地理空間智能研究進(jìn)展和面臨的若干挑戰(zhàn)

張永生，張振超，童曉沖，紀(jì) 松，于 英，賴廣陵

信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001

地理空間智能(geospatial artificial intelligence，GeoAI)，是指借助高性能計(jì)算工具，利用人工智能技術(shù)(尤其是機(jī)器學(xué)習(xí)、深度學(xué)習(xí))及數(shù)據(jù)挖掘方法，從地理空間專有數(shù)據(jù)和虛擬空間地理關(guān)聯(lián)泛在大數(shù)據(jù)中匯集、描述、評估地理空間物理特性和變化信息，并挖掘、測算、利用有價(jià)值信息的技術(shù)[1-2]。地理空間智能是地理空間科學(xué)(geospatial science)和人工智能(artificial intelligence)之間深度融合的交叉領(lǐng)域，其目標(biāo)是采用人工智能手段高效能地處理、分析和應(yīng)用地理空間數(shù)據(jù)，強(qiáng)力提升和充分釋放地理空間數(shù)據(jù)潛能[3]。

研究地理空間智能，既要重視對各類傳感器收集的地理空間數(shù)據(jù)進(jìn)行實(shí)時或近實(shí)時處理和綜合分析技術(shù)的智能化升級，又要面對網(wǎng)絡(luò)空間以非傳統(tǒng)方式涌現(xiàn)的地理關(guān)聯(lián)泛在大數(shù)據(jù)的智能技術(shù)接入，才能更好地服務(wù)于經(jīng)濟(jì)建設(shè)、社會發(fā)展、大眾生活的方方面面[4-6]。因此，實(shí)現(xiàn)地理空間智能技術(shù)進(jìn)步，對于驅(qū)動地理空間信息行業(yè)轉(zhuǎn)型發(fā)展具有重要意義。在國內(nèi)，2013年國家測繪地理信息局測繪發(fā)展研究中心發(fā)布的測繪地理信息藍(lán)皮書指出，到2030年建成智慧中國地理空間智能體系，在智慧城市建設(shè)的基礎(chǔ)上，以海量地理信息資源為基礎(chǔ)，以新一代互聯(lián)網(wǎng)絡(luò)為支撐，以物聯(lián)網(wǎng)、感知網(wǎng)為骨架，以云計(jì)算和大數(shù)據(jù)為血液，實(shí)現(xiàn)地理信息的集成服務(wù)和智慧化應(yīng)用[7]。國際上，2017—2019年，國際計(jì)算協(xié)會ACM舉辦人工智能用于空間數(shù)據(jù)分析及地理信息提取研討會(SIGSPATIAL)，專題探討基于人工智能的遙感影像處理、交通建模與智能分析等方面的技術(shù)方法[8-9]。2019年9月，美國能源部在橡樹嶺國家實(shí)驗(yàn)室舉辦萬億像素地理空間智能挑戰(zhàn)研討會，關(guān)注人工智能助力地理知識發(fā)現(xiàn)應(yīng)對全球性挑戰(zhàn)的重大議題，以及人工智能模型的泛化性能、地理空間數(shù)據(jù)融合、邊緣計(jì)算、硬件架構(gòu)和高性能計(jì)算等專題技術(shù)。2019年，英國國家地理空間學(xué)會在地理信息新技術(shù)報(bào)告中，將地理空間智能與無人駕駛系統(tǒng)及無人機(jī)、智能傳感器和物聯(lián)網(wǎng)一并列入地理信息技術(shù)發(fā)展的重要趨勢[10]。

近年來，地理空間智能興起的原因主要可歸納為3點(diǎn)：①地理空間數(shù)據(jù)獲取能力增強(qiáng)；②人工智能算法的高速發(fā)展和性能增強(qiáng)；③計(jì)算能力的迅速提升。在數(shù)據(jù)獲取方面，來自空、天、地的傳感器、物聯(lián)網(wǎng)終端每天都在獲取海量數(shù)據(jù)，這些數(shù)據(jù)中80%都包含關(guān)聯(lián)位置信息的地理空間數(shù)據(jù)，例如坐標(biāo)值、郵政編碼或某一地區(qū)的天氣狀況等；在算法方面，研究人員在深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)、模型訓(xùn)練中取得了重要進(jìn)展；在計(jì)算能力方面，云計(jì)算、圖形處理單元GPU等高算力加速硬件的出現(xiàn)，為處理海量地理空間數(shù)據(jù)提供了計(jì)算力支撐。

