人工智能GIS軟件技術(shù)體系初探

A Tentative Study on System of Software Technology for Artificial Intelligence GIS

SONG Guanfu1,2,3*, LU Hao1,2, WANG Chenliang3, HU Chenpu1,2, HUANG Kejia1,2
1. SuperMap Software Company Limited, Beijing 100015, China; 2. GIS Technology Innovation Center of Ministry of Natural Resources, Beijing 100015, China; 3. Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

Abstract: As the representative technology of Artificial Intelligence, deep learning has been the most exciting breakthrough technologies in big data analysis and other domains researches due to its novel data-driven feature representations learning, instead of handcrafting features based on domain- specific knowledge in traditional modeling. Driven by these technological developments. Artificial Intelligence plays a key role in the researches and applications of next- generation geographical information system software technology. Nevertheless, most researches about AI GIS are still in the stage of immature and preliminary exploration. As a method and technology for the novel architecture of GIS fundamental software, AI GIS is widely used in many earth science applications including remote sensing data analysis, water resources research, spatial epidemiology and environmental health. All these technologies are significantly improving capabilities of data processing of traditional GIS, and being able to extract geospatial information and characteristics from unstructured datasets such as street view or remote sensing imagery, texts. These applications are showing great value and developing potential of AI GIS. However, the existing research on the system of software technology of AI GIS is not comprehensive enough. A variety of AI GIS algorithms or models and their scenario- specific applications are commonly considered to be the most important topic. Few researchers have addressed the issues or theory of Artificial Intelligence GIS technologies system and software architecture. This paper presents and analyzes several levels of Geo- intelligence and discuss its relationships to AI GIS technology system , reviewed the research status in AI and GIS technologies from the domestic and abroad perspectives. Then, the system of software technology of AI GIS is proposed according to the relationships between Artificial Intelligence and GIS. This paper define the architecture of AI GIS into three parts including Geospatial Artificial Intelligence (GeoAI), AI for GIS, and GIS for AI. And concepts and examples for each parts of Artificial Intelligence GIS are also analyzed for illustration. Furthermore, in order to deeply explain and investigate the AI GIS software technologies architecture, this paper provide the example of the design and implementation of SuperMap AI GIS software architectures and production. Finally, this paper discusses the problems that need to be solved in the future development of GIS. The tentative study of AI GIS in this paper may provide a theory for establishing the fundamental GIS software technology architecture of Geo-intelligence, which would helps to promote the deep integration and development of AI and GIS technology, and make suggestions for further research about Geo-intelligence.

Key words: artificial intelligence; software technology of GIS; Geo-intelligence; AI GIS technology architec-ture; geospatial deep learning; geospatial machine learning; AI pipeline toolkits

*Corresponding author: SONG Guanfu, E-mail: songguanfu@supermap.com

1 引言

在日益增長的應(yīng)用需求牽引和日新月異的信息技術(shù)推動(dòng)下，GIS軟件技術(shù)體系也正日益豐富和完善，其中，人工智能GIS（AI GIS）技術(shù)是當(dāng)前重要的研究方向。AI GIS是指將AI技術(shù)與各種GIS功能進(jìn)行有機(jī)結(jié)合，包括融合AI技術(shù)的空間分析或空間數(shù)據(jù)處理算法（即 GeoAI）以及 AI 與 GIS 的相互賦能的一系列技術(shù)的總稱。AI GIS近年來逐漸成為地學(xué)科研與應(yīng)用的主要熱點(diǎn)[1]，越來越多的學(xué)者分別從不同專業(yè)應(yīng)用角度探討AI GIS技術(shù)，在遙感圖像處理[2-3]、水資源研究[4]、空間流行病學(xué)[5]、環(huán)境健康領(lǐng)域[6]等方面的應(yīng)用，并取得了很好的成果。已有研究表明，AI GIS擴(kuò)展了傳統(tǒng)GIS的數(shù)據(jù)處理能力，能高效地識(shí)別和分析街景、遙感和航拍圖像、文本等非結(jié)構(gòu)化數(shù)據(jù)中的地理信息[7-10]；AI GIS能從多源異構(gòu)的時(shí)空數(shù)據(jù)中捕捉到動(dòng)態(tài)變化的復(fù)雜時(shí)空變化關(guān)系，增強(qiáng)了GIS模型的分析預(yù)測能力[11-12]。這些研究推動(dòng)了AI GIS技術(shù)的發(fā)展。

然而，多數(shù)研究主要聚焦某個(gè)或某些應(yīng)用場景下的GeoAI算法研究與應(yīng)用，即融合AI技術(shù)發(fā)展空間分析或空間數(shù)據(jù)處理算法，較少涉及AI GIS技術(shù)體系的研究與探索，更缺乏對 AI GIS 產(chǎn)品體系的論述。

本文先從地理智慧金字塔入手，介紹了地理智慧體系的不同層次與關(guān)注點(diǎn)，進(jìn)而構(gòu)建了AI GIS軟件技術(shù)體系，研究了該體系每個(gè)組成部分的內(nèi)涵和示例。以 SuperMap GIS 為例，闡述了 AI GIS 軟件架構(gòu)及其實(shí)現(xiàn)。最后，探討未來 AI GIS 的發(fā)展趨勢。本研究為豐富和完善 GIS 基礎(chǔ)軟件核心技術(shù)理論與技術(shù)提供了參考與支持。

2 地理智慧

AI GIS 的興起，進(jìn)一步提升了地理智慧（Geointelligence）。早在 2013 年（AI GIS 研究興起之前），作者就提出了GIS對IT的貢獻(xiàn)在于地理智慧，并明確提出把“地理智慧創(chuàng)新 IT 價(jià)值”作為發(fā)展GIS 軟件技術(shù)的宗旨?，F(xiàn)代地理智慧是指以 GIS、遙感和衛(wèi)星定位技術(shù)為基礎(chǔ)的地理空間可視化、分析、決策、設(shè)計(jì)與控制的技術(shù)總稱。一方面，GIS需要積極融入IT，成為IT的一部分，只有避免在狹小的專業(yè)圈子自縛手腳才能獲得更廣闊的發(fā)展和應(yīng)用空間；另一方面，GIS 必須要為 IT 創(chuàng)造不可替代的價(jià)值，才有持續(xù)存在和繼續(xù)發(fā)展的理由。而地理智慧正是 GIS 區(qū)別于其他信息技術(shù)的最為獨(dú)特的價(jià)值。地理智慧包括4個(gè)層次，并構(gòu)成地理智慧金字塔（圖1）。

