人(rén)工智能GIS軟件技術體系初探

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(zài)日益增長的(de)應用需求牽引和(hé / huò)日新月異的(de)信息技術推動下，GIS軟件技術體系也(yě)正日益豐富和(hé / huò)完善，其中，人(rén)工智能GIS（AI GIS）技術是(shì)當前重要(yào / yāo)的(de)研究方向。AI GIS是(shì)指将AI技術與各種GIS功能進行有機結合，包括融合AI技術的(de)空間分析或空間數據處理算法（即 GeoAI）以(yǐ)及 AI 與 GIS 的(de)相互賦能的(de)一(yī / yì ／yí)系列技術的(de)總稱。AI GIS近年來(lái)逐漸成爲(wéi / wèi)地(dì / de)學科研與應用的(de)主要(yào / yāo)熱點[1]，越來(lái)越多的(de)學者分别從不(bù)同專業應用角度探讨AI GIS技術，在(zài)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(de)應用，并取得了(le／liǎo)很好的(de)成果。已有研究表明，AI GIS擴展了(le／liǎo)傳統GIS的(de)數據處理能力，能高效地(dì / de)識别和(hé / huò)分析街景、遙感和(hé / huò)航拍圖像、文本等非結構化數據中的(de)地(dì / de)理信息[7-10]；AI GIS能從多源異構的(de)時(shí)空數據中捕捉到(dào)動态變化的(de)複雜時(shí)空變化關系，增強了(le／liǎo)GIS模型的(de)分析預測能力[11-12]。這(zhè)些研究推動了(le／liǎo)AI GIS技術的(de)發展。

然而(ér)，多數研究主要(yào / yāo)聚焦某個(gè)或某些應用場景下的(de)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(de)研究與探索，更缺乏對 AI GIS 産品體系的(de)論述。

本文先從地(dì / de)理智慧金字塔入手，介紹了(le／liǎo)地(dì / de)理智慧體系的(de)不(bù)同層次與關注點，進而(ér)構建了(le／liǎo)AI GIS軟件技術體系，研究了(le／liǎo)該體系每個(gè)組成部分的(de)内涵和(hé / huò)示例。以(yǐ) SuperMap GIS 爲(wéi / wèi)例，闡述了(le／liǎo) AI GIS 軟件架構及其實現。最後，探讨未來(lái) AI GIS 的(de)發展趨勢。本研究爲(wéi / wèi)豐富和(hé / huò)完善 GIS 基礎軟件核心技術理論與技術提供了(le／liǎo)參考與支持。

2 地(dì / de)理智慧

AI GIS 的(de)興起，進一(yī / yì ／yí)步提升了(le／liǎo)地(dì / de)理智慧（Geointelligence）。早在(zài) 2013 年（AI GIS 研究興起之(zhī)前），作者就(jiù)提出(chū)了(le／liǎo)GIS對IT的(de)貢獻在(zài)于(yú)地(dì / de)理智慧，并明确提出(chū)把“地(dì / de)理智慧創新 IT 價值”作爲(wéi / wèi)發展GIS 軟件技術的(de)宗旨。現代地(dì / de)理智慧是(shì)指以(yǐ) GIS、遙感和(hé / huò)衛星定位技術爲(wéi / wèi)基礎的(de)地(dì / de)理空間可視化、分析、決策、設計與控制的(de)技術總稱。一(yī / yì ／yí)方面，GIS需要(yào / yāo)積極融入IT，成爲(wéi / wèi)IT的(de)一(yī / yì ／yí)部分，隻有避免在(zài)狹小的(de)專業圈子(zǐ)自縛手腳才能獲得更廣闊的(de)發展和(hé / huò)應用空間；另一(yī / yì ／yí)方面，GIS 必須要(yào / yāo)爲(wéi / wèi) IT 創造不(bù)可替代的(de)價值，才有持續存在(zài)和(hé / huò)繼續發展的(de)理由。而(ér)地(dì / de)理智慧正是(shì) GIS 區别于(yú)其他(tā)信息技術的(de)最爲(wéi / wèi)獨特的(de)價值。地(dì / de)理智慧包括4個(gè)層次，并構成地(dì / de)理智慧金字塔（圖1）。