地理空間智能的技術(shù)基礎(chǔ)，主要包含地理空間科學(xué)、人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及數(shù)據(jù)挖掘等。地理空間科學(xué)，是根據(jù)地理位置來顯示、分析、理解真實(shí)世界現(xiàn)象和規(guī)律的學(xué)科；地理空間科學(xué)利用地理信息系統(tǒng)和遙感技術(shù)處理及組織空間數(shù)據(jù)，從大數(shù)據(jù)中分析空間模式[11]。人工智能是通過機(jī)器來感知客觀世界，實(shí)現(xiàn)信息獲取過程的自動化。機(jī)器學(xué)習(xí)是人工智能的子集，指計(jì)算機(jī)從原始數(shù)據(jù)中獲取知識，提取信息，并解譯隱含的模式信息。深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)領(lǐng)域近十余年來最受關(guān)注的技術(shù)，通過讓計(jì)算機(jī)模擬人腦特征的神經(jīng)網(wǎng)絡(luò)，使計(jì)算機(jī)從簡單概念中學(xué)習(xí)復(fù)雜的經(jīng)驗(yàn)，從而更加有效地理解真實(shí)世界[12]。數(shù)據(jù)挖掘技術(shù)注重從大數(shù)據(jù)中分析模式信息從而指導(dǎo)科學(xué)決策。

本文在系統(tǒng)分析地理空間智能的技術(shù)內(nèi)涵基礎(chǔ)上，梳理國內(nèi)外科學(xué)研究進(jìn)展，分析存在的問題與挑戰(zhàn)，并展望地理空間智能的發(fā)展趨勢。

1 地理空間智能概述

地理空間智能技術(shù)的主要特點(diǎn)，是從輸入端(傳感器或廣義信息源)采集并存儲地理空間數(shù)據(jù)，采用人工智能算法對其綜合處理得到模型，在服務(wù)端對數(shù)據(jù)或模型進(jìn)行應(yīng)用[13-14](圖1)。數(shù)據(jù)輸入端的主要任務(wù)是數(shù)據(jù)采集和數(shù)據(jù)標(biāo)注。算法模塊的任務(wù)包含非監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)和遷移學(xué)習(xí)等一系列技術(shù)方法。應(yīng)用服務(wù)端的任務(wù)包括部署模型、共享地理信息數(shù)據(jù)和訓(xùn)練好的模型等。由于觀測對象在不同地區(qū)、不同季節(jié)、不同尺度呈現(xiàn)的空間特征不盡相同，因此，模型必須具備可拓展功能，以便服務(wù)模塊根據(jù)自身的應(yīng)用需要對模型進(jìn)行再訓(xùn)練、再改進(jìn)，從而滿足不同的應(yīng)用需求。

圖1 地理空間智能概念框架Fig.1 Framework of geospatial artificial intelligence

把AI技術(shù)應(yīng)用于GIS，可借助AI技術(shù)來改進(jìn)GIS系統(tǒng)的智能性，實(shí)現(xiàn)基于地理空間數(shù)據(jù)的智能感知、智能認(rèn)知與智能決策。機(jī)器學(xué)習(xí)是GIS空間分析的核心組成部分，主要解決分類、聚簇和回歸3類問題(圖2)。分類方法經(jīng)歷了決策樹、基于知識的專家系統(tǒng)，再發(fā)展到現(xiàn)在的智能機(jī)器學(xué)習(xí)方法，例如支持向量機(jī)(support vector machine)、隨機(jī)森林(random forest)、人工神經(jīng)網(wǎng)絡(luò)等。聚簇方法有空間約束的多變量聚簇、基于密度的聚簇、空間時相模式挖掘。回歸方法有經(jīng)驗(yàn)貝葉斯空間內(nèi)插法、EBK回歸預(yù)測、最小二乘回歸和地理加權(quán)回歸等。

圖2 地理空間智能中主要人工智能算法及其功能Fig.2 Categories and functions of major AI algorithms in GeoAI