第1層是地理可視化，指各行業(yè)基于GIS的二維和三維的可視化能力，直觀清晰地反映業(yè)務(wù)數(shù)據(jù)的空間分布格局特征。這是地理智慧中應(yīng)用最廣泛的價(jià)值，不少行業(yè)早期應(yīng)用GIS從地理可視化開始，并一度認(rèn)為這是 GIS 的核心價(jià)值，實(shí)則為最基礎(chǔ)的地理智慧體現(xiàn)。在 AI GIS 體系中，AI 結(jié)果可通過地理可視化深入挖掘數(shù)據(jù)價(jià)值。

第2層是地理決策，指以GIS空間分析算法為基礎(chǔ)，為政府、企事業(yè)單位和個(gè)人提供輔助決策支持的價(jià)值?？臻g分析是GIS的靈魂，地理決策是地理智慧核心價(jià)值之一，常見于應(yīng)用GIS相對深入的領(lǐng)域。在AI GIS體系中，各種GeoAI算法的分析結(jié)果，可作為決策依據(jù)。

第3層是地理設(shè)計(jì)，指基于地理空間位置和考慮地理環(huán)境的設(shè)計(jì)方法[13]。地理設(shè)計(jì)不僅體現(xiàn)為宏觀的規(guī)劃領(lǐng)域，當(dāng)前正越來越多應(yīng)用于相對更微觀和具體的設(shè)計(jì)領(lǐng)域。例如，傳統(tǒng)的建筑設(shè)計(jì)僅考慮被設(shè)計(jì)對象本身，地理設(shè)計(jì)則把被設(shè)計(jì)對象放入地理環(huán)境中來考慮，可以讓建筑設(shè)計(jì)在采光、視野、城市形態(tài)等方面更加優(yōu)化，與環(huán)境更協(xié)調(diào)。地理設(shè)計(jì)是在二維GIS應(yīng)用為主的前提下提出來的，在新一代三維GIS廣泛應(yīng)用的今天，有更廣闊的應(yīng)用領(lǐng)域和前景。地理設(shè)計(jì)在智慧城市等應(yīng)用領(lǐng)域與AI GIS的各方面都有聯(lián)系。

第4層是地理控制，即基于GIS的空間分析能力實(shí)現(xiàn)對環(huán)境和動(dòng)物體的智能化控制[14]。地理控制包括交通信號(hào)燈的自動(dòng)控制與優(yōu)化、無人機(jī)的航路自動(dòng)規(guī)劃與自主飛行控制、農(nóng)業(yè)與工程機(jī)械的自動(dòng)路線規(guī)劃與駕駛等，地理控制當(dāng)前的研究熱點(diǎn)是乘用車輛的自動(dòng)駕駛。地理控制常需要嵌入 AI GIS中的GeoAI算法作為底層核心能力，并通過AI增強(qiáng)的交互與控制功能完成智能化控制。

地理智慧4個(gè)層次中，自底向上復(fù)雜度越來越高，而成熟度則越來越低。地理可視化是最為基礎(chǔ)，應(yīng)用最廣泛的地理智慧，地理決策應(yīng)用也相當(dāng)普及，地理設(shè)計(jì)應(yīng)用也在快速發(fā)展和完善，地理控制則應(yīng)用較少，特別是乘用車輛自動(dòng)駕駛距離成熟應(yīng)用還需要多年時(shí)間。

GIS軟件技術(shù)不斷發(fā)展和升級(jí)，將推進(jìn)地理智慧不斷演進(jìn)和發(fā)展，過去幾年，新一代三維 GIS 技術(shù)和大數(shù)據(jù) GIS 技術(shù)的發(fā)展，都不同程度推動(dòng)了4 個(gè)層次地理智慧的進(jìn)化。而隨著人工智能的引入，地理智慧將會(huì)迎來新一輪技術(shù)的革新，必將進(jìn)一步提升地理智慧的能力，為IT創(chuàng)造更大的價(jià)值。

3 AI GIS技術(shù)體系

AI GIS技術(shù)由3部分組成，除得到廣泛研究的 AI GIS算法（即GeoAI）之外，還包括AI賦能GIS和GIS賦能AI兩部分（圖2）。

AI GIS算法是融合AI的空間數(shù)據(jù)分析與處理算法，是 AI 和 GIS 充分融合的產(chǎn)物，既屬于 AI，也屬于 GIS。AI 賦能 GIS 則是利用 AI 的能力提升GIS軟件的功能和用戶體驗(yàn)。GIS賦能AI則是GIS利用其可視化和空間分析技術(shù)，對AI算法處理其他非空間數(shù)據(jù)輸出的結(jié)果進(jìn)行可視化和進(jìn)一步空間分析的技術(shù)和應(yīng)用。

在3類AI GIS技術(shù)中，AI GIS 算法的處理對象通常是空間數(shù)據(jù)（包括各種矢量/柵格形態(tài)的經(jīng)典空間數(shù)據(jù)，和空間大數(shù)據(jù)），另外兩類通常不涉及使用AI算法處理空間數(shù)據(jù)本身。

3.1 AI GIS算法

人工智能技術(shù)誕生于1956年，但隨后相當(dāng)長時(shí)間技術(shù)沒有得到較大突破。20世紀(jì)80年代機(jī)器學(xué)習(xí)誕生后，才得以較快發(fā)展，但90年代再次進(jìn)入低谷。直到2000年機(jī)器學(xué)習(xí)中的重要分支——深度學(xué)習(xí)誕生，再次推進(jìn)人工智能的研究和應(yīng)用熱潮。由此可見，機(jī)器學(xué)習(xí)是當(dāng)前人工智能的核心，而深度學(xué)習(xí)是人工智能核心中的熱點(diǎn)研究方向。當(dāng)前AI GIS算法由基礎(chǔ)工具中AI流程工具（AI Pipeline Toolkits）與 AI GIS 算法（GeoAI）共同組成（圖 3）。其中，GeoAI 分為空間機(jī)器學(xué)習(xí)（Geospatial Machine Learning）和空間深度學(xué)習(xí)（Geospatial Deep Learning）2 部分算法，隨著 AI 本身的發(fā)展，未來也可能會(huì)產(chǎn)生新的AI GIS算法類別?；A(chǔ)工具中的AI流程工具是GeoAI算法的數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練和模型應(yīng)用整個(gè)流程的實(shí)現(xiàn)工具。