第1層是(shì)地(dì / de)理可視化，指各行業基于(yú)GIS的(de)二維和(hé / huò)三維的(de)可視化能力，直觀清晰地(dì / de)反映業務數據的(de)空間分布格局特征。這(zhè)是(shì)地(dì / de)理智慧中應用最廣泛的(de)價值，不(bù)少行業早期應用GIS從地(dì / de)理可視化開始，并一(yī / yì ／yí)度認爲(wéi / wèi)這(zhè)是(shì) GIS 的(de)核心價值，實則爲(wéi / wèi)最基礎的(de)地(dì / de)理智慧體現。在(zài) AI GIS 體系中，AI 結果可通過地(dì / de)理可視化深入挖掘數據價值。

第2層是(shì)地(dì / de)理決策，指以(yǐ)GIS空間分析算法爲(wéi / wèi)基礎，爲(wéi / wèi)政府、企事業單位和(hé / huò)個(gè)人(rén)提供輔助決策支持的(de)價值。空間分析是(shì)GIS的(de)靈魂，地(dì / de)理決策是(shì)地(dì / de)理智慧核心價值之(zhī)一(yī / yì ／yí)，常見于(yú)應用GIS相對深入的(de)領域。在(zài)AI GIS體系中，各種GeoAI算法的(de)分析結果，可作爲(wéi / wèi)決策依據。

第3層是(shì)地(dì / de)理設計，指基于(yú)地(dì / de)理空間位置和(hé / huò)考慮地(dì / de)理環境的(de)設計方法[13]。地(dì / de)理設計不(bù)僅體現爲(wéi / wèi)宏觀的(de)規劃領域，當前正越來(lái)越多應用于(yú)相對更微觀和(hé / huò)具體的(de)設計領域。例如，傳統的(de)建築設計僅考慮被設計對象本身，地(dì / de)理設計則把被設計對象放入地(dì / de)理環境中來(lái)考慮，可以(yǐ)讓建築設計在(zài)采光、視野、城市形态等方面更加優化，與環境更協調。地(dì / de)理設計是(shì)在(zài)二維GIS應用爲(wéi / wèi)主的(de)前提下提出(chū)來(lái)的(de)，在(zài)新一(yī / yì ／yí)代三維GIS廣泛應用的(de)今天，有更廣闊的(de)應用領域和(hé / huò)前景。地(dì / de)理設計在(zài)智慧城市等應用領域與AI GIS的(de)各方面都有聯系。

第4層是(shì)地(dì / de)理控制，即基于(yú)GIS的(de)空間分析能力實現對環境和(hé / huò)動物體的(de)智能化控制[14]。地(dì / de)理控制包括交通信号燈的(de)自動控制與優化、無人(rén)機的(de)航路自動規劃與自主飛行控制、農業與工程機械的(de)自動路線規劃與駕駛等，地(dì / de)理控制當前的(de)研究熱點是(shì)乘用車輛的(de)自動駕駛。地(dì / de)理控制常需要(yào / yāo)嵌入 AI GIS中的(de)GeoAI算法作爲(wéi / wèi)底層核心能力，并通過AI增強的(de)交互與控制功能完成智能化控制。

地(dì / de)理智慧4個(gè)層次中，自底向上(shàng)複雜度越來(lái)越高，而(ér)成熟度則越來(lái)越低。地(dì / de)理可視化是(shì)最爲(wéi / wèi)基礎，應用最廣泛的(de)地(dì / de)理智慧，地(dì / de)理決策應用也(yě)相當普及，地(dì / de)理設計應用也(yě)在(zài)快速發展和(hé / huò)完善，地(dì / de)理控制則應用較少，特别是(shì)乘用車輛自動駕駛距離成熟應用還需要(yào / yāo)多年時(shí)間。

GIS軟件技術不(bù)斷發展和(hé / huò)升級，将推進地(dì / de)理智慧不(bù)斷演進和(hé / huò)發展，過去幾年，新一(yī / yì ／yí)代三維 GIS 技術和(hé / huò)大(dà)數據 GIS 技術的(de)發展，都不(bù)同程度推動了(le／liǎo)4 個(gè)層次地(dì / de)理智慧的(de)進化。而(ér)随着人(rén)工智能的(de)引入，地(dì / de)理智慧将會迎來(lái)新一(yī / yì ／yí)輪技術的(de)革新，必将進一(yī / yì ／yí)步提升地(dì / de)理智慧的(de)能力，爲(wéi / wèi)IT創造更大(dà)的(de)價值。

