深度學(xué)習(xí)賦能地圖制圖的若干思考

艾廷華

武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079

作為空間現(xiàn)象可視化表達(dá)的地圖，通常被譽(yù)為地學(xué)研究的第二語言，它在探索地學(xué)特征規(guī)律、揭示地理過程機(jī)理、挖掘空間分布模式方面承擔(dān)分析表達(dá)與交流傳輸兩大工具作用。從符號學(xué)角度看，以空間認(rèn)知表達(dá)符號為主要特征的地圖,與代表語言的文字符號和代表數(shù)量的數(shù)字符號,成為人們認(rèn)知世界的三大文化工具[1]。在網(wǎng)絡(luò)技術(shù)、大數(shù)據(jù)分析、人工智能、多媒體可視化等新型技術(shù)驅(qū)動下，地圖制圖的內(nèi)涵與外延得到極大拓展，產(chǎn)生了地圖學(xué)四面體[2]、泛地圖[3]、場景學(xué)[4]等認(rèn)知。地圖制圖的范疇已從傳統(tǒng)的現(xiàn)實(shí)世界向虛擬世界、網(wǎng)絡(luò)空間等泛空間拓展，地圖受眾對象正從面向人類服務(wù)朝著同時(shí)面向智能機(jī)器方向發(fā)展，產(chǎn)生了全息高精度導(dǎo)航地圖的概念[5]。

在地圖制圖新技術(shù)上，一個(gè)突出的趨勢是地圖與人工智能的結(jié)合，表現(xiàn)為機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識圖譜在地圖認(rèn)知、地圖設(shè)計(jì)與地圖分析中扮演越來越重要的角色。在智能化技術(shù)支持下，地圖空間決策具有更高的復(fù)雜系統(tǒng)認(rèn)知能力。在深度學(xué)習(xí)支持下的地圖創(chuàng)意設(shè)計(jì)，可以將地圖專家的知識經(jīng)驗(yàn)遷移，使得地圖的藝術(shù)表現(xiàn)力大大提高。地圖在空間決策、出行導(dǎo)航、景觀設(shè)計(jì)上通過與深度學(xué)習(xí)、知識圖譜的結(jié)合，對空間問題的識別、判斷、預(yù)測能更好地模擬人的思維。從學(xué)科體系上看，隸屬于測繪科學(xué)與技術(shù)二級分支的地圖制圖，與智能技術(shù)的結(jié)合是整體測繪技術(shù)從數(shù)字化到信息化再到智能化發(fā)展的重要構(gòu)成。從對地觀測數(shù)據(jù)獲取到空間位置信息服務(wù)的技術(shù)鏈中，地圖制圖位于后端，前端的定位獲取、影像識別在人工智能技術(shù)支持下向高精定位、高效處理、高自動化方向邁進(jìn)，后端的制圖加工與信息服務(wù)也應(yīng)對接人工智能技術(shù)，實(shí)現(xiàn)人工智能能與測繪技術(shù)一體化集成。

手工技術(shù)時(shí)代的地圖制作與應(yīng)用依賴于人的高度智能化行為[6]，在制圖數(shù)據(jù)源的選擇與特征提取、地圖符號的創(chuàng)意設(shè)計(jì)、地圖綜合的特征抽象、地圖分析的模型決策等環(huán)節(jié)都需要空間思維支持下的演繹與歸納，需要地圖學(xué)知識規(guī)則的支持、空間認(rèn)知原則的約束和地學(xué)領(lǐng)域科學(xué)原理的控制，地圖學(xué)被認(rèn)為是具有高度智能化特征的一門學(xué)科[7]。為此，地圖制圖的發(fā)展一直緊跟人工智能(AI)技術(shù)，以期將AI領(lǐng)域新成果引入到地圖制作與認(rèn)知分析領(lǐng)域，使得計(jì)算機(jī)制圖系統(tǒng)的創(chuàng)意設(shè)計(jì)能力向人的大腦行為逼近，讓地圖分析系統(tǒng)具備人腦類似的智能水平。