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，為GIS提供了強(qiáng)大的數(shù)據(jù)處理和信息提取工具。機(jī)器學(xué)習(xí)的過程是從數(shù)據(jù)準(zhǔn)備到特征提取，再利用提取的特征對模型進(jìn)行訓(xùn)練，最后對新的數(shù)據(jù)完成測試驗(yàn)證。深度學(xué)習(xí)方法受到大腦生理過程啟發(fā)，在大腦的神經(jīng)網(wǎng)絡(luò)中，存在對刺激做出反應(yīng)的神經(jīng)元，它們彼此連接并傳遞信息。深度學(xué)習(xí)不同于傳統(tǒng)的機(jī)器學(xué)習(xí)，特征提取不再由人工完成，而是由神經(jīng)網(wǎng)絡(luò)自主完成。

深度學(xué)習(xí)從GIS平臺中獲取數(shù)據(jù)，利用人工智能平臺(如亞馬孫云平臺AWS、IBM Watson、微軟Azure)和深度學(xué)習(xí)框架(如Caffe、TensorFlow、PyTorch)完成智能推理。地理空間智能中的深度學(xué)習(xí)包含以下3個步驟：①數(shù)據(jù)準(zhǔn)備，包括數(shù)據(jù)標(biāo)注、訓(xùn)練樣本管理、訓(xùn)練樣本輸出；②深度學(xué)習(xí)模型的訓(xùn)練；③模型應(yīng)用，指利用訓(xùn)練好的模型在未知數(shù)據(jù)上進(jìn)行預(yù)測。深度學(xué)習(xí)可以用于分類、分割和目標(biāo)提取等任務(wù)。分類模塊底層的算法較多，典型的有卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等。用于分割的網(wǎng)絡(luò)模型包括全連接神經(jīng)網(wǎng)絡(luò)FCN、U-Net、PSPNet等。目標(biāo)提取也是地理空間智能的重要任務(wù)，常用模型包括YOLO、Faster-RCNN、Mask RCNN等。圍繞地理空間智能已出現(xiàn)多種工具平臺，下面介紹國內(nèi)外的3個典型案例。

谷歌已將人工智能模塊加入其谷歌地球引擎(Google Earth engine)(圖3)，用戶利用谷歌人工智能平臺和云存儲處理影像，并借助其深度學(xué)習(xí)框架TensorFlow完成數(shù)據(jù)智能化處理和分析。例如，谷歌利用Landsat影像對1984—2018年的地球表面變化信息進(jìn)行可視化，并進(jìn)行變化分析。

圖3 谷歌地理空間智能框架Fig.3 The framework for Google GeoAI

微軟發(fā)布了“服務(wù)于地球的人工智能”(AI-for-Earth)項(xiàng)目，應(yīng)用于全球農(nóng)業(yè)、水資源管理、生物多樣性、氣候監(jiān)測等領(lǐng)域。微軟與ESRI合作將ArcGIS Pro內(nèi)核加入到微軟云平臺Azure上，發(fā)布了地理空間智能數(shù)據(jù)科學(xué)虛擬機(jī)(DSVM)(圖4)，把人工智能、云技術(shù)和基礎(chǔ)架構(gòu)、地理空間分析相結(jié)合，服務(wù)于更加智能的地理空間分析、數(shù)據(jù)可視化等應(yīng)用。

圖4 微軟地理空間智能數(shù)據(jù)科學(xué)虛擬機(jī)核心組成Fig.4 The components of data science virtual machine for Microsoft GeoAI

超圖公司的地理信息智能框架包括4個層次：地理空間可視化、地理空間決策、地理空間設(shè)計(jì)和地理空間控制(圖5)。金字塔的復(fù)雜性從底部向上增加，而成熟度在降低。超圖的GIS軟件與阿里巴巴新一代的數(shù)據(jù)庫POLARDB對接融合，完成兼容性認(rèn)證，構(gòu)建云原生時空管理平臺聯(lián)合解決方案，并推出“云原生數(shù)據(jù)庫+云原生GIS”平臺，通過人工智能提升地理信息服務(wù)能力。

圖5 地理空間智能金字塔Fig.5 The GeoAI pyramid

2 地理空間智能科學(xué)研究進(jìn)展

地理空間智能作為傳統(tǒng)地理信息技術(shù)在智能化方向的重要拓展，不僅促進(jìn)傳統(tǒng)地理信息產(chǎn)業(yè)的轉(zhuǎn)型升級，也在開拓新的智能化應(yīng)用領(lǐng)域。地理空間智能的研究進(jìn)展可以分為地理空間感知智能(perception)、地理空間認(rèn)知智能(cognition)及地理空間決策智能(decision)3個方面，三者層層遞進(jìn)(圖6)。