3 AI GIS技術體系

AI GIS技術由3部分組成，除得到(dào)廣泛研究的(de) AI GIS算法（即GeoAI）之(zhī)外，還包括AI賦能GIS和(hé / huò)GIS賦能AI兩部分（圖2）。

AI GIS算法是(shì)融合AI的(de)空間數據分析與處理算法，是(shì) AI 和(hé / huò) GIS 充分融合的(de)産物，既屬于(yú) AI，也(yě)屬于(yú) GIS。AI 賦能 GIS 則是(shì)利用 AI 的(de)能力提升GIS軟件的(de)功能和(hé / huò)用戶體驗。GIS賦能AI則是(shì)GIS利用其可視化和(hé / huò)空間分析技術，對AI算法處理其他(tā)非空間數據輸出(chū)的(de)結果進行可視化和(hé / huò)進一(yī / yì ／yí)步空間分析的(de)技術和(hé / huò)應用。

在(zài)3類AI GIS技術中，AI GIS 算法的(de)處理對象通常是(shì)空間數據（包括各種矢量/栅格形态的(de)經典空間數據，和(hé / huò)空間大(dà)數據），另外兩類通常不(bù)涉及使用AI算法處理空間數據本身。

3.1 AI GIS算法

人(rén)工智能技術誕生于(yú)1956年，但随後相當長時(shí)間技術沒有得到(dào)較大(dà)突破。20世紀80年代機器學習誕生後，才得以(yǐ)較快發展，但90年代再次進入低谷。直到(dào)2000年機器學習中的(de)重要(yào / yāo)分支——深度學習誕生，再次推進人(rén)工智能的(de)研究和(hé / huò)應用熱潮。由此可見，機器學習是(shì)當前人(rén)工智能的(de)核心，而(ér)深度學習是(shì)人(rén)工智能核心中的(de)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 分爲(wéi / wèi)空間機器學習（Geospatial Machine Learning）和(hé / huò)空間深度學習（Geospatial Deep Learning）2 部分算法，随着 AI 本身的(de)發展，未來(lái)也(yě)可能會産生新的(de)AI GIS算法類别。基礎工具中的(de)AI流程工具是(shì)GeoAI算法的(de)數據準備、模型訓練和(hé / huò)模型應用整個(gè)流程的(de)實現工具。

根據地(dì / de)理學第一(yī / yì ／yí)定律，空間數據普遍存在(zài)距離越近越相關的(de)特性，表現爲(wéi / wèi)空間數據具有空間相關性和(hé / huò)空間異質性等普遍特征[15]。空間統計算法基于(yú)這(zhè)些性質進行統計學建模，形成了(le／liǎo)空間總體特征、空間格局、空間插值、地(dì / de)理分布[16]4類空間統計學算法模型（圖4）。由于(yú)這(zhè)種算法和(hé / huò)計算模式由專家學者通過大(dà)量研究的(de)基礎上(shàng)構建，先驗知識被直接建模在(zài)空間統計模型中，而(ér)後被大(dà)量應用于(yú)定量分析研究中。

3.1.1 空間機器學習

由于(yú)空間統計學模型構建在(zài)一(yī / yì ／yí)些理論假設上(shàng)，數據需要(yào / yāo)服從或近似符合特定的(de)空間分布或某種性質，模型才能得到(dào)可信的(de)結果。與統計學模型不(bù)同，機器學習是(shì)一(yī / yì ／yí)種通用的(de)逼近算法[17]，一(yī / yì ／yí)般不(bù)需要(yào / yāo)數據假設。基于(yú)機器學習的(de)空間分析算法不(bù)需要(yào / yāo)先驗知識，就(jiù)可根據一(yī / yì ／yí)組訓練集學習地(dì / de)學系統的(de)模式。

經典的(de)機器學習技術包括神經網絡（ANN）、支持向量機（SVM）、随機森林（RF）、K均值，DBSCAN等一(yī / yì ／yí)系列方法，逐漸在(zài)城市治理、土地(dì / de)利用、生态恢複等地(dì / de)理生态領域運用[18]。以(yǐ)SuperMap爲(wéi / wèi)例，目前已經提供的(de)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(hé / huò)空間回歸分析3類（圖5）。