人工智能是研究開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，從1956年達(dá)特茅斯會議上提出人工智能的概念以來，產(chǎn)生了多種智能表達(dá)與智能計(jì)算模型。先是基于規(guī)則推理的“符號主義”，后來出現(xiàn)了模仿相關(guān)智能性生命過程、物理過程的“行為主義”，目前發(fā)展到模仿神經(jīng)元復(fù)雜結(jié)構(gòu)的“連接主義”[8]。作為AI的特殊應(yīng)用領(lǐng)域，地圖制圖在AI發(fā)展的不同階段，對AI相關(guān)技術(shù)成果的應(yīng)用都有積極響應(yīng)，并展示出地圖學(xué)獨(dú)特的空間型智能技術(shù)。

在人工智能“符號主義”早期階段，認(rèn)為人的決策、推理等智能行為是基于知識規(guī)則的演繹，而規(guī)則則是由一系列最基礎(chǔ)的邏輯單元符號構(gòu)成?；跀?shù)理邏輯理論，構(gòu)建了由規(guī)則庫、推理機(jī)、用戶界面組成的專家系統(tǒng)，是“符號主義”智能表達(dá)的典型代表。在“符號主義”智能化技術(shù)驅(qū)動下，20世紀(jì)90年代地圖制圖領(lǐng)域也開展了地圖制作、分析的專家系統(tǒng)研究，探討了地圖投影決策、空間數(shù)據(jù)到地圖符號轉(zhuǎn)換、地圖符號設(shè)計(jì)等研究，國內(nèi)地圖制圖學(xué)科最早的一批博士論文研究也集中在該問題的探索上[9-10]，還推出了專題地圖制圖專家系統(tǒng)[11]，具備地圖色彩自動設(shè)計(jì)、符號選擇等功能。然而，地圖制圖專家系統(tǒng)并沒有實(shí)質(zhì)性地解決智能化制圖問題，地圖制圖規(guī)則、知識提取和建立與人腦完成同樣行為的真正的專家知識相去甚遠(yuǎn)，僅通過地圖制圖圖式規(guī)范、專家口述調(diào)查和有限的案例分析，無法建立起完善的地圖制圖規(guī)則庫。缺乏深層次的非形式化表達(dá)的規(guī)則描述工具，同時(shí)基于數(shù)理邏輯的推理機(jī)在規(guī)則演繹上也顯得力不從心[12]。

人工智能“行為主義”則在控制論思想影響下，認(rèn)為生命過程、物理過程的進(jìn)化、控制行為可以用于智能的模擬，將神經(jīng)系統(tǒng)的工作原理與信息理論、控制理論、邏輯以及計(jì)算機(jī)聯(lián)系起來，模擬自尋優(yōu)、自適應(yīng)、自鎮(zhèn)定、自組織和自學(xué)習(xí)等智能行為，推出了一系列模擬生命進(jìn)化過程、物理控制過程的最優(yōu)化算法。地圖制圖技術(shù)與“行為主義”智能模型結(jié)合，開展了地圖制圖中符號設(shè)計(jì)、圖面配置、圖形綜合化簡等不確定性問題的優(yōu)化決策研究[13]，在遺傳、蟻群、免疫、模擬退火等一系列優(yōu)化算法思想上進(jìn)行了地圖空間決策研究[14]，用于諸如地圖空間用地選址、時(shí)空現(xiàn)象發(fā)展趨勢預(yù)測、空間格局最優(yōu)化配置、地圖注記自動配置等問題的解決[15-17]。這些智能決策研究比較零碎，針對不同決策行為采用了不同“行為主義”智能算法，缺乏系統(tǒng)地解決地圖制圖中智能問題的完整的策略，而且這種行為過程的智能化模擬缺乏可解釋性，不能從機(jī)理上揭示優(yōu)化控制的邏輯聯(lián)系。

