人工智能GIS軟件技術體系初探

• 摘要:作為人工智能的代表性技術，深度學習已經成為大數據等各個領域中最具有突破性發展的新技術。深度學習的成功主要得益于其新穎的數據驅動的特征表示學習能力，這種能力成功地替代了傳統建模中基于領域知識人為設計特征的方式。在這些技術推動下，人工智能技術在新一代 GIS 基礎軟件技術的研究與應用中發揮著極為重要的作用，而現有人工智能 GIS （AI GIS）技術研究整體仍處于初步探索階段，距離成熟階段尚有較大距離。
  關鍵詞: 人工智能,GIS軟件技術,地理智慧,AI GIS技術體系,空間深度學習,空間機器學習,AI流程工具
• 1 引言
  ???????在日益增長的應用需求牽引和日新月異的信息技術推動下，GIS軟件技術體系也正日益豐富和完善，其中，人工智能GIS（AI GIS）技術是當前重要的研究方向。AI GIS是指將AI技術與各種GIS功能進行有機結合，包括融合AI技術的空間分析或空間數據處理算法（即 GeoAI）以及 AI 與 GIS 的相互賦能的一系列技術的總稱。AI GIS近年來逐漸成為地學科研與應用的主要熱點[1]，越來越多的學者分別從不同專業應用角度探討AI GIS技術，在遙感圖像處理[2-3]、水資源研究[4]、空間流行病學[5]、環境健康領域[6]等方面的應用，并取得了很好的成果。已有研究表明，AI GIS擴展了傳統GIS的數據處理能力，能高效地識別和分析街景、遙感和航拍圖像、文本等非結構化數據中的地理信息[7-10]；AI GIS能從多源異構的時空數據中捕捉到動態變化的復雜時空變化關系，增強了GIS模型的分析預測能力[11-12]。這些研究推動了AI GIS技術的發展。
  然而，多數研究主要聚焦某個或某些應用場景下的GeoAI算法研究與應用，即融合AI技術發展空間分析或空間數據處理算法，較少涉及AI GIS技術體系的研究與探索，更缺乏對 AI GIS 產品體系的論述。
  ???????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注點，進而構建了AI GIS軟件技術體系，研究了該體系每個組成部分的內涵和示例。以 SuperMap GIS 為例，闡述了 AI GIS 軟件架構及其實現。最后，探討未來 AI GIS 的發展趨勢。本研究為豐富和完善 GIS 基礎軟件核心技術理論與技術提供了參考與支持。
• 2 地理智慧
  ???????AI GIS 的興起，進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的貢獻在于地理智慧，并明確提出把“地理智慧創新 IT 價值”作為發展GIS 軟件技術的宗旨。現代地理智慧是指以 GIS、遙感和衛星定位技術為基礎的地理空間可視化、分析、決策、設計與控制的技術總稱。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圈子自縛手腳才能獲得更廣闊的發展和應用空間；另一方面，GIS 必須要為 IT 創造不可替代的價值，才有持續存在和繼續發展的理由。而地理智慧正是 GIS 區別于其他信息技術的最為獨特的價值。地理智慧包括4個層次，并構成地理智慧金字塔（圖1）。
  