根據(jù)地理學(xué)第一定律，空間數(shù)據(jù)普遍存在距離越近越相關(guān)的特性，表現(xiàn)為空間數(shù)據(jù)具有空間相關(guān)性和空間異質(zhì)性等普遍特征[15]。空間統(tǒng)計(jì)算法基于這些性質(zhì)進(jìn)行統(tǒng)計(jì)學(xué)建模，形成了空間總體特征、空間格局、空間插值、地理分布[16]4類空間統(tǒng)計(jì)學(xué)算法模型（圖4）。由于這種算法和計(jì)算模式由專家學(xué)者通過大量研究的基礎(chǔ)上構(gòu)建，先驗(yàn)知識(shí)被直接建模在空間統(tǒng)計(jì)模型中，而后被大量應(yīng)用于定量分析研究中。

3.1.1 空間機(jī)器學(xué)習(xí)

由于空間統(tǒng)計(jì)學(xué)模型構(gòu)建在一些理論假設(shè)上，數(shù)據(jù)需要服從或近似符合特定的空間分布或某種性質(zhì)，模型才能得到可信的結(jié)果。與統(tǒng)計(jì)學(xué)模型不同，機(jī)器學(xué)習(xí)是一種通用的逼近算法[17]，一般不需要數(shù)據(jù)假設(shè)?；跈C(jī)器學(xué)習(xí)的空間分析算法不需要先驗(yàn)知識(shí)，就可根據(jù)一組訓(xùn)練集學(xué)習(xí)地學(xué)系統(tǒng)的模式。

經(jīng)典的機(jī)器學(xué)習(xí)技術(shù)包括神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、K均值，DBSCAN等一系列方法，逐漸在城市治理、土地利用、生態(tài)恢復(fù)等地理生態(tài)領(lǐng)域運(yùn)用[18]。以SuperMap為例，目前已經(jīng)提供的部分空間機(jī)器學(xué)習(xí)算法包括空間聚類分析、空間分類分析和空間回歸分析3類（圖5）。

3.1.2 空間深度學(xué)習(xí)

一般的空間機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)復(fù)雜性不高，計(jì)算速度較快，多適用于各種數(shù)據(jù)表格形式的空間數(shù)據(jù)的離散或連續(xù)值的分析和預(yù)測，模型對于復(fù)雜結(jié)構(gòu)關(guān)系的學(xué)習(xí)能力較為有限。而空間深度學(xué)習(xí)則通過反向傳播算法，進(jìn)行多層次特征提取，可以學(xué)習(xí)到比一般機(jī)器學(xué)習(xí)更深層次的抽象特征，進(jìn)而發(fā)現(xiàn) 數(shù) 據(jù) 的 復(fù) 雜 模 式 [19]。 以 深 度 卷 積 神 經(jīng) 網(wǎng) 絡(luò)（CNN）為代表的深度學(xué)習(xí)在圖像分類[20]、目標(biāo)檢測[21- 23]、目標(biāo)追蹤[24- 25]、語義分割[26]和超分辨率重建[27-29]等計(jì)算機(jī)視覺任務(wù)的優(yōu)異表現(xiàn)，為地球科學(xué)領(lǐng)域的未解決的相關(guān)問題提供了新的解決思路。

深度學(xué)習(xí)能從地理空間相關(guān)數(shù)據(jù)中直接學(xué)習(xí)識(shí)別時(shí)間與空間特征，能自動(dòng)高效地構(gòu)建復(fù)雜特征，使數(shù)據(jù)驅(qū)動(dòng)的地球科學(xué)研究成為趨勢[30]，發(fā)展成為新興的交叉學(xué)科和技術(shù)方向——空間深度學(xué)習(xí)，廣泛用于遙感圖像處理[31]、智慧城市[32]、水資源環(huán)境[33]，環(huán)境科學(xué)和公共健康[34-35]等領(lǐng)域，并在空氣質(zhì)量預(yù)測[36-38]，人流擁擠預(yù)測[39-41]，地物分類[42-45]、道路和建筑物提取[46-47]等許多研究中取得了較優(yōu)的效果。以 SuperMap 為例，目前提供的空間深度學(xué)習(xí)算法包括三維數(shù)據(jù)分析和影像分析 2 類（圖 6），隨著應(yīng)用領(lǐng)域的拓展，將不斷豐富算法的種類和數(shù)量。

3.1.3 AI流程工具

模型可重現(xiàn)問題一直是AI領(lǐng)域困擾科研界和工業(yè)界的一大問題[48-49]。一些研究成果中呈現(xiàn)了高準(zhǔn)確度GeoAI算法，但很難重現(xiàn)。其原因主要為地物的空間特征在不同地域，不同季節(jié)的表現(xiàn)并不完全相同，因此提供訓(xùn)練后的模型在地理信息領(lǐng)域并不是最佳方案，需要提供 GeoAI 算法的訓(xùn)練工具，讓應(yīng)用單位可以根據(jù)自身的數(shù)據(jù)重新訓(xùn)練模型，提高模型推理結(jié)果的成功率和準(zhǔn)確度。

根據(jù)機(jī)器學(xué)習(xí)的一般流程，結(jié)合地理空間信息的特殊情況，GeoAI 工作流程可分為數(shù)據(jù)準(zhǔn)備、模型構(gòu)建和模型應(yīng)用3個(gè)環(huán)節(jié)（圖7）。