人工智能“連接主義”則是通過對復(fù)雜神經(jīng)元結(jié)構(gòu)的模擬，重點(diǎn)關(guān)注神經(jīng)元之間的訊號傳輸連接，提出了一種當(dāng)前最有活力的人工智能方法[18]，產(chǎn)生了以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)方法，在棋類對弈、影像地物識別、自然語言處理等領(lǐng)域展示出深度學(xué)習(xí)的強(qiáng)勁的智能模擬功效。“連接主義”智能模型運(yùn)用了梯度下降、局部相關(guān)、特征降維等算力增強(qiáng)的策略，實(shí)現(xiàn)了對智能行為復(fù)雜系統(tǒng)的高效率模擬計(jì)算[19]。地圖制圖與深度學(xué)習(xí)的結(jié)合是地圖學(xué)智能化發(fā)展的有效途徑，前期研究取得的一些成果，表明深度學(xué)習(xí)在地圖制圖領(lǐng)域的時(shí)空大數(shù)據(jù)特征識別[20]、復(fù)雜制圖過程的決策推理[16]、地圖空間模式的智能化認(rèn)知[21]、地圖設(shè)計(jì)中的藝術(shù)創(chuàng)意遷移[22]都有很好的發(fā)展前景，在發(fā)掘地圖空間知識規(guī)則、參與自動駕駛導(dǎo)航、高精地圖快速構(gòu)建中可發(fā)揮積極作用[23]。另一方面，深度學(xué)習(xí)與地圖制圖的結(jié)合又面臨諸多挑戰(zhàn)。深度學(xué)習(xí)與不同應(yīng)用領(lǐng)域的結(jié)合，需要考慮該領(lǐng)域問題的特殊性，包括數(shù)據(jù)的結(jié)構(gòu)組織、樣本的準(zhǔn)備、特定服務(wù)目標(biāo)需求等條件。同樣是視覺信息的地圖，與另一種視覺信息影像相比，地圖的數(shù)據(jù)組織是非規(guī)范的，服務(wù)于學(xué)習(xí)模型的矢量型樣本采集難度大，導(dǎo)致地圖深度學(xué)習(xí)的研究落后于遙感影像的智能化處理的研究。

為促進(jìn)智能化測繪技術(shù)體系的建立，推動深度學(xué)習(xí)與地圖制圖的有效結(jié)合，本文將從深度學(xué)習(xí)與地圖制圖結(jié)合的可行性、面臨的挑戰(zhàn)、發(fā)展的趨勢出發(fā)，討論地圖制作與地圖應(yīng)用兩大分支任務(wù)與深度學(xué)習(xí)結(jié)合的方法。

1 深度學(xué)習(xí)方法與地圖空間問題求解的契合思想

作為“連接主義”智能模型的代表，深度學(xué)習(xí)(deep learning,簡稱DL)是模仿大腦皮層神經(jīng)元網(wǎng)絡(luò)的連接與信號傳輸?shù)囊环N機(jī)器學(xué)習(xí)方法。DL通過案例樣本的訓(xùn)練獲得學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律，其最終目標(biāo)是讓機(jī)器能夠像人一樣具有學(xué)習(xí)決策能力，能夠識別特征、類型和結(jié)構(gòu)信息。它是在傳統(tǒng)的神經(jīng)元網(wǎng)絡(luò)模型上增加更多的連接層(隱藏層)而構(gòu)建[18]。DL模型在AI發(fā)展歷程中經(jīng)歷過幾次里程碑式的突破，前饋神經(jīng)網(wǎng)絡(luò)和感知機(jī)FFNN為DL網(wǎng)絡(luò)連接模型奠定了基礎(chǔ)[24]，反向傳播網(wǎng)絡(luò)模型BP運(yùn)用梯度下降思想使得模型擬合效率大大提升[25]，卷積網(wǎng)絡(luò)模型CNN則使用局部相關(guān)思想更好地提取向量特征信息[19]。DL模型受到AI領(lǐng)域的高度重視，新模型層出不窮，面向特征提取、目標(biāo)分類、身份識別、過程預(yù)測等，產(chǎn)生了眾多的DL模型類型。從應(yīng)用角度，可以對這些模型根據(jù)數(shù)據(jù)結(jié)構(gòu)劃分為線性結(jié)構(gòu)、矩陣陣列結(jié)構(gòu)、樹結(jié)構(gòu)、圖結(jié)構(gòu)等的DL模型。例如基于線性結(jié)構(gòu)的循環(huán)網(wǎng)絡(luò)模型RNN、長短記憶網(wǎng)絡(luò)模型LSTM、基于陣列結(jié)構(gòu)的卷積網(wǎng)絡(luò)模型CNN、基于圖結(jié)構(gòu)的卷積網(wǎng)絡(luò)模型GCN。這些模型可分別在地圖制作中實(shí)現(xiàn)制圖數(shù)據(jù)的分類、可視化符號的選擇、地圖綜合算子的決策、圖面藝術(shù)風(fēng)格設(shè)計(jì)等需求；在地圖應(yīng)用分析中實(shí)現(xiàn)時(shí)空信息的預(yù)測、空間格局的劃分、空間模式的識別等。