???????第1層是地理可視化，指各行業基于GIS的二維和三維的可視化能力，直觀清晰地反映業務數據的空間分布格局特征。這是地理智慧中應用最廣泛的價值，不少行業早期應用GIS從地理可視化開始，并一度認為這是 GIS 的核心價值，實則為最基礎的地理智慧體現。在 AI GIS 體系中，AI 結果可通過地理可視化深入挖掘數據價值。
???????第2層是地理決策，指以GIS空間分析算法為基礎，為政府、企事業單位和個人提供輔助決策支持的價值。空間分析是GIS的靈魂，地理決策是地理智慧核心價值之一，常見于應用GIS相對深入的領域。在AI GIS體系中，各種GeoAI算法的分析結果，可作為決策依據。
???????第3層是地理設計，指基于地理空間位置和考慮地理環境的設計方法[13]。地理設計不僅體現為宏觀的規劃領域，當前正越來越多應用于相對更微觀和具體的設計領域。例如，傳統的建筑設計僅考慮被設計對象本身，地理設計則把被設計對象放入地理環境中來考慮，可以讓建筑設計在采光、視野、城市形態等方面更加優化，與環境更協調。地理設計是在二維GIS應用為主的前提下提出來的，在新一代三維GIS廣泛應用的今天，有更廣闊的應用領域和前景。地理設計在智慧城市等應用領域與AI GIS的各方面都有聯系。
???????第4層是地理控制，即基于GIS的空間分析能力實現對環境和動物體的智能化控制[14]。地理控制包括交通信號燈的自動控制與優化、無人機的航路自動規劃與自主飛行控制、農業與工程機械的自動路線規劃與駕駛等，地理控制當前的研究熱點是乘用車輛的自動駕駛。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增強的交互與控制功能完成智能化控制。
???????地理智慧4個層次中，自底向上復雜度越來越高，而成熟度則越來越低。地理可視化是最為基礎，應用最廣泛的地理智慧，地理決策應用也相當普及，地理設計應用也在快速發展和完善，地理控制則應用較少，特別是乘用車輛自動駕駛距離成熟應用還需要多年時間。
???????GIS軟件技術不斷發展和升級，將推進地理智慧不斷演進和發展，過去幾年，新一代三維 GIS 技術和大數據 GIS 技術的發展，都不同程度推動了4 個層次地理智慧的進化。而隨著人工智能的引入，地理智慧將會迎來新一輪技術的革新，必將進一步提升地理智慧的能力，為IT創造更大的價值。

• 3 AI GIS技術體系
  ???????AI GIS技術由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的空間數據分析與處理算法，是 AI 和 GIS 充分融合的產物，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。GIS賦能AI則是GIS利用其可視化和空間分析技術，對AI算法處理其他非空間數據輸出的結果進行可視化和進一步空間分析的技術和應用。
???????在3類AI GIS技術中，AI GIS 算法的處理對象通常是空間數據（包括各種矢量/柵格形態的經典空間數據，和空間大數據），另外兩類通常不涉及使用AI算法處理空間數據本身。

• 3.1 AI GIS算法
  ???????人工智能技術誕生于1956年，但隨后相當長時間技術沒有得到較大突破。20世紀80年代機器學習誕生后，才得以較快發展，但90年代再次進入低谷。直到2000年機器學習中的重要分支——深度學習誕生，再次推進人工智能的研究和應用熱潮。由此可見，機器學習是當前人工智能的核心，而深度學習是人工智能核心中的熱點研究方向。當前AI GIS算法由基礎工具中AI流程工具（AI Pipeline Toolkits）與 AI GIS 算法（GeoAI）共同組成（圖 3）。其中，GeoAI 分為空間機器學習（Geospatial Machine Learning）和空間深度學習（Geospatial Deep Learning）2 部分算法，隨著 AI 本身的發展，未來也可能會產生新的AI GIS算法類別。基礎工具中的AI流程工具是GeoAI算法的數據準備、模型訓練和模型應用整個流程的實現工具。
  

???????根據地理學第一定律，空間數據普遍存在距離越近越相關的特性，表現為空間數據具有空間相關性和空間異質性等普遍特征[15]。空間統計算法基于這些性質進行統計學建模，形成了空間總體特征、空間格局、空間插值、地理分布[16]4類空間統計學算法模型（圖4）。由于這種算法和計算模式由專家學者通過大量研究的基礎上構建，先驗知識被直接建模在空間統計模型中，而后被大量應用于定量分析研究中。