3.1.2 空間深度學習

一(yī / yì ／yí)般的(de)空間機器學習技術實現複雜性不(bù)高，計算速度較快，多适用于(yú)各種數據表格形式的(de)空間數據的(de)離散或連續值的(de)分析和(hé / huò)預測，模型對于(yú)複雜結構關系的(de)學習能力較爲(wéi / wèi)有限。而(ér)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(yǐ)學習到(dào)比一(yī / yì ／yí)般機器學習更深層次的(de)抽象特征，進而(ér)發現 數 據 的(de) 複 雜 模 式 [19]。 以(yǐ) 深 度 卷 積 神 經 網 絡（CNN）爲(wéi / wèi)代表的(de)深度學習在(zài)圖像分類[20]、目标檢測[21- 23]、目标追蹤[24- 25]、語義分割[26]和(hé / huò)超分辨率重建[27-29]等計算機視覺任務的(de)優異表現，爲(wéi / wèi)地(dì / de)球科學領域的(de)未解決的(de)相關問題提供了(le／liǎo)新的(de)解決思路。

深度學習能從地(dì / de)理空間相關數據中直接學習識别時(shí)間與空間特征，能自動高效地(dì / de)構建複雜特征，使數據驅動的(de)地(dì / de)球科學研究成爲(wéi / wèi)趨勢[30]，發展成爲(wéi / wèi)新興的(de)交叉學科和(hé / huò)技術方向——空間深度學習，廣泛用于(yú)遙感圖像處理[31]、智慧城市[32]、水資源環境[33]，環境科學和(hé / huò)公共健康[34-35]等領域，并在(zài)空氣質量預測[36-38]，人(rén)流擁擠預測[39-41]，地(dì / de)物分類[42-45]、道(dào)路和(hé / huò)建築物提取[46-47]等許多研究中取得了(le／liǎo)較優的(de)效果。以(yǐ) SuperMap 爲(wéi / wèi)例，目前提供的(de)空間深度學習算法包括三維數據分析和(hé / huò)影像分析 2 類（圖 6），随着應用領域的(de)拓展，将不(bù)斷豐富算法的(de)種類和(hé / huò)數量。

3.1.3 AI流程工具

模型可重現問題一(yī / yì ／yí)直是(shì)AI領域困擾科研界和(hé / huò)工業界的(de)一(yī / yì ／yí)大(dà)問題[48-49]。一(yī / yì ／yí)些研究成果中呈現了(le／liǎo)高準确度GeoAI算法，但很難重現。其原因主要(yào / yāo)爲(wéi / wèi)地(dì / de)物的(de)空間特征在(zài)不(bù)同地(dì / de)域，不(bù)同季節的(de)表現并不(bù)完全相同，因此提供訓練後的(de)模型在(zài)地(dì / de)理信息領域并不(bù)是(shì)最佳方案，需要(yào / yāo)提供 GeoAI 算法的(de)訓練工具，讓應用單位可以(yǐ)根據自身的(de)數據重新訓練模型，提高模型推理結果的(de)成功率和(hé / huò)準确度。

根據機器學習的(de)一(yī / yì ／yí)般流程，結合地(dì / de)理空間信息的(de)特殊情況，GeoAI 工作流程可分爲(wéi / wèi)數據準備、模型構建和(hé / huò)模型應用3個(gè)環節（圖7）。

在(zài)數據準備階段，AI GIS平台需要(yào / yāo)支持一(yī / yì ／yí)些通用 AI 标準數據格式與 GIS 格式的(de)轉換，提供 AI 樣本制作工具。在(zài)模型構建階段，AI模型訓練的(de)超參數等元信息與GIS軟件難以(yǐ)集成，不(bù)同框架的(de)模型文件格式各異，需要(yào / yāo)設計統一(yī / yì ／yí)格式進行模型和(hé / huò)訓練信息的(de)統一(yī / yì ／yí)。在(zài)模型發布和(hé / huò)推理階段，GIS平台需要(yào / yāo)統一(yī / yì ／yí)的(de)流程識别模型格式，并在(zài) GIS 服務中部署、發布、管理等。