本質(zhì)上，DL模型是一種不確定性問題的決策方法，與經(jīng)典統(tǒng)計(jì)學(xué)習(xí)(回歸分析、馬爾可夫鏈等)、傳統(tǒng)機(jī)器學(xué)習(xí)(支持向量機(jī)、隨機(jī)森林方法等)并無兩樣。該模型可理解為由多層神經(jīng)元所構(gòu)建的一個(gè)高度抽象的連接空間的問題求解，該數(shù)學(xué)空間的擬合計(jì)算應(yīng)用了一系列策略思想，保證了模型的計(jì)算優(yōu)勢。當(dāng)將DL模型應(yīng)用到地圖制圖問題求解時(shí)，可以認(rèn)為是兩個(gè)空間問題的結(jié)合，即將抽象的神經(jīng)元網(wǎng)絡(luò)空間與實(shí)際的地圖空間結(jié)合。地圖空間是對地理世界的實(shí)體、現(xiàn)象與過程的映射表達(dá)，在對地理現(xiàn)象描述、空間關(guān)系定義、時(shí)空過程表達(dá)上，一系列理論研究與實(shí)踐探索確立了地理學(xué)、地圖學(xué)上的規(guī)則、定律，作為該空間問題求解的思想基礎(chǔ)。在研究地圖制圖與深度學(xué)習(xí)的結(jié)合時(shí)，考察兩種空間問題求解的思想是否契合具有必要性。

深度學(xué)習(xí)模型類型眾多，但都是基于連接主義的思想，在抽象空間問題求解中利用了一些共性的策略原則，與地理空間、地圖空間問題求解的思想相一致，具體有以下4點(diǎn)。

1.1 梯度下降

梯度下降被認(rèn)為是深度學(xué)習(xí)的核心思想之一[19]。在神經(jīng)元網(wǎng)絡(luò)的多層連接中，為尋找到誤差最小化的模型擬合參量，采用迭代的方法反復(fù)調(diào)整參量，保證訓(xùn)練中的輸出結(jié)果向樣本逼近。如何修正參量使得結(jié)果快速逼近？運(yùn)用了梯度下降的思想，通過一階微分計(jì)算確定最陡的坡降方向?yàn)樘荻?，基于反向傳播過程，對節(jié)點(diǎn)連接上的權(quán)重參量修正。值得注意的是，在AI領(lǐng)域詮釋梯度下降的思想時(shí)幾乎都會采用等高線示意圖，用坡度方向詮釋該過程(圖1)。等高線圖是地圖空間表達(dá)地形起伏的經(jīng)典可視化方法，最陡坡降所體現(xiàn)的梯度下降思想，在地形圖的導(dǎo)航路徑搜尋中直接發(fā)揮作用，其他在DEM谷底線結(jié)構(gòu)特征提取中，D8算法所采用的跟蹤八向鄰域最陡坡降方向的匯水量累積計(jì)算，也是有用梯度下降的思想[26]?？梢哉f在地圖空間的問題求解中梯度下降也是遵循的基本原則，與DL遵循的抽象空間的梯度下降相一致。

圖1 用等高線圖詮釋DL模型中的梯度下降思想Fig.1 Use contour line explaining the idea of gradient descent in DL model

1.2 局部相關(guān)