• 3.1.1 空間機器學習
  ???????由于空間統計學模型構建在一些理論假設上，數據需要服從或近似符合特定的空間分布或某種性質，模型才能得到可信的結果。與統計學模型不同，機器學習是一種通用的逼近算法[17]，一般不需要數據假設。基于機器學習的空間分析算法不需要先驗知識，就可根據一組訓練集學習地學系統的模式。
  ???????經典的機器學習技術包括神經網絡（ANN）、支持向量機（SVM）、隨機森林（RF）、K均值，DBSCAN等一系列方法，逐漸在城市治理、土地利用、生態恢復等地理生態領域運用[18]。以SuperMap為例，目前已經提供的部分空間機器學習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 空間深度學習
  ???????一般的空間機器學習技術實現復雜性不高，計算速度較快，多適用于各種數據表格形式的空間數據的離散或連續值的分析和預測，模型對于復雜結構關系的學習能力較為有限。而空間深度學習則通過反向傳播算法，進行多層次特征提取，可以學習到比一般機器學習更深層次的抽象特征，進而發現 數 據 的 復 雜 模 式 [19]。 以 深 度 卷 積 神 經 網 絡（CNN）為代表的深度學習在圖像分類[20]、目標檢測[21- 23]、目標追蹤[24- 25]、語義分割[26]和超分辨率重建[27-29]等計算機視覺任務的優異表現，為地球科學領域的未解決的相關問題提供了新的解決思路。
  ???????深度學習能從地理空間相關數據中直接學習識別時間與空間特征，能自動高效地構建復雜特征，使數據驅動的地球科學研究成為趨勢[30]，發展成為新興的交叉學科和技術方向——空間深度學習，廣泛用于遙感圖像處理[31]、智慧城市[32]、水資源環境[33]，環境科學和公共健康[34-35]等領域，并在空氣質量預測[36-38]，人流擁擠預測[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的效果。以 SuperMap 為例，目前提供的空間深度學習算法包括三維數據分析和影像分析 2 類（圖 6），隨著應用領域的拓展，將不斷豐富算法的種類和數量。
  

• 3.1.3 AI流程工具
  ???????模型可重現問題一直是AI領域困擾科研界和工業界的一大問題[48-49]。一些研究成果中呈現了高準確度GeoAI算法，但很難重現。其原因主要為地物的空間特征在不同地域，不同季節的表現并不完全相同，因此提供訓練后的模型在地理信息領域并不是最佳方案，需要提供 GeoAI 算法的訓練工具，讓應用單位可以根據自身的數據重新訓練模型，提高模型推理結果的成功率和準確度。
  ???????根據機器學習的一般流程，結合地理空間信息的特殊情況，GeoAI 工作流程可分為數據準備、模型構建和模型應用3個環節（圖7）。
  

???????在數據準備階段，AI GIS平臺需要支持一些通用 AI 標準數據格式與 GIS 格式的轉換，提供 AI 樣本制作工具。在模型構建階段，AI模型訓練的超參數等元信息與GIS軟件難以集成，不同框架的模型文件格式各異，需要設計統一格式進行模型和訓練信息的統一。在模型發布和推理階段，GIS平臺需要統一的流程識別模型格式，并在 GIS 服務中部署、發布、管理等。
為解決各流程環節的相關問題，GIS（如SuperMap GIS）可提供覆蓋全流程的 AI 流程工具，包括桌面GIS、服務器端GIS、移動端GIS等各種不同的GIS形態產品，以SuperMap為例進行說明（表1）。

???????例如，在服務器端 GIS 中，數據科學服務提供在線交互式Python編碼方式供空間數據科學家使用，以及通過服務形式完成模型注冊、發布和應用的機器學習服務。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據準備、模型構建、模型應用的機器學習流程。組件式 GIS 則提供 Python 編碼的方式給使用者，通過腳本調用形式完成整個流程。

• 3.2 AI賦能GIS
  ???????融合AI的空間數據分析與處理算法研究獲得較多關注，除此之外也可以利用AI技術提升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展趨勢，空間信息的來源已經從傳統的遙感測繪逐漸發展到多種多樣的形式，對GIS的數據處理能力提出挑戰[51]。通過深度學習等人工智能技術的非結構化信息感知與提取能力，能夠補充GIS在各種場景下處理新型數據源的能力，提高 GIS 在數據獲取、處理和制圖，及與用戶交互的效率。例如，AI技術可以降低GIS數據采集和測圖成本，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個方面進行具體介紹。