在數(shù)據(jù)準(zhǔn)備階段，AI GIS平臺(tái)需要支持一些通用 AI 標(biāo)準(zhǔn)數(shù)據(jù)格式與 GIS 格式的轉(zhuǎn)換，提供 AI 樣本制作工具。在模型構(gòu)建階段，AI模型訓(xùn)練的超參數(shù)等元信息與GIS軟件難以集成，不同框架的模型文件格式各異，需要設(shè)計(jì)統(tǒng)一格式進(jìn)行模型和訓(xùn)練信息的統(tǒng)一。在模型發(fā)布和推理階段，GIS平臺(tái)需要統(tǒng)一的流程識(shí)別模型格式，并在 GIS 服務(wù)中部署、發(fā)布、管理等。

為解決各流程環(huán)節(jié)的相關(guān)問題，GIS（如SuperMap GIS）可提供覆蓋全流程的 AI 流程工具，包括桌面GIS、服務(wù)器端GIS、移動(dòng)端GIS等各種不同的GIS形態(tài)產(chǎn)品，以SuperMap為例進(jìn)行說明（表1）。

例如，在服務(wù)器端 GIS 中，數(shù)據(jù)科學(xué)服務(wù)提供在線交互式Python編碼方式供空間數(shù)據(jù)科學(xué)家使用，以及通過服務(wù)形式完成模型注冊、發(fā)布和應(yīng)用的機(jī)器學(xué)習(xí)服務(wù)。桌面端 GIS 提供用戶可交互操作的桌面流程工具，通過可視化交互操作的方式完成數(shù)據(jù)準(zhǔn)備、模型構(gòu)建、模型應(yīng)用的機(jī)器學(xué)習(xí)流程。組件式 GIS 則提供 Python 編碼的方式給使用者，通過腳本調(diào)用形式完成整個(gè)流程。

3.2 AI賦能GIS

融合AI的空間數(shù)據(jù)分析與處理算法研究獲得較多關(guān)注，除此之外也可以利用AI技術(shù)提升GIS軟件的智能化水平。隨著GIS的全空間化[50]、泛在化和空天地一體化的發(fā)展趨勢，空間信息的來源已經(jīng)從傳統(tǒng)的遙感測繪逐漸發(fā)展到多種多樣的形式，對GIS的數(shù)據(jù)處理能力提出挑戰(zhàn)[51]。通過深度學(xué)習(xí)等人工智能技術(shù)的非結(jié)構(gòu)化信息感知與提取能力，能夠補(bǔ)充GIS在各種場景下處理新型數(shù)據(jù)源的能力，提高 GIS 在數(shù)據(jù)獲取、處理和制圖，及與用戶交互的效率。例如，AI技術(shù)可以降低GIS數(shù)據(jù)采集和測圖成本，也可以簡化GIS制圖和軟件交互流程。本文從AI屬性采集、AI測圖、AI配圖和AI交互4個(gè)方面進(jìn)行具體介紹。

3.2.1 AI屬性采集

在城市管理執(zhí)法中，需要頻繁錄入現(xiàn)場執(zhí)法案件屬性信息。基于AI的圖像目標(biāo)檢測和分類技術(shù)可以有效提高屬性采集效率，如在違章停車案件中，可以快速識(shí)別車牌編號(hào)、車身顏色、車輛類型等信息，并自動(dòng)完成填報(bào)。其他執(zhí)法場景如暴露垃圾、亂堆物料、非法廣告、城市部件等均可以通過AI進(jìn)行識(shí)別并自動(dòng)填報(bào)（圖 8）。類似的 AI 圖像識(shí)別應(yīng)用，可以大幅減少手工錄入工作量，提高屬性采集工作效率。

3.2.2 AI測圖

GIS中的測圖技術(shù)正在逐漸從室外走向室內(nèi)，而測量精度和測量成本是室內(nèi)測圖的 2 個(gè)關(guān)鍵要素?；诩す饫走_(dá)技術(shù)的室內(nèi)測圖方式，測量精度較高但測量成本也相對較大，且整體流程較為復(fù)雜。為解決該問題，可將慣性測量單元（IMU）和計(jì)算機(jī)視覺技術(shù)相結(jié)合顯著降低室內(nèi)測圖成本。該方法首先需要獲取連續(xù)拍攝的室內(nèi)圖片，基于計(jì)算機(jī)視覺算法對連續(xù)圖片進(jìn)行特征點(diǎn)匹配，并通過特征點(diǎn)匹配結(jié)果還原真實(shí)空間位置，最后可以將位置信息通過坐標(biāo)轉(zhuǎn)換的方式映射到地圖中，實(shí)現(xiàn)整個(gè)AI測圖過程[52-53]。目前，在移動(dòng)端GIS軟件可以實(shí)現(xiàn)基于 IMU 和計(jì)算機(jī)視覺的 AI 測圖功能，用戶可以在某些應(yīng)用中用普通的手機(jī)設(shè)備部分替代較為昂貴的室內(nèi)測圖設(shè)備，降低測圖成本。

SLAM（Simultaneous Localization and Mapping）是計(jì)算機(jī)視覺室內(nèi)定位的基礎(chǔ)[54]。SLAM 最早應(yīng)用在機(jī)器人領(lǐng)域，其目標(biāo)是在沒有任何先驗(yàn)知識(shí)的情況下，根據(jù)傳感器數(shù)據(jù)實(shí)時(shí)構(gòu)建周圍環(huán)境地圖，同時(shí)根據(jù)這個(gè)地圖進(jìn)行自身定位。IMU是測量物體三軸姿態(tài)角(或角速率)以及加速度的裝置，在導(dǎo)航中有重要應(yīng)用價(jià)值。采用基于 IMU 和 SLAM融 合 的 視 覺 慣 性 系 統(tǒng)（Visual- Inertial System，VINS），可實(shí)現(xiàn)低成本的室內(nèi)AI測圖功能。圖9為基于VINS的特征點(diǎn)生成原理。

