动的特征表示学习能力，这种能力成功地替代了传统建模中基于领域知识人为设计特征的方式。在这些技术推动下，人工智能技术在新一代 GIS 基础软件技术的研究与应用中发挥着极为重要的作用，而现有人工智能 GIS （AI GIS）技术研究整体仍处于初步探索阶段，距离成熟阶段尚有较大距离。
关键词: 人工智能,GIS软件技术,地理智慧,AI GIS技术体系,空间深度学习,空间机器学习,AI流程工具
AI GIS算法是融合AI的空间数据分析与处理算法，是 AI 和 GIS 充分融合的产物，既属于 AI，也属于 GIS。AI 赋能 GIS 则是利用 AI 的能力提升GIS软件的功能和用户体验。GIS赋能AI则是GIS利用其可视化和空间分析技术，对AI算法处理其他非空间数据输出的结果进行可视化和进一步空间分析的技术和应用。
在3类AI GIS技术中，AI GIS 算法的处理对象通常是空间数据（包括各种矢量/栅格形态的经典空间数据，和空间大数据），另外两类通常不涉及使用AI算法处理空间数据本身。
-
3.1.1 空间机器学习
由于空间统计学模型构建在一些理论假设上，数据需要服从或近似符合特定的空间分布或某种性质，模型才能得到可信的结果。与统计学模型不同，机器学习是一种通用的逼近算法[17]，一般不需要数据假设。基于机器学习的空间分析算法不需要先验知识，就可根据一组训练集学习地学系统的模式。
经典的机器学习技术包括神经 络（ANN）、支持向量机（SVM）、随机森林（RF）、K均值，DBSCAN等一系列方法，逐渐在城市治理、土地利用、生态恢复等地理生态领域运用[18]。以SuperMap为例，目前已经提供的部分空间机器学习算法包括空间聚类分析、空间分类分析和空间回归分析3类（图5）。
-
3.1.3 AI流程工具
模型可重现问题一直是AI领域困扰科研界和工业界的一大问题[48-49]。一些研究成果中呈现了高准确度GeoAI算法，但很难重现。其原因主要为地物的空间特征在不同地域，不同季节的表现并不完全相同，因此提供训练后的模型在地理信息领域并不是最佳方案，需要提供 GeoAI 算法的训练工具，让应用单位可以根据自身的数据重新训练模型，提高模型推理结果的成功率和准确度。
根据机器学习的一般流程，结合地理空间信息的特殊情况，GeoAI 工作流程可分为数据准备、模型构建和模型应用3个环节（图7）。
例如，在服务器端 GIS 中，数据科学服务提供在线交互式Python编码方式供空间数据科学家使用，以及通过服务形式完成模型注册、发布和应用的机器学习服务。桌面端 GIS 提供用户可交互操作的桌面流程工具，通过可视化交互操作的方式完成数据准备、模型构建、模型应用的机器学习流程。组件式 GIS 则提供 Python 编码的方式给使用者，通过脚本调用形式完成整个流程。
-
3.2.1 AI属性采集
在城市管理执法中，需要频繁录入现场执法案件属性信息。基于AI的图像目标检测和分类技术可以有效提高属性采集效率，如在违章停车案件中，可以快速识别车牌编 、车身颜色、车辆类型等信息，并自动完成填 。其他执法场景如暴露垃圾、乱堆物料、非法广告、城市部件等均可以通过AI进行识别并自动填 （图 8）。类似的 AI 图像识别应用，可以大幅减少手工录入工作量，提高属性采集工作效率。
VINS是融合相机和其惯性测量单元数据实现即时定位和地图构建的算法[55]，基于空间矩阵变换原理，结合视觉校准和惯性校准算法，实现二三维地图在真实场景中的可视化映射。具体计算过程包括：① 实时图像获取，摄像机坐标系标定；② 特征信息提取，立体匹配；③ 空间映射重建（深度感知），得到二三维地图在空间中的实时姿态、位置、距离信息，实现动态空间和高清像素分辨率的精确深度检测与标定；④ 设置多个控制点，采用测量平差的方式提高测量精度，最终完成室内测图。
-
3.2.3 AI配图
地图配图是GIS的基础能力，传统手工配图要对众多地图内容要素反复搭配与调整，较为复杂和耗时。图像风格迁移是在保留目标图片内容的基础上，将风格图片的色彩构成、色彩分布等整体风格迁移到目标图片上的技术。AI配图即基于图像风格迁移思想，使用机器学习算法，对输入的图片风格进行识别和学习，结合面积权重、目标对象类型等信息，将图像风格迁移到目标地图的一种自动化配图的技术。桌面端GIS软件中嵌入AI配图功能，能快速将风格图片复杂的颜色风格迁移到目标地图上，显著提升GIS配图效率和效果。
AI 配图的主要流程（图 10）包括：① 提取风格图片关键色，首先输入选定的自定义地图模板风格图片，基于 K-means 聚类算法提取图片特征，得到风格图片中的关键色；② 提取当前地图关键色，主要对原始地图进行关键色提取；③ 面积排序匹配。提取关键色后，需要对提取的图片关键色和地图关键色进行匹配，选择面积匹配算法，按照面积权重将图片的颜色自动匹配至原始地图。
-
3.4 AI GIS软件技术体系
为了对AI GIS的3个方面进行有力支撑，自底向上构建了4层结构，形成较为完整的AI GIS技术体系。如图14所示，最底层为数据层，既包括遥感影像这样的文件型数据，也包括关系型数据以及大数据场景下使用较多的NoSQL数据。数据层之上为AI领域库，主要聚焦样本和模型2个方面开展建设，不断丰富各类空间数据样本和模型。在框架层中，需要通过合理的抽象和封装兼容多种AI框架，既可以避免重复性研发工作，又可以高效地与最新算法和模型研究成果进行融合。最上面的功能层即具体介绍的AI GIS三个方面。
- 4 结论和展望
作为新一代 GIS软件技术体系的重要组成，AI GIS通过融合AI的空间数据分析与处理算法、AI赋能 GIS 和 GIS 赋能 AI，改变了传统 GIS 软件处理和分析的方式。利用 AI GIS 完善发展新一代 GIS 技术体系是解决当前GIS系统智能化问题的有效方法。
目前，AI GIS 初步实现了遥感图像、视频等地理信息的二维视觉提取。随着计算机视觉和全空间 GIS 技术的发展，地理控制、视觉导航定位中的深度图、点云等三维环境结构感知变得越来越重要，结合三维计算机视觉的智能提取将是AI GIS 的下一步发展重点。
目前制图导航、地物图像识别、空间分析等方面的 AI 还属于弱人工智能（Narrow AI），只能聚焦某种具体应用问题，离通用人工智能（AGI）还较为遥远。AGI 研究有2种主要方式：① 从先天的类脑结构寻找突破点[61]；② 以后天的训练学习为主。实际上，二者都能取得相似效果[62]，而互相结合[63]也是AI GIS实现AGI GIS的一个发展方向。
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！
- 4 结论和展望