爲(wéi / wèi)解決各流程環節的(de)相關問題，GIS（如SuperMap GIS）可提供覆蓋全流程的(de) AI 流程工具，包括桌面GIS、服務器端GIS、移動端GIS等各種不(bù)同的(de)GIS形态産品，以(yǐ)SuperMap爲(wéi / wèi)例進行說(shuō)明（表1）。

例如，在(zài)服務器端 GIS 中，數據科學服務提供在(zài)線交互式Python編碼方式供空間數據科學家使用，以(yǐ)及通過服務形式完成模型注冊、發布和(hé / huò)應用的(de)機器學習服務。桌面端 GIS 提供用戶可交互操作的(de)桌面流程工具，通過可視化交互操作的(de)方式完成數據準備、模型構建、模型應用的(de)機器學習流程。組件式 GIS 則提供 Python 編碼的(de)方式給使用者，通過腳本調用形式完成整個(gè)流程。

3.2 AI賦能GIS

融合AI的(de)空間數據分析與處理算法研究獲得較多關注，除此之(zhī)外也(yě)可以(yǐ)利用AI技術提升GIS軟件的(de)智能化水平。随着GIS的(de)全空間化[50]、泛在(zài)化和(hé / huò)空天地(dì / de)一(yī / yì ／yí)體化的(de)發展趨勢，空間信息的(de)來(lái)源已經從傳統的(de)遙感測繪逐漸發展到(dào)多種多樣的(de)形式，對GIS的(de)數據處理能力提出(chū)挑戰[51]。通過深度學習等人(rén)工智能技術的(de)非結構化信息感知與提取能力，能夠補充GIS在(zài)各種場景下處理新型數據源的(de)能力，提高 GIS 在(zài)數據獲取、處理和(hé / huò)制圖，及與用戶交互的(de)效率。例如，AI技術可以(yǐ)降低GIS數據采集和(hé / huò)測圖成本，也(yě)可以(yǐ)簡化GIS制圖和(hé / huò)軟件交互流程。本文從AI屬性采集、AI測圖、AI配圖和(hé / huò)AI交互4個(gè)方面進行具體介紹。

3.2.1 AI屬性采集

在(zài)城市管理執法中，需要(yào / yāo)頻繁錄入現場執法案件屬性信息。基于(yú)AI的(de)圖像目标檢測和(hé / huò)分類技術可以(yǐ)有效提高屬性采集效率，如在(zài)違章停車案件中，可以(yǐ)快速識别車牌編号、車身顔色、車輛類型等信息，并自動完成填報。其他(tā)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(yǐ)通過AI進行識别并自動填報（圖 8）。類似的(de) AI 圖像識别應用，可以(yǐ)大(dà)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(de)測圖技術正在(zài)逐漸從室外走向室内，而(ér)測量精度和(hé / huò)測量成本是(shì)室内測圖的(de) 2 個(gè)關鍵要(yào / yāo)素。基于(yú)激光雷達技術的(de)室内測圖方式，測量精度較高但測量成本也(yě)相對較大(dà)，且整體流程較爲(wéi / wèi)複雜。爲(wéi / wèi)解決該問題，可将慣性測量單元（IMU）和(hé / huò)計算機視覺技術相結合顯著降低室内測圖成本。該方法首先需要(yào / yāo)獲取連續拍攝的(de)室内圖片，基于(yú)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，最後可以(yǐ)将位置信息通過坐标轉換的(de)方式映射到(dào)地(dì / de)圖中，實現整個(gè)AI測圖過程[52-53]。目前，在(zài)移動端GIS軟件可以(yǐ)實現基于(yú) IMU 和(hé / huò)計算機視覺的(de) AI 測圖功能，用戶可以(yǐ)在(zài)某些應用中用普通的(de)手機設備部分替代較爲(wéi / wèi)昂貴的(de)室内測圖設備，降低測圖成本。

SLAM（Simultaneous Localization and Mapping）是(shì)計算機視覺室内定位的(de)基礎[54]。SLAM 最早應用在(zài)機器人(rén)領域，其目标是(shì)在(zài)沒有任何先驗知識的(de)情況下，根據傳感器數據實時(shí)構建周圍環境地(dì / de)圖，同時(shí)根據這(zhè)個(gè)地(dì / de)圖進行自身定位。IMU是(shì)測量物體三軸姿态角(或角速率)以(yǐ)及加速度的(de)裝置，在(zài)導航中有重要(yào / yāo)應用價值。采用基于(yú) IMU 和(hé / huò) SLAM融 合 的(de) 視 覺 慣 性 系 統（Visual- Inertial System，VINS），可實現低成本的(de)室内AI測圖功能。圖9爲(wéi / wèi)基于(yú)VINS的(de)特征點生成原理。