VINS是融合相機(jī)和其慣性測量單元數(shù)據(jù)實(shí)現(xiàn)即時(shí)定位和地圖構(gòu)建的算法[55]，基于空間矩陣變換原理，結(jié)合視覺校準(zhǔn)和慣性校準(zhǔn)算法，實(shí)現(xiàn)二三維地圖在真實(shí)場景中的可視化映射。具體計(jì)算過程包括：① 實(shí)時(shí)圖像獲取，攝像機(jī)坐標(biāo)系標(biāo)定；② 特征信息提取，立體匹配；③ 空間映射重建（深度感知），得到二三維地圖在空間中的實(shí)時(shí)姿態(tài)、位置、距離信息，實(shí)現(xiàn)動(dòng)態(tài)空間和高清像素分辨率的精確深度檢測與標(biāo)定；④ 設(shè)置多個(gè)控制點(diǎn)，采用測量平差的方式提高測量精度，最終完成室內(nèi)測圖。

3.2.3 AI配圖

地圖配圖是GIS的基礎(chǔ)能力，傳統(tǒng)手工配圖要對眾多地圖內(nèi)容要素反復(fù)搭配與調(diào)整，較為復(fù)雜和耗時(shí)。圖像風(fēng)格遷移是在保留目標(biāo)圖片內(nèi)容的基礎(chǔ)上，將風(fēng)格圖片的色彩構(gòu)成、色彩分布等整體風(fēng)格遷移到目標(biāo)圖片上的技術(shù)。AI配圖即基于圖像風(fēng)格遷移思想，使用機(jī)器學(xué)習(xí)算法，對輸入的圖片風(fēng)格進(jìn)行識(shí)別和學(xué)習(xí)，結(jié)合面積權(quán)重、目標(biāo)對象類型等信息，將圖像風(fēng)格遷移到目標(biāo)地圖的一種自動(dòng)化配圖的技術(shù)。桌面端GIS軟件中嵌入AI配圖功能，能快速將風(fēng)格圖片復(fù)雜的顏色風(fēng)格遷移到目標(biāo)地圖上，顯著提升GIS配圖效率和效果。

AI 配圖的主要流程（圖 10）包括：① 提取風(fēng)格圖片關(guān)鍵色，首先輸入選定的自定義地圖模板風(fēng)格圖片，基于 K-means 聚類算法提取圖片特征，得到風(fēng)格圖片中的關(guān)鍵色；② 提取當(dāng)前地圖關(guān)鍵色，主要對原始地圖進(jìn)行關(guān)鍵色提?。虎?面積排序匹配。提取關(guān)鍵色后，需要對提取的圖片關(guān)鍵色和地圖關(guān)鍵色進(jìn)行匹配，選擇面積匹配算法，按照面積權(quán)重將圖片的顏色自動(dòng)匹配至原始地圖。

3.2.4 AI交互

在GIS軟件當(dāng)中，經(jīng)常需要進(jìn)行地圖和場景的交互操作，通過交互操作對空間數(shù)據(jù)進(jìn)行查詢、瀏覽和使用?，F(xiàn)有的GIS系統(tǒng)，如SuperMap，可借助AI中的語音識(shí)別、手勢識(shí)別、人體關(guān)鍵點(diǎn)檢測等技術(shù)[56]實(shí)現(xiàn)智能化的GIS軟件交互。如圖11和圖12所示，基于手勢識(shí)別，可以對二維地圖和三維場景進(jìn)行平移、縮放、旋轉(zhuǎn)等交互操作，也可以將手勢識(shí)別擴(kuò)展為人體姿態(tài)的識(shí)別，通過對于人體動(dòng)作的關(guān)鍵點(diǎn)捕捉，識(shí)別姿態(tài)動(dòng)作進(jìn)行二三維地圖操控。

3.3 GIS賦能AI

上文主要介紹 AI 賦能 GIS 方面，應(yīng)用 AI 技術(shù)完善和提升GIS軟件功能。另一方面，面向AI計(jì)算識(shí)別結(jié)果，GIS可以利用其空間可視化和空間分析能力處理與挖掘數(shù)據(jù)價(jià)值，即GIS賦能AI。

3.3.1 空間可視化賦能AI

空間可視化技術(shù)是 GIS 的核心能力之一，GIS提供了多樣化的地圖展現(xiàn)手段，對各種應(yīng)用數(shù)據(jù)的空間分布特征和趨勢進(jìn)行有效表達(dá)。可以將屬性值匯總到行政區(qū)劃圖斑中，在地圖中展現(xiàn)不同區(qū)域的差異變化，也可以通過規(guī)則格網(wǎng)進(jìn)行屬性值聚合，發(fā)現(xiàn)高值聚集區(qū)域，或者使用熱力圖對空間整體的熱點(diǎn)分布狀況進(jìn)行直觀表達(dá)。

舉例來說，視頻與GIS的集成應(yīng)用已經(jīng)成為當(dāng)前的一個(gè)研究熱點(diǎn)，借助AI技術(shù)，可以實(shí)現(xiàn)攝像頭視頻的目標(biāo)檢測與追蹤，也可以進(jìn)行智能化的人群感知[57-60]，但如果不借助GIS，很難對遍布整個(gè)區(qū)域的視頻識(shí)別結(jié)果進(jìn)行全局展示和綜合分析。因此，可以基于空間可視化技術(shù)，將視頻識(shí)別結(jié)果在地圖中進(jìn)行熱力圖、聚合圖等多種可視化效果的展示。輔助管理人員掌握整體空間趨勢，探查空間異常情況，進(jìn)一步挖掘視頻數(shù)據(jù)的深層隱含信息。

3.3.2 空間分析賦能AI

空間可視化技術(shù)可以輔助從整體上認(rèn)識(shí)數(shù)據(jù)的分布特征，而空間分析技術(shù)可以對AI提取結(jié)果進(jìn)行深入處理與挖掘，即將空間計(jì)算過程加入到AI識(shí)別結(jié)果的進(jìn)一步分析過程當(dāng)中。例如，通過AI技術(shù)可以識(shí)別出視頻數(shù)據(jù)中的各類關(guān)鍵目標(biāo)，例如行人、機(jī)動(dòng)車、公交車等，通過建立視頻空間和真實(shí)地理空間的映射。如圖13所示，可以將公交專用車道占用這樣的應(yīng)用問題轉(zhuǎn)化為地理圍欄分析，對視頻內(nèi)目標(biāo)進(jìn)行空間關(guān)系計(jì)算，發(fā)現(xiàn)進(jìn)入公交車道的行人和機(jī)動(dòng)車等違章情況。另一方面，可以基于交通監(jiān)控?cái)z像頭的AI識(shí)別獲取目標(biāo)車輛經(jīng)過的多個(gè)位置以及相應(yīng)時(shí)間，基于這些信息，可以結(jié)合交通路網(wǎng)數(shù)據(jù)進(jìn)行GIS最佳路徑分析，還原目標(biāo)車輛的真實(shí)運(yùn)行軌跡，服務(wù)于目標(biāo)車輛的追蹤應(yīng)用。