圖6 地理空間智能科學(xué)研究進(jìn)展：數(shù)據(jù)與應(yīng)用Fig.6 The research progress of GeoAI: data and applications

2.1 地理空間感知智能

地理空間智能研究的重點(diǎn)，集中在地理空間感知智能階段，主要實(shí)現(xiàn)空間目標(biāo)提取和模式識別，包括實(shí)現(xiàn)影像分類、語義分割、地物提取、實(shí)例分割等任務(wù)，與計(jì)算機(jī)視覺的任務(wù)相對應(yīng)。如圖7所示，計(jì)算機(jī)視覺針對二維或三維感知數(shù)據(jù)進(jìn)行解譯與重建；而地理空間智能針對的是特定的具有地理屬性的數(shù)據(jù)，完成與測繪地理信息需求相關(guān)的任務(wù)。

圖7 地理空間智能與計(jì)算機(jī)視覺的技術(shù)關(guān)聯(lián)Fig.7 The technological relevance between GeoAI and computer vision

(1) 同源遙感信息感知。在同源遙感信息感知方面，地理空間感知智能的研究主要集中在土地覆蓋/土地利用分類、城市功能區(qū)分類方面，方法主要是全連接神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)逐像素的分類[15-16]。為使網(wǎng)絡(luò)容易訓(xùn)練或記憶性更強(qiáng)，研究者引入局部和全局注意力機(jī)制[17]、殘差神經(jīng)網(wǎng)絡(luò)[18]等思想。當(dāng)前空間目標(biāo)提取的研究內(nèi)容主要包括地理要素提取(如建筑物[19]、道路網(wǎng)[17]等)和關(guān)鍵感興趣目標(biāo)提取(如飛機(jī)[20]、艦船[21]、野生動物[22]等)。在配準(zhǔn)的遙感影像間或影像序列間檢測地物變化，主要采用孿生神經(jīng)網(wǎng)絡(luò)作為編碼器，提取出兩個時相間的特征變化[23]。激光點(diǎn)云智能方法主要分為傳統(tǒng)機(jī)器學(xué)習(xí)方法[24]和基于多層感知機(jī)的語義分割兩類[25]。前者通過人工提取點(diǎn)云幾何特征，并采用機(jī)器學(xué)習(xí)算法實(shí)施分類；后者直接以點(diǎn)云作為輸入，以多層感知機(jī)作為模型主干，以加權(quán)交叉信息熵作為代價(jià)函數(shù)，輸出每個激光點(diǎn)的標(biāo)簽概率。孿生神經(jīng)網(wǎng)絡(luò)也被用于點(diǎn)云變化檢測[26]。雷達(dá)影像處理方面的研究典型包括基于數(shù)學(xué)形態(tài)學(xué)和K均值聚簇的雷達(dá)影像形變監(jiān)測[27]、基于全連接神經(jīng)網(wǎng)絡(luò)實(shí)數(shù)權(quán)重核函數(shù)的復(fù)數(shù)域影像分割[28]等。

(2) 異源遙感信息融合。為克服單一數(shù)據(jù)源的缺陷，很多工作研究對配準(zhǔn)的光學(xué)影像和DSM進(jìn)行融合分割[29-31]。文獻(xiàn)[32]利用孿生神經(jīng)網(wǎng)絡(luò)從不同模態(tài)的雷達(dá)影像和航空影像中檢測變化。文獻(xiàn)[33]以L2-Net為模型主干對無人機(jī)影像和衛(wèi)星影像實(shí)施配準(zhǔn)。文獻(xiàn)[34]在視頻序列影像分割中，通過全連接的條件隨機(jī)場(CRF)將短期時間信息融入結(jié)構(gòu)化場景信息，用密集光流提取視頻序列的動態(tài)信息。