• 3.2.1 AI屬性采集
  ???????在城市管理執法中，需要頻繁錄入現場執法案件屬性信息。基于AI的圖像目標檢測和分類技術可以有效提高屬性采集效率，如在違章停車案件中，可以快速識別車牌編號、車身顏色、車輛類型等信息，并自動完成填報。其他執法場景如暴露垃圾、亂堆物料、非法廣告、城市部件等均可以通過AI進行識別并自動填報（圖 8）。類似的 AI 圖像識別應用，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中的測圖技術正在逐漸從室外走向室內，而測量精度和測量成本是室內測圖的 2 個關鍵要素。基于激光雷達技術的室內測圖方式，測量精度較高但測量成本也相對較大，且整體流程較為復雜。為解決該問題，可將慣性測量單元（IMU）和計算機視覺技術相結合顯著降低室內測圖成本。該方法首先需要獲取連續拍攝的室內圖片，基于計算機視覺算法對連續圖片進行特征點匹配，并通過特征點匹配結果還原真實空間位置，最后可以將位置信息通過坐標轉換的方式映射到地圖中，實現整個AI測圖過程[52-53]。目前，在移動端GIS軟件可以實現基于 IMU 和計算機視覺的 AI 測圖功能，用戶可以在某些應用中用普通的手機設備部分替代較為昂貴的室內測圖設備，降低測圖成本。
  ???????SLAM（Simultaneous Localization and Mapping）是計算機視覺室內定位的基礎[54]。SLAM 最早應用在機器人領域，其目標是在沒有任何先驗知識的情況下，根據傳感器數據實時構建周圍環境地圖，同時根據這個地圖進行自身定位。IMU是測量物體三軸姿態角(或角速率)以及加速度的裝置，在導航中有重要應用價值。采用基于 IMU 和 SLAM融 合 的 視 覺 慣 性 系 統（Visual- Inertial System，VINS），可實現低成本的室內AI測圖功能。圖9為基于VINS的特征點生成原理。
  

???????VINS是融合相機和其慣性測量單元數據實現即時定位和地圖構建的算法[55]，基于空間矩陣變換原理，結合視覺校準和慣性校準算法，實現二三維地圖在真實場景中的可視化映射。具體計算過程包括：① 實時圖像獲取，攝像機坐標系標定；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時姿態、位置、距離信息，實現動態空間和高清像素分辨率的精確深度檢測與標定；④ 設置多個控制點，采用測量平差的方式提高測量精度，最終完成室內測圖。

• 3.2.3 AI配圖
  ???????地圖配圖是GIS的基礎能力，傳統手工配圖要對眾多地圖內容要素反復搭配與調整，較為復雜和耗時。圖像風格遷移是在保留目標圖片內容的基礎上，將風格圖片的色彩構成、色彩分布等整體風格遷移到目標圖片上的技術。AI配圖即基于圖像風格遷移思想，使用機器學習算法，對輸入的圖片風格進行識別和學習，結合面積權重、目標對象類型等信息，將圖像風格遷移到目標地圖的一種自動化配圖的技術。桌面端GIS軟件中嵌入AI配圖功能，能快速將風格圖片復雜的顏色風格遷移到目標地圖上，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 提取風格圖片關鍵色，首先輸入選定的自定義地圖模板風格圖片，基于 K-means 聚類算法提取圖片特征，得到風格圖片中的關鍵色；② 提取當前地圖關鍵色，主要對原始地圖進行關鍵色提取；③ 面積排序匹配。提取關鍵色后，需要對提取的圖片關鍵色和地圖關鍵色進行匹配，選擇面積匹配算法，按照面積權重將圖片的顏色自動匹配至原始地圖。
  

• 3.2.4 AI交互
  ???????在GIS軟件當中，經常需要進行地圖和場景的交互操作，通過交互操作對空間數據進行查詢、瀏覽和使用。現有的GIS系統，如SuperMap，可借助AI中的語音識別、手勢識別、人體關鍵點檢測等技術[56]實現智能化的GIS軟件交互。如圖11和圖12所示，基于手勢識別，可以對二維地圖和三維場景進行平移、縮放、旋轉等交互操作，也可以將手勢識別擴展為人體姿態的識別，通過對于人體動作的關鍵點捕捉，識別姿態動作進行二三維地圖操控。
  
  

• 3.3 GIS賦能AI
  上文主要介紹 AI 賦能 GIS 方面，應用 AI 技術完善和提升GIS軟件功能。另一方面，面向AI計算識別結果，GIS可以利用其空間可視化和空間分析能力處理與挖掘數據價值，即GIS賦能AI。

• 3.3.1 空間可視化賦能AI
  ???????空間可視化技術是 GIS 的核心能力之一，GIS提供了多樣化的地圖展現手段，對各種應用數據的空間分布特征和趨勢進行有效表達。可以將屬性值匯總到行政區劃圖斑中，在地圖中展現不同區域的差異變化，也可以通過規則格網進行屬性值聚合，發現高值聚集區域，或者使用熱力圖對空間整體的熱點分布狀況進行直觀表達。
  ???????舉例來說，視頻與GIS的集成應用已經成為當前的一個研究熱點，借助AI技術，可以實現攝像頭視頻的目標檢測與追蹤，也可以進行智能化的人群感知[57-60]，但如果不借助GIS，很難對遍布整個區域的視頻識別結果進行全局展示和綜合分析。因此，可以基于空間可視化技術，將視頻識別結果在地圖中進行熱力圖、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，進一步挖掘視頻數據的深層隱含信息。