3.4 AI GIS軟件技術(shù)體系

為了對AI GIS的3個(gè)方面進(jìn)行有力支撐，自底向上構(gòu)建了4層結(jié)構(gòu)，形成較為完整的AI GIS技術(shù)體系。如圖14所示，最底層為數(shù)據(jù)層，既包括遙感影像這樣的文件型數(shù)據(jù)，也包括關(guān)系型數(shù)據(jù)以及大數(shù)據(jù)場景下使用較多的NoSQL數(shù)據(jù)。數(shù)據(jù)層之上為AI領(lǐng)域庫，主要聚焦樣本和模型2個(gè)方面開展建設(shè)，不斷豐富各類空間數(shù)據(jù)樣本和模型。在框架層中，需要通過合理的抽象和封裝兼容多種AI框架，既可以避免重復(fù)性研發(fā)工作，又可以高效地與最新算法和模型研究成果進(jìn)行融合。最上面的功能層即具體介紹的AI GIS三個(gè)方面。

為了保持AI GIS軟件技術(shù)體系的一致性，同時(shí)服務(wù)于多種GIS應(yīng)用場景，AI技術(shù)需要與組件GIS、桌面端 GIS、服務(wù)器 GIS 等在內(nèi)的多種形態(tài)的 GIS軟件進(jìn)行深度融合，共同構(gòu)建AI GIS產(chǎn)品體系。其中，AI GIS產(chǎn)品體系如圖15所示，產(chǎn)品體系的基礎(chǔ)為組件GIS產(chǎn)品，由于Python為AI開發(fā)主要語言，SuperMap研發(fā)了基于Python語言的組件GIS軟件iObjects Python，支持空間統(tǒng)計(jì)、空間機(jī)器學(xué)習(xí)與空間深度學(xué)習(xí)等功能。為了服務(wù)大數(shù)據(jù)場景下的AI GIS功能，在面向大數(shù)據(jù)GIS的iObjects for Spark軟件中添加了空間機(jī)器學(xué)習(xí)功能支持，使得分析過程可以充分利用集群計(jì)算資源。在桌面端 GIS 軟件中增加了機(jī)器學(xué)習(xí)模塊，用于以圖形界面操作方式構(gòu)建 AI 模型。在服務(wù)器 GIS 軟件中，SuperMap 增加了數(shù)據(jù)科學(xué)服務(wù)（Data Science Service），通過在線交互開發(fā)方式構(gòu)建 AI 模型，以及機(jī)器學(xué)習(xí)服務(wù)（Machine Learning Service），用于將構(gòu)建出的AI模型進(jìn)行注冊發(fā)布，支撐Web服務(wù)化的模型推理。

4 結(jié)論和展望

作為新一代 GIS軟件技術(shù)體系的重要組成，AI GIS通過融合AI的空間數(shù)據(jù)分析與處理算法、AI賦能 GIS 和 GIS 賦能 AI，改變了傳統(tǒng) GIS 軟件處理和分析的方式。利用 AI GIS 完善發(fā)展新一代 GIS 技術(shù)體系是解決當(dāng)前GIS系統(tǒng)智能化問題的有效方法。

目前，AI GIS 初步實(shí)現(xiàn)了遙感圖像、視頻等地理信息的二維視覺提取。隨著計(jì)算機(jī)視覺和全空間 GIS 技術(shù)的發(fā)展，地理控制、視覺導(dǎo)航定位中的深度圖、點(diǎn)云等三維環(huán)境結(jié)構(gòu)感知變得越來越重要，結(jié)合三維計(jì)算機(jī)視覺的智能提取將是AI GIS 的下一步發(fā)展重點(diǎn)。

目前制圖導(dǎo)航、地物圖像識(shí)別、空間分析等方面的 AI 還屬于弱人工智能（Narrow AI），只能聚焦某種具體應(yīng)用問題，離通用人工智能（AGI）還較為遙遠(yuǎn)。AGI 研究有2種主要方式：① 從先天的類腦結(jié)構(gòu)尋找突破點(diǎn)[61]；② 以后天的訓(xùn)練學(xué)習(xí)為主。實(shí)際上，二者都能取得相似效果[62]，而互相結(jié)合[63]也是AI GIS實(shí)現(xiàn)AGI GIS的一個(gè)發(fā)展方向。