2.2 地理空間認(rèn)知智能

地理空間認(rèn)知智能的研究內(nèi)容主要包括，利用空間數(shù)據(jù)挖掘和智能分析技術(shù)，從空間數(shù)據(jù)中挖掘出隱藏的模式關(guān)系和趨勢[35]?；谌斯ぶ悄艿目臻g數(shù)據(jù)挖掘研究展現(xiàn)了較強(qiáng)的知識發(fā)現(xiàn)能力，在關(guān)聯(lián)分析、聚類分析、異常檢測方面都取得了進(jìn)展。文獻(xiàn)[36]利用空間多準(zhǔn)則決策分析，基于遙感數(shù)據(jù)和地理信息系統(tǒng)，建立包含城區(qū)擴(kuò)張、城市可用土地、土地利用變化的數(shù)據(jù)庫，為城市規(guī)劃提供決策。文獻(xiàn)[37]利用街景影像分析北京市內(nèi)出租車的軌跡模式，在地理空間和人類活動特征間建立聯(lián)系。文獻(xiàn)[38]通過Voronoi鄰域分割和反向鄰近加權(quán)進(jìn)行空間自相關(guān)定量描述，分析地理文本與網(wǎng)絡(luò)地圖的相關(guān)性?；谏缃幻襟w數(shù)據(jù)的智能時空分析，被用于2014年上海外灘踩踏事件社會輿情分析[39]、居民行為模式分析[40]、人群分布分析[41]及貧民窟分布分析[42]等。

在突發(fā)事件和應(yīng)急救災(zāi)中，受災(zāi)損毀建筑物影像分類方法包括，基于梯度方向直方圖特征和Gabor小波特征的分類、視覺詞袋模型法(visual-bag-of-words)[43]、融合光譜特征和點(diǎn)云特征的多核學(xué)習(xí)法[44]等。文獻(xiàn)[45]采用最鄰近防水模型(HAND)和偽隨機(jī)森林法預(yù)測洪水區(qū)域。泊松回歸[46]和帝國競爭算法[47]被用于基于衛(wèi)星影像的山火位置預(yù)測，殘差神經(jīng)網(wǎng)絡(luò)被用于滑坡位置分析[48]。

在全球環(huán)境監(jiān)測方面，文獻(xiàn)[49]利用深度學(xué)習(xí)監(jiān)測城市大氣污染物濃度并預(yù)測污染態(tài)勢。文獻(xiàn)[50]利用時空回歸克里金法對城市NO2的濃度進(jìn)行建模。深度學(xué)習(xí)模型也被用于極地冰川崩裂面監(jiān)測[51]、全球干旱區(qū)植被面積評估[52]等。人工智能方法也在精準(zhǔn)農(nóng)業(yè)和生態(tài)學(xué)中得到利用，例如城市植被覆蓋普查[53]、農(nóng)作物生長態(tài)勢監(jiān)測[54]、植被健康狀況分析[55]、植被幾何結(jié)構(gòu)和功能屬性測算[56]等。在公共衛(wèi)生與健康分析中，地理空間智能對人類活動、地理位置信息及環(huán)境狀況進(jìn)行建模，廣泛應(yīng)用于環(huán)境衛(wèi)生、流行病學(xué)、遺傳學(xué)、行為科學(xué)等領(lǐng)域[57-58]。新型冠狀病毒肺炎COVID-19蔓延期間，地理空間智能方法被用于群體健康數(shù)據(jù)、軌跡數(shù)據(jù)的可視化和建模，針對患者制定健康規(guī)劃和干預(yù)措施等[59]。

2.3 地理空間決策智能

地理空間決策智能的研究進(jìn)展包括空間態(tài)勢建模、智能預(yù)測，其位于GeoAI技術(shù)環(huán)節(jié)頂端，直接服務(wù)于多樣化的地理信息產(chǎn)業(yè)應(yīng)用需求。地理空間智能通過對商業(yè)數(shù)據(jù)、運(yùn)營數(shù)據(jù)的建模和分析，為銷售額預(yù)測、消費(fèi)者需求預(yù)測、客戶分布分析、產(chǎn)業(yè)鏈選址提供支持。文獻(xiàn)[60]采用P-DBSCAN進(jìn)行空間聚類，根據(jù)游客旅游歷史和當(dāng)前搜索文本進(jìn)行個性化的線路推薦。文獻(xiàn)[61]使用基于GIS的模糊多準(zhǔn)測逐層分析方法為伊斯坦布爾城區(qū)建立消防站提供選址意見。在智能交通與自動駕駛方面，GeoAI可以進(jìn)行基于注意力機(jī)制的車流監(jiān)控、實(shí)時跟蹤、出行線路規(guī)劃、交通狀況監(jiān)控與擁堵疏導(dǎo)[62-64]。