VINS是(shì)融合相機和(hé / huò)其慣性測量單元數據實現即時(shí)定位和(hé / huò)地(dì / de)圖構建的(de)算法[55]，基于(yú)空間矩陣變換原理，結合視覺校準和(hé / huò)慣性校準算法，實現二三維地(dì / de)圖在(zài)真實場景中的(de)可視化映射。具體計算過程包括：① 實時(shí)圖像獲取，攝像機坐标系标定；② 特征信息提取，立體匹配；③ 空間映射重建（深度感知），得到(dào)二三維地(dì / de)圖在(zài)空間中的(de)實時(shí)姿态、位置、距離信息，實現動态空間和(hé / huò)高清像素分辨率的(de)精确深度檢測與标定；④ 設置多個(gè)控制點，采用測量平差的(de)方式提高測量精度，最終完成室内測圖。

3.2.3 AI配圖

地(dì / de)圖配圖是(shì)GIS的(de)基礎能力，傳統手工配圖要(yào / yāo)對衆多地(dì / de)圖内容要(yào / yāo)素反複搭配與調整，較爲(wéi / wèi)複雜和(hé / huò)耗時(shí)。圖像風格遷移是(shì)在(zài)保留目标圖片内容的(de)基礎上(shàng)，将風格圖片的(de)色彩構成、色彩分布等整體風格遷移到(dào)目标圖片上(shàng)的(de)技術。AI配圖即基于(yú)圖像風格遷移思想，使用機器學習算法，對輸入的(de)圖片風格進行識别和(hé / huò)學習，結合面積權重、目标對象類型等信息，将圖像風格遷移到(dào)目标地(dì / de)圖的(de)一(yī / yì ／yí)種自動化配圖的(de)技術。桌面端GIS軟件中嵌入AI配圖功能，能快速将風格圖片複雜的(de)顔色風格遷移到(dào)目标地(dì / de)圖上(shàng)，顯著提升GIS配圖效率和(hé / huò)效果。

AI 配圖的(de)主要(yào / yāo)流程（圖 10）包括：① 提取風格圖片關鍵色，首先輸入選定的(de)自定義地(dì / de)圖模闆風格圖片，基于(yú) K-means 聚類算法提取圖片特征，得到(dào)風格圖片中的(de)關鍵色；② 提取當前地(dì / de)圖關鍵色，主要(yào / yāo)對原始地(dì / de)圖進行關鍵色提取；③ 面積排序匹配。提取關鍵色後，需要(yào / yāo)對提取的(de)圖片關鍵色和(hé / huò)地(dì / de)圖關鍵色進行匹配，選擇面積匹配算法，按照面積權重将圖片的(de)顔色自動匹配至原始地(dì / de)圖。

3.2.4 AI交互

在(zài)GIS軟件當中，經常需要(yào / yāo)進行地(dì / de)圖和(hé / huò)場景的(de)交互操作，通過交互操作對空間數據進行查詢、浏覽和(hé / huò)使用。現有的(de)GIS系統，如SuperMap，可借助AI中的(de)語音識别、手勢識别、人(rén)體關鍵點檢測等技術[56]實現智能化的(de)GIS軟件交互。如圖11和(hé / huò)圖12所示，基于(yú)手勢識别，可以(yǐ)對二維地(dì / de)圖和(hé / huò)三維場景進行平移、縮放、旋轉等交互操作，也(yě)可以(yǐ)将手勢識别擴展爲(wéi / wèi)人(rén)體姿态的(de)識别，通過對于(yú)人(rén)體動作的(de)關鍵點捕捉，識别姿态動作進行二三維地(dì / de)圖操控。