通過卷積運(yùn)算派生出新的向量特征，是DL尤其是卷積型深度學(xué)習(xí)的一個(gè)重要突破。通過特定的卷積核函數(shù)與原函數(shù)的卷積運(yùn)算，可以將神經(jīng)元的隱藏特征揭示出來，通過不同的卷積核運(yùn)算可以揭示不同的特征。在圖像特征識別應(yīng)用的CNN模型得益于卷積運(yùn)算，其他還有線性結(jié)構(gòu)上的卷積運(yùn)算，圖結(jié)構(gòu)上的卷積模型GCN包含了空間域的卷積運(yùn)算、頻域的傅里葉變換的卷積運(yùn)算[27-28]。卷積運(yùn)算的基礎(chǔ)就是神經(jīng)元空間的局部相關(guān)，不論是像元矩陣空間的鄰域相關(guān)，還是圖結(jié)構(gòu)的節(jié)點(diǎn)鄰域相關(guān)，均是通過一定范圍內(nèi)的鄰域單元的特征運(yùn)算來揭示揭示當(dāng)前結(jié)構(gòu)單元的特征，體現(xiàn)了“近朱者赤、近墨者黑”的效應(yīng)。卷積型DL模型中的局部相關(guān)思想，對于地理信息或地圖學(xué)研究人員而言，太熟悉不過了，地理學(xué)第一定律即是該思想的描述[29]，地圖空間的單一現(xiàn)象的自相關(guān)有Moran’s I系數(shù)可度量，多現(xiàn)象間的互相關(guān)可通過空間統(tǒng)計(jì)的關(guān)聯(lián)分析計(jì)算[30]。地圖空間相關(guān)分析是與深度學(xué)習(xí)的卷積運(yùn)算所依據(jù)的局部相關(guān)本質(zhì)上是一致的，都是在空間鄰域范圍內(nèi)發(fā)生作用，都隨距離的擴(kuò)展而衰減，局部相關(guān)體現(xiàn)了兩種空間問題求解思想的一致。

1.3 特征降維

在DL模型中，描述神經(jīng)元的向量是多維的，訓(xùn)練學(xué)習(xí)的目標(biāo)之一就是對向量降維，用簡單的向量表達(dá)其典型的特征，采用了矩陣的特征向量、特征值分解及主成分分析方法PCA實(shí)現(xiàn)特征降維，在學(xué)習(xí)模型中的池化運(yùn)算也具備特征降維的作用，可以說特征降維是深度學(xué)習(xí)過程運(yùn)算的重要策略。這一思想在地圖空間問題求解中也大量存在，地圖數(shù)據(jù)的完整描述包含了空間、時(shí)間和語義三維特征，進(jìn)一步細(xì)化每一維特征又可衍生出多維子集。地圖綜合的抽象概括就是對復(fù)雜的多維空間、時(shí)間、語義數(shù)據(jù)通過降維方法獲得綜合后的簡單表達(dá)結(jié)果，體現(xiàn)出地圖信息的主體的簡化特征。單純對空間維處理而言，地圖學(xué)中的地圖投影就是一種典型的降維方法，即將空間三維模型降為二維表達(dá)。地圖投影作為地圖學(xué)中的核心內(nèi)容，在特征降維上有完善的降維變換方法、變換模型、變形度量等。因此，在特征降維上兩種空間問題求解思想是一致的。

1.4 非線性化

在DL模型中，神經(jīng)元空間的模型擬合面臨的是一個(gè)復(fù)雜系統(tǒng)，為了體現(xiàn)求解問題的復(fù)雜性，采取了非線性化處理的強(qiáng)制措施，使得前后節(jié)點(diǎn)的訊號數(shù)值不是一個(gè)簡單的線性變換。DL模型中的激活函數(shù)采用了諸如sigmoid函數(shù)、Tanhx函數(shù)形式破壞線性變換，通過非線性化調(diào)整ReLU(rectify linear unit)有意修正簡單線性變換，防止學(xué)習(xí)中的過擬合。非線性化思想在地圖地理信息處理中也有體現(xiàn)，空間異質(zhì)性原理即是描述不同區(qū)域環(huán)境下的空間特征是有差異的[30]，不能簡單依據(jù)距離遠(yuǎn)近構(gòu)建線性結(jié)構(gòu)下的空間相關(guān)，空間異質(zhì)性原理也被稱作地理學(xué)第二定律，可見該原理思想在地理問題解答中的重要意義。因此，在非線性化思想的處理上兩種空間問題求解的策略是一致的。

基于以上分析，DL在神經(jīng)元抽象空間的問題求解與地圖制圖實(shí)空間中的問題求解，都有梯度下降、局部相關(guān)、特征降維和非線性化思想的應(yīng)用，表明地圖空間的問題通過DL方法來解決在思想上是一致的。這也為地圖制圖與DL的結(jié)合找到了可行性條件。