三維場景智能重建的研究主要集中在單像深度恢復(fù)[65]、基于室內(nèi)點(diǎn)云和軌跡的室內(nèi)建模[66]、含有語義信息的三維地圖重建[67-68]等。文獻(xiàn)[66]利用室內(nèi)點(diǎn)云和軌跡，通過可視化分析和物理結(jié)構(gòu)分析分割出單個房間的點(diǎn)云，通過基于圖割方法的能量優(yōu)化解決單個房間建模問題。文獻(xiàn)[67]使用ORB-SLAM2算法對室內(nèi)環(huán)境進(jìn)行實(shí)時三維重建，融合目標(biāo)檢測方法YOLOv3進(jìn)行關(guān)鍵幀標(biāo)注，生成帶有語義信息的三維語義地圖。

在軍事作戰(zhàn)指揮方面，地理空間智能系統(tǒng)結(jié)合地圖、影像情報(bào)、參戰(zhàn)各方的地理位置數(shù)據(jù)等，對戰(zhàn)場態(tài)勢進(jìn)行可視化和仿真，通過虛擬現(xiàn)實(shí)(virtual reality)讓指揮員身臨其境了解戰(zhàn)場空間態(tài)勢變化[69]。美國空軍的半自動地面環(huán)境系統(tǒng)SAGE，處理和分析多類戰(zhàn)場環(huán)境要素，支撐軍事決策。此外，美國國家地理空間情報(bào)局(NGA)的“航行者”項(xiàng)目通過地理空間智能分析獲取海洋環(huán)境中的地理空間要素，為美國海軍作戰(zhàn)訓(xùn)練行動提供支持。

3 問題與挑戰(zhàn)

多元智能理論創(chuàng)始人、美國哈佛大學(xué)教授霍華德·加德納(Howard Gardner)認(rèn)為，人類具有相對獨(dú)立存在且與特定認(rèn)知領(lǐng)域和知識領(lǐng)域相聯(lián)系的8種智能：視覺空間智能、語言智能、數(shù)理邏輯智能、身體運(yùn)動智能、音樂智能、人際智能、自我認(rèn)知智能、自然認(rèn)知智能[70]。當(dāng)前，探索和發(fā)展人工智能技術(shù)，正在向模擬和延伸人類8大智能的縱深方向邁進(jìn)。研究和破解地理空間智能的技術(shù)難題，主要集中在對視覺空間智能、數(shù)理邏輯智能和自然認(rèn)知智能的認(rèn)識、理解、歸納、模擬、解釋、效能放大及工具化等方面。

具體來說，星載、機(jī)載、車載傳感器和各類物聯(lián)網(wǎng)終端獲取地理空間數(shù)據(jù)，是視覺空間感知的首要環(huán)節(jié)，其能力正在逐漸接近甚至超越人類。但是，這類數(shù)據(jù)具有體量大、獲取速度快、模態(tài)多樣、真?zhèn)坞y辨、價(jià)值不一等顯著特點(diǎn)[71]。充分利用和深度挖掘地理數(shù)據(jù)的潛力，核心難題在于讓人工實(shí)現(xiàn)的自然認(rèn)知智能、數(shù)理邏輯智能，為空間智能增效賦能，達(dá)成地理空間智能關(guān)鍵技術(shù)突破的主要目標(biāo)任務(wù)。完成這樣的任務(wù)，近期至少面臨7個方面的挑戰(zhàn)(圖8)。

圖8 地理空間智能面臨的挑戰(zhàn)Fig.8 The GeoAI challenges

3.1 空間數(shù)據(jù)的多樣性和不確定性

不同傳感器獲取的地理空間數(shù)據(jù)呈現(xiàn)不同結(jié)構(gòu)，表征三維地球的方式也不相同。例如衛(wèi)星影像是通過不同的成像方式將地表映射到柵格影像上，機(jī)載LiDAR提供的是非結(jié)構(gòu)化的三維點(diǎn)云數(shù)據(jù)，數(shù)字地圖提供二維矢量數(shù)據(jù)，3種數(shù)據(jù)屬性差異很大[72-73]。在地理空間智能系統(tǒng)中如何對多源數(shù)據(jù)進(jìn)行恰當(dāng)?shù)暮Y選和有效的融合，從中提取出有價(jià)值的模式特征，具有一定的挑戰(zhàn)性。