參考文獻(xiàn)(References)：

• [1] Karpatne A, Ebert- uphoff I, Ravela S, et al. Machine learning for the geosciences: Challenges and opportunities [J]. IEEE Transactions on Knowledge and Data Engineer-ing, 2019,31(8):1544-1554.
• [2] Zhu X X, Tuia D, Mou L, et al. Deep learning in remote sensing: A comprehensive review and list of resources[J]. IEEE Geoscience and Remote Sensing Magazine, 2017,5 (4):8 -36.
• [3] Zhang L P, Zhang L F, Du B. Deep learning for remote sensing data: A technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016,4 (2):22-40.
• [4] Shen C. A transdisciplinary review of deep learning research and its relevance for water resources scientists[J]. Water Resources Research, 2018,54(11):8558-8593.
• [5] Vopham T, Hart J E, Laden F, et al. Emerging trends in geospatial artificial intelligence (geoAI): Potential applications for environmental epidemiology[J]. Environmen-tal Health, 2018,17(1). DOI:10.1186/s12940-018-0386-x.
• [6] Kamel Boulos M N, Peng G, Vopham T. An overview of GeoAI applications in health and healthcare[J]. International Journal of Health Geographics, 2019,18(1). DOI: 10.1186/s12942-019-0171-2.
• [7] Helbich M, Yao Y, Liu Y, et al. Using deep learning to examine street view green and blue spaces and their associations with geriatric depression in Beijing, China[J]. Envi-ronment International, 2019,126(1):107-117.
• [8] Cresson R. A framework for remote sensing images processing using deep learning techniques[J]. IEEE Geoscience and Remote Sensing Letters, 2019,16(1):25-29.
• [9] Yan X F, Ai T H, Yang M, et al. A graph convolutional neural network for classification of building patterns using spatial vector data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019,150(1):259-273.
• [10] Comber S, Arribas-Bel D. Machine learning innovations in address matching: A practical comparison of word2vec and CRFs[J]. Transactions in GIS, 2019,23(2):334-348.
• [11] Fan J, Li Q, Hou J, et al. A spatiotemporal prediction framework for air pollution based on deep RNN[J]. Re-mote Sensing and Spatial Information Sciences, 2017,IV-4/W2(1):15-22.
• [12] Bai Y, Zeng B, Li C, et al. An ensemble long short-term memory neural network for hourly PM2.5 concentration forecasting[J]. Chemosphere, 2019,222(1):286-294.
• [13] Goodchild M F. Towards geodesign: Repurposing cartog-raphy and GIS?[J]. Cartographic Perspectives, 2010,66 (2010):7-22.
• [14] 鐘耳順.地理控制與實(shí)況地理學(xué)——關(guān)于 GIS 發(fā)展的思考[J].地球信息科學(xué)學(xué)報(bào),2013,15(6):783-792. [ Zhong E S. Geo-control and live geography: Some thoughts on the Direction of GIS[J]. Journal of Geo-information Science,
• [15] 王勁峰,葛詠,李連發(fā),等.地理學(xué)時(shí)空數(shù)據(jù)分析方法[J].地理學(xué)報(bào),2014,69(9):1326-1345. [ Wang J F, Ge Y, Li L F, et al. Spatiotemporal data analysis in geography[J]. Acta Geographica Sinica, 2014,69(9):1326-1345. ]
• [16] 王勁峰,廖一蘭,劉鑫.空間數(shù)據(jù)分析教程（第二版）[M].北京:科學(xué)出版社, 2019. [ Wang J F, Liao Y L, Liu X. Tu-torial of spatial data analysis (second edtion)[M]. Beijing: Science Press, 2019. ]
• [17] Lary D J, Alavi A H, Gandomi A H, et al. Machine learn-ing in geosciences and remote sensing[J]. Geoscience Frontiers, 2016,7(1):3-10.
• [18] 岳天祥.地球表層建模研究進(jìn)展[J].遙感學(xué)報(bào),2011,15(6): 1111- 1130. [ Yue T X. Progress in earth surface model-ing. Journal of Remote Sensing, 2011,15(6):1111-1130. ]
• [19] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015,521(7553):436-444.
• [20] Li P, Xie J, Wang Q, et al. Is second- order information helpful for large- scale visual recognition?[C]. Proceed-ings of the IEEE International Conference on Computer Vision, 2017:2089-2097.
• [21] Lin T-Y, Dollar P, Girshick R, et al. Feature pyramid Net-works for object detection[C]. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017:936- 944.
• [22] Huang J, Rathod V, Sun C, et al. Speed/Accuracy trade-offs for modern convolutional object detectors[C]. 2017 IEEE Conference on Computer Vision and Pattern Recog-nition (CVPR), 2017:3296-3297.
• [23] Chen G, Choi W, Yu X, et al. Learning efficient object de-tection models with knowledge distillation[C]. Advances in Neural Information Processing Systems, 2017:743-752.
• [24] Zhang Z, Peng H. Deeper and wider siamese networks for real- time visual tracking[C]. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019.
• [25] Bertinetto L, Valmadre J, Henriques J F, et al. Fully-con-volutional siamese networks for object tracking[C]. Euro-pean conference on computer vision, 2016:850-865.
• [26] Zhou B, Zhao H, Puig X, et al. Semantic understanding of scenes through the ADE20K dataset[J]. International Jour-nal of Computer Vision, 2019,127(3):302-321.
• [27] 呼延康,樊鑫,余樂天,等.圖神經(jīng)網(wǎng)絡(luò)回歸的人臉超分辨率重建[J].軟件學(xué)報(bào),2018,29(4):914-925. [ Hu Y K, Fan X, Yu L T, Luo Z X. Graph based neural network regres-sion strategy for facial image super-resolution[J]. Journal of Software, 2018,29(4):914-925. ].
• [28] Zhang Y, Li K, Li K, et al. Image super-resolution using very deep residual channel attention networks[C]. Pro-ceedings of the European Conference on Computer Vi-sion (ECCV), 2018:286-301.
• [29] Dai T, Cai J, Zhang Y, et al. Second-order attention net-work for single image super- resolution[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019:11065-11074.
• [30] Reichstein M, Camps- Valls G, Stevens B, et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature, 2019,566(7743):195-204.
• [31] Li S, Song W, Fang L, et al. Deep learning for hyperspec-tral image classification: An overview[J]. IEEE Transac-tions on Geoscience and Remote Sensing, 2019,57(9): 6690-6709.
• [32] Zhang S, Wu G, Costeira J P, et al. FCN- rLSTM: Deep spatio- temporal neural networks for vehicle counting in city cameras[C]. 2017 IEEE International Conference on Computer Vision (ICCV), 2017:3687-3696.