2 深度學(xué)習(xí)在地圖制作技術(shù)中的應(yīng)用

地圖制圖包括地圖制作與地圖應(yīng)用兩大分支任務(wù)，前者完成從數(shù)到圖的轉(zhuǎn)換，后者完成從圖到數(shù)的分析應(yīng)用(地圖的應(yīng)用分析表現(xiàn)為基于地圖的處理獲得由數(shù)表達(dá)的空間知識)。這兩大分支任務(wù)都可與DL結(jié)合，提升各自智能化水平。由于結(jié)合的方式、內(nèi)容有差別，需分別討論。

地圖的設(shè)計(jì)制作是一項(xiàng)復(fù)雜的系統(tǒng)工程，涉及各種類型數(shù)據(jù)源的集成加工、空間特征分析提取、地圖投影變換、尺度變換與特征抽象概括、符號設(shè)計(jì)與可視化表達(dá)等任務(wù)過程[31]。如何尋求新技術(shù)的應(yīng)用，提高計(jì)算機(jī)制圖系統(tǒng)的智能化水平，一直是地圖制圖領(lǐng)域追求的目標(biāo)。DL技術(shù)可貫穿從數(shù)據(jù)加工、圖形設(shè)計(jì)到地圖成果輸出的多個(gè)環(huán)節(jié)。目前DL有眾多模型實(shí)現(xiàn)特征提取、身份識別、目標(biāo)分類、過程預(yù)測等功能，這些功能也是地圖設(shè)計(jì)制作過程中所需要，根據(jù)地圖制作的技術(shù)流程與DL模型的條件、目標(biāo)，選擇適宜的普適性DL模型，經(jīng)針對性改進(jìn)結(jié)合，完成地圖數(shù)據(jù)的加工與圖形變換。DL模型的應(yīng)用需要依賴各種形式的樣本庫，是在樣本案例的訓(xùn)練學(xué)習(xí)下獲得類似人腦的判斷識別能力的，因此建立與地圖制圖流程相伴的各種樣本庫也是一個(gè)重要工作。DL支持下的地圖制圖技術(shù)流程如圖2所示。

地圖制作包括制圖數(shù)據(jù)處理與圖形生成兩個(gè)方面，在圖形生成中要完成地圖制圖三大技術(shù)過程：地圖投影、地圖綜合和地圖符號設(shè)計(jì)。這些分支任務(wù)都可不同程度地融入DL方法完成分析決策與智能化處理，以下3個(gè)方面的加工處理是DL與地圖制作結(jié)合的關(guān)鍵。

2.1 DL模型下的制圖數(shù)據(jù)源加工處理

地圖制圖的數(shù)據(jù)源十分豐富，尤其是在大數(shù)據(jù)環(huán)境下，各種對地觀測數(shù)據(jù)、社會感知數(shù)據(jù)、專業(yè)傳感數(shù)據(jù)、網(wǎng)絡(luò)自媒體數(shù)據(jù)VGI信息等，為地圖制圖提供了大量的數(shù)據(jù)源[31]。這些數(shù)據(jù)形式多樣、類型繁多、結(jié)構(gòu)組織復(fù)雜，同時(shí)隱藏豐富的信息內(nèi)容，傳統(tǒng)的數(shù)據(jù)處理方法難以勝任大數(shù)據(jù)處理的挑戰(zhàn)。針對制圖數(shù)據(jù)的分類、特征提取、圖形識別等帶有決策、判斷行為的加工處理，是DL應(yīng)用的切入點(diǎn)。圖像數(shù)據(jù)、聽覺訊號數(shù)據(jù)、文本數(shù)據(jù)的處理是當(dāng)前DL模型處理的重要數(shù)據(jù)對象，產(chǎn)生了大量專門的DL模型，實(shí)現(xiàn)特征提取、語義理解及自動翻譯等功能，這些數(shù)據(jù)處理工作有的與地圖制圖任務(wù)需求一致，部分可以將通用的加工處理做空間化、圖形化特征的改進(jìn)后納入到制圖數(shù)據(jù)的加工處理。根據(jù)制圖源數(shù)據(jù)的形式、目標(biāo)功能的不同，選擇合適的DL模型對制圖數(shù)據(jù)源加工處理，完成制圖數(shù)據(jù)的清洗、分類與知識發(fā)現(xiàn)。