• 3.3.2 空間分析賦能AI
  ???????空間可視化技術可以輔助從整體上認識數據的分布特征，而空間分析技術可以對AI提取結果進行深入處理與挖掘，即將空間計算過程加入到AI識別結果的進一步分析過程當中。例如，通過AI技術可以識別出視頻數據中的各類關鍵目標，例如行人、機動車、公交車等，通過建立視頻空間和真實地理空間的映射。如圖13所示，可以將公交專用車道占用這樣的應用問題轉化為地理圍欄分析，對視頻內目標進行空間關系計算，發現進入公交車道的行人和機動車等違章情況。另一方面，可以基于交通監控攝像頭的AI識別獲取目標車輛經過的多個位置以及相應時間，基于這些信息，可以結合交通路網數據進行GIS最佳路徑分析，還原目標車輛的真實運行軌跡，服務于目標車輛的追蹤應用。
  

• 3.4 AI GIS軟件技術體系
  ???????為了對AI GIS的3個方面進行有力支撐，自底向上構建了4層結構，形成較為完整的AI GIS技術體系。如圖14所示，最底層為數據層，既包括遙感影像這樣的文件型數據，也包括關系型數據以及大數據場景下使用較多的NoSQL數據。數據層之上為AI領域庫，主要聚焦樣本和模型2個方面開展建設，不斷豐富各類空間數據樣本和模型。在框架層中，需要通過合理的抽象和封裝兼容多種AI框架，既可以避免重復性研發工作，又可以高效地與最新算法和模型研究成果進行融合。最上面的功能層即具體介紹的AI GIS三個方面。
  

???????為了保持AI GIS軟件技術體系的一致性，同時服務于多種GIS應用場景，AI技術需要與組件GIS、桌面端 GIS、服務器 GIS 等在內的多種形態的 GIS軟件進行深度融合，共同構建AI GIS產品體系。其中，AI GIS產品體系如圖15所示，產品體系的基礎為組件GIS產品，由于Python為AI開發主要語言，SuperMap研發了基于Python語言的組件GIS軟件iObjects Python，支持空間統計、空間機器學習與空間深度學習等功能。為了服務大數據場景下的AI GIS功能，在面向大數據GIS的iObjects for Spark軟件中添加了空間機器學習功能支持，使得分析過程可以充分利用集群計算資源。在桌面端 GIS 軟件中增加了機器學習模塊，用于以圖形界面操作方式構建 AI 模型。在服務器 GIS 軟件中，SuperMap 增加了數據科學服務（Data Science Service），通過在線交互開發方式構建 AI 模型，以及機器學習服務（Machine Learning Service），用于將構建出的AI模型進行注冊發布，支撐Web服務化的模型推理。

• 4 結論和展望
  ???????作為新一代 GIS軟件技術體系的重要組成，AI GIS通過融合AI的空間數據分析與處理算法、AI賦能 GIS 和 GIS 賦能 AI，改變了傳統 GIS 軟件處理和分析的方式。利用 AI GIS 完善發展新一代 GIS 技術體系是解決當前GIS系統智能化問題的有效方法。
  ???????目前，AI GIS 初步實現了遙感圖像、視頻等地理信息的二維視覺提取。隨著計算機視覺和全空間 GIS 技術的發展，地理控制、視覺導航定位中的深度圖、點云等三維環境結構感知變得越來越重要，結合三維計算機視覺的智能提取將是AI GIS 的下一步發展重點。
  ???????目前制圖導航、地物圖像識別、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用問題，離通用人工智能（AGI）還較為遙遠。AGI 研究有2種主要方式：① 從先天的類腦結構尋找突破點[61]；② 以后天的訓練學習為主。實際上，二者都能取得相似效果[62]，而互相結合[63]也是AI GIS實現AGI GIS的一個發展方向。

總結

以上是生活随笔為你收集整理的人工智能GIS软件技术体系初探的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。