3.3 GIS賦能AI

上(shàng)文主要(yào / yāo)介紹 AI 賦能 GIS 方面，應用 AI 技術完善和(hé / huò)提升GIS軟件功能。另一(yī / yì ／yí)方面，面向AI計算識别結果，GIS可以(yǐ)利用其空間可視化和(hé / huò)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(shì) GIS 的(de)核心能力之(zhī)一(yī / yì ／yí)，GIS提供了(le／liǎo)多樣化的(de)地(dì / de)圖展現手段，對各種應用數據的(de)空間分布特征和(hé / huò)趨勢進行有效表達。可以(yǐ)将屬性值彙總到(dào)行政區劃圖斑中，在(zài)地(dì / de)圖中展現不(bù)同區域的(de)差異變化，也(yě)可以(yǐ)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(de)熱點分布狀況進行直觀表達。

舉例來(lái)說(shuō)，視頻與GIS的(de)集成應用已經成爲(wéi / wèi)當前的(de)一(yī / yì ／yí)個(gè)研究熱點，借助AI技術，可以(yǐ)實現攝像頭視頻的(de)目标檢測與追蹤，也(yě)可以(yǐ)進行智能化的(de)人(rén)群感知[57-60]，但如果不(bù)借助GIS，很難對遍布整個(gè)區域的(de)視頻識别結果進行全局展示和(hé / huò)綜合分析。因此，可以(yǐ)基于(yú)空間可視化技術，将視頻識别結果在(zài)地(dì / de)圖中進行熱力圖、聚合圖等多種可視化效果的(de)展示。輔助管理人(rén)員掌握整體空間趨勢，探查空間異常情況，進一(yī / yì ／yí)步挖掘視頻數據的(de)深層隐含信息。

3.3.2 空間分析賦能AI

空間可視化技術可以(yǐ)輔助從整體上(shàng)認識數據的(de)分布特征，而(ér)空間分析技術可以(yǐ)對AI提取結果進行深入處理與挖掘，即将空間計算過程加入到(dào)AI識别結果的(de)進一(yī / yì ／yí)步分析過程當中。例如，通過AI技術可以(yǐ)識别出(chū)視頻數據中的(de)各類關鍵目标，例如行人(rén)、機動車、公交車等，通過建立視頻空間和(hé / huò)真實地(dì / de)理空間的(de)映射。如圖13所示，可以(yǐ)将公交專用車道(dào)占用這(zhè)樣的(de)應用問題轉化爲(wéi / wèi)地(dì / de)理圍欄分析，對視頻内目标進行空間關系計算，發現進入公交車道(dào)的(de)行人(rén)和(hé / huò)機動車等違章情況。另一(yī / yì ／yí)方面，可以(yǐ)基于(yú)交通監控攝像頭的(de)AI識别獲取目标車輛經過的(de)多個(gè)位置以(yǐ)及相應時(shí)間，基于(yú)這(zhè)些信息，可以(yǐ)結合交通路網數據進行GIS最佳路徑分析，還原目标車輛的(de)真實運行軌迹，服務于(yú)目标車輛的(de)追蹤應用。

3.4 AI GIS軟件技術體系

爲(wéi / wèi)了(le／liǎo)對AI GIS的(de)3個(gè)方面進行有力支撐，自底向上(shàng)構建了(le／liǎo)4層結構，形成較爲(wéi / wèi)完整的(de)AI GIS技術體系。如圖14所示，最底層爲(wéi / wèi)數據層，既包括遙感影像這(zhè)樣的(de)文件型數據，也(yě)包括關系型數據以(yǐ)及大(dà)數據場景下使用較多的(de)NoSQL數據。數據層之(zhī)上(shàng)爲(wéi / wèi)AI領域庫，主要(yào / yāo)聚焦樣本和(hé / huò)模型2個(gè)方面開展建設，不(bù)斷豐富各類空間數據樣本和(hé / huò)模型。在(zài)框架層中，需要(yào / yāo)通過合理的(de)抽象和(hé / huò)封裝兼容多種AI框架，既可以(yǐ)避免重複性研發工作，又可以(yǐ)高效地(dì / de)與最新算法和(hé / huò)模型研究成果進行融合。最上(shàng)面的(de)功能層即具體介紹的(de)AI GIS三個(gè)方面。