遙感影像作為地圖制圖的重要數(shù)據(jù)源，應(yīng)用U-Net、R-CNN等DL模型實(shí)施影像信息的地物識別、語義分割與特征提取[32-33]，實(shí)現(xiàn)矢量目標(biāo)的提取，作為地圖制圖的輸入。文本數(shù)據(jù)的理解與信息提取是大數(shù)據(jù)環(huán)境下制圖數(shù)據(jù)加工的一項(xiàng)重要工作，涉及地名信息的理解與識別、自媒體文本信息的特征提取、POI語義信息提取與分類等。自然語言處理NLP作為DL領(lǐng)域研究的一個(gè)重要分支，產(chǎn)生了大量NLP模型方法，可以納入并作針對性改進(jìn)后用于地名、POI語義、空間語言的理解與處理，實(shí)現(xiàn)制圖文本數(shù)據(jù)的智能化加工處理。制圖過程中的社會經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)通常是專題地圖制作的主要數(shù)據(jù)源，對專題統(tǒng)計(jì)數(shù)據(jù)分類、分級實(shí)現(xiàn)空間格局的劃分、空間模式識別與時(shí)空趨勢預(yù)測，通常是這類數(shù)據(jù)加工處理的目標(biāo)。深度學(xué)習(xí)方法服務(wù)于該目標(biāo)的模型包括空間聚類GNN，空間核密度分析的CNN等。地圖除了表達(dá)地理現(xiàn)象的空間定位分布，回答“在何處？”“有何物？”問題外，逐漸轉(zhuǎn)向與地學(xué)領(lǐng)域知識結(jié)合的深層次的空間數(shù)據(jù)加工，從空間特征機(jī)理、空間因果邏輯上回答“怎么樣？”“為什么？”問題。這拓寬了地圖表達(dá)的外延，同時(shí)擴(kuò)展了制圖數(shù)據(jù)源加工處理與地學(xué)領(lǐng)域知識的深度結(jié)合，這將是帶有決策、判斷能力的DL模型新的用武之地。基于圖卷積網(wǎng)絡(luò)模型GCN和循環(huán)網(wǎng)絡(luò)模型RNN，在出行軌跡線樣本訓(xùn)練的基礎(chǔ)上，對外來車輛行人出行線路、位置作預(yù)測，制作交通預(yù)測圖[34]。應(yīng)用圖卷積模型對POI點(diǎn)分布數(shù)據(jù)處理，識別城市功能區(qū)劃分，制作城市土地利用圖[35-36]。運(yùn)用DL模型對空間數(shù)據(jù)做綜合判斷、關(guān)聯(lián)分析與趨勢預(yù)測，進(jìn)而制作空間知識表達(dá)的新型地圖，將是未來地圖制圖技術(shù)發(fā)展的一個(gè)重要趨勢。

2.2 DL模型下的尺度變換與地圖綜合

地圖綜合是地圖制作中的重要技術(shù)環(huán)節(jié)，也是地圖獨(dú)有的抽象化空間思維表現(xiàn)形式，通過對空間、語義信息的抽象概括，歸納出空間分布的主體特征，實(shí)現(xiàn)大比例尺到小比例尺表達(dá)的尺度變換[37]。地圖綜合被認(rèn)為是具有空間抽象思維的高度智能化行為，在地圖制圖技術(shù)體系中，它與AI技術(shù)的結(jié)合最為活躍。早期的專家系統(tǒng)研究試圖通過地圖綜合規(guī)則的判斷與決策，以期在空間沖突探測、綜合算子調(diào)度、綜合過程控制與結(jié)果質(zhì)量評價(jià)多方面實(shí)現(xiàn)智能化[38-39]，但專家知識規(guī)則建立的難度，讓地圖綜合專家系統(tǒng)止步。深度學(xué)習(xí)從一個(gè)新的角度為地圖綜合智能化解決開啟了大門?；诖罅砍叨缺磉_(dá)的案例學(xué)習(xí)訓(xùn)練，獲取圖形簡化、信息抽象、特征概括的規(guī)則知識，然后通過學(xué)習(xí)模型實(shí)施輸入新數(shù)據(jù)的尺度變換。過去應(yīng)用規(guī)則的方法建立地圖綜合的條件及推理機(jī)制，定義好地圖綜合實(shí)施條件后，總會遇到特殊圖形、特殊上下文環(huán)境、特殊結(jié)構(gòu)關(guān)系的處理，于是對主體條件不斷打補(bǔ)丁以期完善，不僅破壞地圖綜合發(fā)生條件的完整性和計(jì)算模型的形式化，復(fù)雜的規(guī)則表述也仍然不能保證窮盡其他條件。深度學(xué)習(xí)則在訓(xùn)練樣本下，通過學(xué)習(xí)自動獲取各種圖形特征、結(jié)構(gòu)關(guān)系與上下文環(huán)境下的地圖綜合表達(dá)規(guī)則，只要案例樣本的代表性與規(guī)?；銐?，理論上是可以窮盡不同地圖綜合規(guī)則條件的。同時(shí)制圖專家的領(lǐng)域知識也可在DL模型中通過參量的定義與量化、學(xué)習(xí)模型的控制(卷積核的選擇、收斂條件的定義等)得以體現(xiàn)。