• [33] Ren H, Cromwell E, Kravitz B, et al. Using deep learning to fill spatio-temporal data gaps in hydrological monitor-ing networks[J]. Hydrology and Earth System Sciences Discussions, 2019.DOI:10.5194/hess-2019-196.
• [34] Li X, Peng L, Hu Y, et al. Deep learning architecture for air quality predictions[J]. Environmental Science and Pol-lution Research, 2016,23(22):22408-22417.
• [35] Apte J S, Messier K P, Gani S, et al. High-resolution air pollution mapping with google street view cars: Exploit-ing big data[J]. Environmental Science and Technology, 2017,51(12):6999-7008.
• [36] Qi Y, Li Q, Karimian H, et al. A hybrid model for spatio-temporal forecasting of PM2.5 based on graph convolu-tional neural network and long short-term memory[J]. Sci-ence of the Total Environment, 2019,664(1):1-10.
• [37] Wang J, Song G. A deep spatial-temporal ensemble model for air quality prediction[J]. Neurocomputing, 2018,314 (1):198-206.
• [38] Zhou Y, Chang F J, Chang L C, et al. Explore a deep learning multi- output neural network for regional multi-step-ahead air quality forecasts[J]. Journal of Cleaner Pro-duction, 2019,209(1):134-145.
• [39] Huang C, Zhang C, Zhao J, et al. MiST: A multiview and multimodal spatial-temporal learning framework for city-wide abnormal event forecasting[C]. The World Wide Web Conference on WWW ’19, 2019:717-728.
• [40] Zhang J B, Zheng Y, Qi D K, et al. Predicting citywidecrowd flows using deep spatio-temporal residual networks [J]. Artificial Intelligence, 2018,259(1):147-166.
• [41] Li Y G, Yu R, Shahabi C, et al. Diffusion convolutional re-current neural network: Data- driven traffic forecasting [C]. International conference on learning representations (ICLR ’18), 2018:1-16.
• [42] Rakhlin A, Davydow A, Nikolenko S. Land cover classifi-cation from satellite imagery with U-Net and lovász-Soft-max loss. 2018 IEEE/CVF conference on computer vi-sion and pattern recognition workshops (CVPRW): IEEE, 2018:257-2574.
• [43] Kuo T S, Tseng K S, Yan J W, et al. Deep aggregation Net for land cover classification. The IEEE conference on computer vision and pPattern recognition (CVPR), 2018:252- 256.
• [44] Davydow A, Nikolenko S. Land cover classification with superpixels and jaccard index post-optimization[C]. 2018 IEEE/CVF conference on computer vision and pattern recognition workshops (CVPRW), 2018:280-2804.
• [45] Ma L, Li M, Ma X, et al. A review of supervised object-based land- cover image classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017,130(1):277- 293.
• [46] Zhou L, Zhang C, Wu M. D-LinkNet: LinkNet with pre-trained encoder and dilated convolution for high resolu-tion satellite imagery road extraction[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2018:1922-1924.
• [47] Ghosh A, Ehrlich M, Shah S, et al. Stacked U- Nets for ground material segmentation in remote sensing imagery [C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 2018:252-2524.
• [48] Olorisade B K, Brereton P, Andras P. Reproducibility in machine learning- based studies: An example from text mining[C]. ICML Reproducibility in ML Workshop, 2017:471-486.
• [49] Hutson M. Artificial intelligence faces reproducibility cri-sis[J]. Science, 2018,359(6377):725-726.
• [50] 周成虎.全空間地理信息系統(tǒng)展望[J].地理科學(xué)進(jìn)展, 2015,34(2):129-131. [ Zhou C H. Prospects on pan-spa-tial information system[J]. Progress in geography, 2015, 34(2):129-131. ]
• [51] 龔健雅.人工智能時(shí)代測繪遙感技術(shù)的發(fā)展機(jī)遇與挑戰(zhàn)[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版,2018,43(12):1788-1788.[ Gong J Y. Chances and challenges for development ofsurveying and remote sensing in the age of artificial intel-ligence[J]. Geomatics and Information Science of Wuhan University, 2018,43(12):1788-1796. ]
• [52] Qayyum U, Ahsan Q, Mahmood Z. IMU aided RGB- D SLAM[C]. 2017 14th International bhurban conference on applied sciences and technology (IBCAST), 2017:337-341.
• [53] Vosselman G. Design of an indoor mapping system using three 2D laser scanners and 6 DOF SLAM[J]. ISPRS An-nals of Photogrammetry, Remote Sensing and Spatial In-formation Sciences, 2014,II-3(9):173-179.
• [54] Younes G, Asmar D, Shammas, et al. Keyframe- based monocular SLAM: Design, survey, and future directions [J]. Robotics and Autonomous Systems, 2017,98(1):67-88.
• [55] Huang G. Visual- Inertial Navigation: A concise review [C]. 2019 International Conference on Robotics and Auto-mation (ICRA), 2019:9572-9582.
• [56] Tombari F, Salti S, Di stefano L. Performance evaluation of 3D keypoint detectors[J]. International Journal of Com-puter Vision, 2013,102(1):198-220.
• [57] 孔云峰.地理視頻數(shù)據(jù)模型設(shè)計(jì)及網(wǎng)絡(luò)視頻GIS 實(shí)現(xiàn)[J].武漢大學(xué)學(xué)報(bào): 信息科學(xué)版,2010,35(2):133-137. [ Kong Y F. Design of Geovideo data model and implementation of web- based videoGIS[J]. Geomatics and InformationScience of Wuhan University, 2010,35(2):133-137. ]
• [58] 張興國,劉學(xué)軍,王思寧,等.監(jiān)控視頻與2D地理空間數(shù)據(jù)互映射[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2015,40(8):1130-1136. [ Zhang X G, Liu X J, Wang S N, Liu Y. Mutual mapping between surveillance video and 2D geospatial data[J]. Geomatics and Information Science of Wuhan University, 2015,40(8):1130-1136. ]
• [59] Lewis P, Fotheringham S, Winstanley A. Spatial video and GIS[J]. International Journal of Geographical Infor-mation Science, 2011,25(5):697-716.
• [60] Milosavljević A, Dimitrijević A, Rančić D. GIS-augment-ed video surveillance[J]. International Journal of Geo-graphical Information Science, 2010,24(9):1415-1433.
• [61] Zador A M. A critique of pure learning and what artificial neural networks can learn from animal brains[J]. Nature Communications, 2019,10(1):3770.
• [62] Banino A, Barry C, Uria B, et al. Vector-based navigation using grid-like representations in artificial agents[J]. Na-ture, 2018,557(7705):429-433.
• [63] Pei J, Deng L, Song S, et al. Towards artificial general in-telligence with hybrid Tianjic chip architecture[J]. Na-ture, 2019,572(7767):106-111.