爲(wéi / wèi)了(le／liǎo)保持AI GIS軟件技術體系的(de)一(yī / yì ／yí)緻性，同時(shí)服務于(yú)多種GIS應用場景，AI技術需要(yào / yāo)與組件GIS、桌面端 GIS、服務器 GIS 等在(zài)内的(de)多種形态的(de) GIS軟件進行深度融合，共同構建AI GIS産品體系。其中，AI GIS産品體系如圖15所示，産品體系的(de)基礎爲(wéi / wèi)組件GIS産品，由于(yú)Python爲(wéi / wèi)AI開發主要(yào / yāo)語言，SuperMap研發了(le／liǎo)基于(yú)Python語言的(de)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。爲(wéi / wèi)了(le／liǎo)服務大(dà)數據場景下的(de)AI GIS功能，在(zài)面向大(dà)數據GIS的(de)iObjects for Spark軟件中添加了(le／liǎo)空間機器學習功能支持，使得分析過程可以(yǐ)充分利用集群計算資源。在(zài)桌面端 GIS 軟件中增加了(le／liǎo)機器學習模塊，用于(yú)以(yǐ)圖形界面操作方式構建 AI 模型。在(zài)服務器 GIS 軟件中，SuperMap 增加了(le／liǎo)數據科學服務（Data Science Service），通過在(zài)線交互開發方式構建 AI 模型，以(yǐ)及機器學習服務（Machine Learning Service），用于(yú)将構建出(chū)的(de)AI模型進行注冊發布，支撐Web服務化的(de)模型推理。

4 結論和(hé / huò)展望

作爲(wéi / wèi)新一(yī / yì ／yí)代 GIS軟件技術體系的(de)重要(yào / yāo)組成，AI GIS通過融合AI的(de)空間數據分析與處理算法、AI賦能 GIS 和(hé / huò) GIS 賦能 AI，改變了(le／liǎo)傳統 GIS 軟件處理和(hé / huò)分析的(de)方式。利用 AI GIS 完善發展新一(yī / yì ／yí)代 GIS 技術體系是(shì)解決當前GIS系統智能化問題的(de)有效方法。

目前，AI GIS 初步實現了(le／liǎo)遙感圖像、視頻等地(dì / de)理信息的(de)二維視覺提取。随着計算機視覺和(hé / huò)全空間 GIS 技術的(de)發展，地(dì / de)理控制、視覺導航定位中的(de)深度圖、點雲等三維環境結構感知變得越來(lái)越重要(yào / yāo)，結合三維計算機視覺的(de)智能提取将是(shì)AI GIS 的(de)下一(yī / yì ／yí)步發展重點。

目前制圖導航、地(dì / de)物圖像識别、空間分析等方面的(de) AI 還屬于(yú)弱人(rén)工智能（Narrow AI），隻能聚焦某種具體應用問題，離通用人(rén)工智能（AGI）還較爲(wéi / wèi)遙遠。AGI 研究有2種主要(yào / yāo)方式：① 從先天的(de)類腦結構尋找突破點[61]；② 以(yǐ)後天的(de)訓練學習爲(wéi / wèi)主。實際上(shàng)，二者都能取得相似效果[62]，而(ér)互相結合[63]也(yě)是(shì)AI GIS實現AGI GIS的(de)一(yī / yì ／yí)個(gè)發展方向。

參考文獻(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] 鍾耳順.地(dì / de)理控制與實況地(dì / de)理學——關于(yú) GIS 發展的(de)思考[J].地(dì / de)球信息科學學報,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,等.地(dì / de)理學時(shí)空數據分析方法[J].地(dì / de)理學報,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(yī / yì ／yí)蘭,劉鑫.空間數據分析教程（第二版）[M].北京:科學出(chū)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] 嶽天祥.地(dì / de)球表層建模研究進展[J].遙感學報,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,餘樂天,等.圖神經網絡回歸的(de)人(rén)臉超分辨率重建[J].軟件學報,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(dì / de)理信息系統展望[J].地(dì / de)理科學進展, 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(rén)工智能時(shí)代測繪遙感技術的(de)發展機遇與挑戰[J].武漢大(dà)學學報·信息科學版,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] 孔雲峰.地(dì / de)理視頻數據模型設計及網絡視頻GIS 實現[J].武漢大(dà)學學報: 信息科學版,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(guó),劉學軍,王思甯,等.監控視頻與2D地(dì / de)理空間數據互映射[J].武漢大(dà)學學報(信息科學版),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.