3.2 制作訓(xùn)練樣本成本高昂

監(jiān)督學(xué)習(xí)仍然是當(dāng)前解決地理空間智能問題使用最廣泛的方法。監(jiān)督學(xué)習(xí)依賴于大量的、多樣化的訓(xùn)練樣本。通常情況下，訓(xùn)練數(shù)據(jù)精度越高、類別越全面，其訓(xùn)練出模型的泛化能力就越高。然而，人工數(shù)據(jù)標(biāo)注費(fèi)時費(fèi)力，效率不易提高?；谟邢抻?xùn)練樣本的深度學(xué)習(xí)，難以獲得高精度模型。如何基于小的訓(xùn)練樣本得到穩(wěn)健的模型具有很大的挑戰(zhàn)性。此外，當(dāng)各個類別的訓(xùn)練樣本數(shù)量差異大時，訓(xùn)練過程也更加難以收斂，結(jié)果造成模型測試時在精確率和召回率間存在較大差距，難以使二者同步達(dá)到較高水平。

3.3 GeoAI模型缺乏解釋，泛化性能難以度量

地理空間智能的發(fā)展極大地依賴于人工智能算法的成熟度和可靠性。以深度學(xué)習(xí)為例，目前確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)里的超參數(shù)(卷積層、池化層、全連接層出現(xiàn)頻次、連接順序等)，尚無科學(xué)的設(shè)計(jì)方法。設(shè)計(jì)在不同維度空間對數(shù)據(jù)進(jìn)行擬合的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，其偶然性和隨意性比數(shù)學(xué)物理規(guī)則中的確定性和可重復(fù)性要復(fù)雜。泛化性能指的是人工智能模型應(yīng)用于新的測試數(shù)據(jù)時的性能。隨著訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的屬性差異增大，模型測試精度也會降低。例如，當(dāng)訓(xùn)練集和測試集的數(shù)據(jù)來源不同的傳感器、數(shù)據(jù)質(zhì)量不同時，模型的泛化性能難以得到保證。

3.4 計(jì)算設(shè)備性能有限

地理空間數(shù)據(jù)指數(shù)增長、人工智能應(yīng)用需求增多、機(jī)器學(xué)習(xí)模型復(fù)雜度增加，對高性能計(jì)算提出了很高的要求。以深度學(xué)習(xí)模型為例，深度學(xué)習(xí)網(wǎng)絡(luò)越深，它能完成分類或識別任務(wù)的潛能就越大。隨著神經(jīng)網(wǎng)絡(luò)加深、參數(shù)增加，模型復(fù)雜度增加，需要的訓(xùn)練樣本數(shù)也增多，而當(dāng)今的數(shù)據(jù)存儲和處理能力都不足以支撐地理空間智能對于計(jì)算性能的要求。

3.5 數(shù)據(jù)和模型的共享面臨挑戰(zhàn)

地理空間智能瞄準(zhǔn)的是數(shù)據(jù)獲取及處理、模型訓(xùn)練和應(yīng)用、智能化服務(wù)的一體化，通過共享地理空間數(shù)據(jù)和人工智能模型，可以促進(jìn)整個地理空間智能系統(tǒng)快速發(fā)展并逐漸成熟，從而提供更精準(zhǔn)、更高效、更智能的服務(wù)。然而，受制于高昂的數(shù)據(jù)獲取成本、標(biāo)注成本和模型訓(xùn)練成本，且不同來源的地理空間數(shù)據(jù)難以融合利用，目前數(shù)據(jù)和模型共享仍處于初始階段，發(fā)展的路徑并不十分清晰。

3.6 地理空間智能專用模型和算法缺乏

目前用于GeoAI的算法和模型大多來自通用圖像處理和計(jì)算機(jī)視覺領(lǐng)域，融合地學(xué)特性的GeoAI專用人工智能算法或?qū)Ｓ蒙疃葘W(xué)習(xí)框架仍有待研究[15,74]。通過改造通用模型用于地理空間數(shù)據(jù)處理，一般只考慮到地理空間信息的幾何空間特性，難以融合多源異構(gòu)地理信息數(shù)據(jù)，難以顧及其地物光譜特性和地學(xué)知識。

3.7 技術(shù)轉(zhuǎn)化與應(yīng)用仍有差距

雖然人工智能技術(shù)發(fā)展迅速，學(xué)術(shù)界發(fā)表的目標(biāo)提取、語義分割方法在標(biāo)準(zhǔn)試驗(yàn)數(shù)據(jù)上測試精度持續(xù)刷新。但學(xué)術(shù)界的GeoAI研究成果距離落地生產(chǎn)仍有差距，原因可歸結(jié)為現(xiàn)實(shí)世界的復(fù)雜性和真實(shí)數(shù)據(jù)的不確定性。目前通過車載掃描系統(tǒng)獲取遙感影像和LiDAR點(diǎn)云，從中提取道路網(wǎng)、路燈、交通信號桿等均可達(dá)到較高精度，但距離生產(chǎn)可靠的高精度地圖產(chǎn)品仍有技術(shù)差距，提取的道路網(wǎng)、地物之間仍缺乏拓?fù)湫畔74]。地理空間智能技術(shù)融合時空特征、像人類一樣分析農(nóng)作物長勢或戰(zhàn)場環(huán)境變化態(tài)勢，并指揮農(nóng)業(yè)生產(chǎn)或軍事決策仍任重道遠(yuǎn)。

4 發(fā)展趨勢與展望

以人工智能為強(qiáng)力助推器而快速發(fā)展的地理信息科學(xué)，正以前所未有的清晰度和逼真度監(jiān)測與表征整個地球。地理空間智能作為地理信息科學(xué)與人工智能的交叉技術(shù)，已經(jīng)迎來巨大的發(fā)展機(jī)遇。隨著傳感器、5G通信、云計(jì)算、虛擬/增強(qiáng)現(xiàn)實(shí)技術(shù)的發(fā)展，地理空間智能必將順應(yīng)智能時代的地理信息服務(wù)需求，行穩(wěn)致遠(yuǎn)向前發(fā)展。可預(yù)見的發(fā)展趨勢主要包括：

(1) 地理空間感知智能的研究逐步成熟，地理空間認(rèn)知智能和地理空間決策智能將獲得越來越多的研究投入。隨著計(jì)算機(jī)視覺和空間數(shù)據(jù)挖掘技術(shù)的發(fā)展，影像分割、目標(biāo)提取、空間數(shù)據(jù)分析、三維重建及時空預(yù)測的算法將逐漸成熟。穩(wěn)健、專用的地理空間數(shù)據(jù)處理算法，保證了提取的空間模式、空間知識具有真實(shí)性、可靠性，從而可以指導(dǎo)精細(xì)化決策。人工智能模型也將逐步變得“有章可循”，智能模型將出現(xiàn)設(shè)計(jì)規(guī)范，模型設(shè)計(jì)過程將被科學(xué)化、系統(tǒng)化。多源空間數(shù)據(jù)融合的智能分析方法將走向成熟。

(2) 在多任務(wù)遷移學(xué)習(xí)和半監(jiān)督分類方面，小樣本訓(xùn)練問題將受到關(guān)注并走向?qū)嵱谩⒖煽?。在不同來源、不同時相的遙感數(shù)據(jù)上使用模型時，模型仍能保持可靠性和穩(wěn)健性。用于地理信息提取的人工智能算法將走向“通用化+定量化”，訓(xùn)練的模型可在許多不同的場景中使用。相應(yīng)地，地理空間智能系統(tǒng)的性能將變得可以評估，用戶可根據(jù)現(xiàn)實(shí)問題定量評估系統(tǒng)的可靠性。

(3) 地理空間智能技術(shù)將引領(lǐng)地理信息產(chǎn)品和服務(wù)的升級。在未來的地理信息服務(wù)中，高精全息地圖將在國土測繪、資源開發(fā)、環(huán)境保護(hù)、社會安全監(jiān)控、健康醫(yī)療、自動駕駛等領(lǐng)域得到更廣泛的應(yīng)用。地理信息服務(wù)將朝著多元化、實(shí)時化、大眾化、智能化方向發(fā)展。地理空間智能系統(tǒng)將瞄準(zhǔn)高維化、智能化、集成化的目標(biāo)進(jìn)步，且多種數(shù)據(jù)格式、不同產(chǎn)品和服務(wù)之間可以融合與共享。