DL模型在地圖綜合中的應(yīng)用，可以體現(xiàn)在不同層次。底層的應(yīng)用為DL模型支持下的地圖綜合算子的設(shè)計(jì)，完成諸如形狀化簡、鄰近地物合并、沖突關(guān)系移位等操作算法，基于不同的數(shù)據(jù)結(jié)構(gòu)和不同的DL模型，已經(jīng)有一批該類算子出現(xiàn)。文獻(xiàn)[40]將地圖數(shù)據(jù)轉(zhuǎn)換化柵格結(jié)構(gòu)，采用類似圖像處理在U-Net模型支持，實(shí)現(xiàn)了建筑物形狀的綜合。針對同樣的問題，文獻(xiàn)[41]應(yīng)用圖卷積編碼解碼GCN encode方法對形狀模板智能識別，實(shí)現(xiàn)形狀的化簡。兩種方法均在一定程度上達(dá)到專業(yè)制圖人員的形狀識別水平。文獻(xiàn)[42]通過圖卷積GCN模型實(shí)現(xiàn)了街區(qū)內(nèi)建筑物的分布模式聚類，為地圖綜合合并提供決策依據(jù)，該圖卷積方法基于頻域傅里葉變換能較好探測鄰域結(jié)構(gòu)關(guān)系。高層的應(yīng)用則表現(xiàn)為DL模型在地圖綜合算子的調(diào)度與適宜性決策，該智能決策過程屬于宏觀層次，顧及的決條件和上下文更多。有關(guān)研究應(yīng)用后向傳播網(wǎng)絡(luò)模型BPNN建立了建筑物綜合方法[43]，在4種算法中實(shí)現(xiàn)最優(yōu)化決策，針對不同的圖形特征條件，選擇最優(yōu)的綜合算法。早期對地圖綜合的智能化開展的agent智能體研究[39]，在綜合算子的選擇、條件判斷、參量設(shè)置上獲得一定的智能化水平，DL模型的應(yīng)用同樣可在高層的算子決策上發(fā)揮作用，有專家認(rèn)為新時(shí)期DL在地圖綜合的應(yīng)用是一種新的智能體[16]。

2.3 DL模型下的地圖符號設(shè)計(jì)與可視化風(fēng)格表達(dá)

地圖制作是具有藝術(shù)創(chuàng)意設(shè)計(jì)的加工過程，地圖符號的寫意、地圖幅面的風(fēng)格、空間圖形組織的態(tài)勢都蘊(yùn)含了地圖藝術(shù)創(chuàng)意設(shè)計(jì)的內(nèi)容。地圖的表達(dá)除了體現(xiàn)空間投影模型與地學(xué)知識的科學(xué)性、數(shù)據(jù)處理圖形生成的可操作與高效率的技術(shù)性外，還要顧及受眾的美學(xué)感受與視覺認(rèn)同的藝術(shù)特性，科學(xué)、技術(shù)與藝術(shù)三維度統(tǒng)一是地圖學(xué)的學(xué)科特點(diǎn)。DL在視覺信息、聽覺信息處理中用學(xué)習(xí)的方法提取圖像、音頻中的風(fēng)格模式，被認(rèn)為是DL取得的突出成果之一，不僅可在圖像中發(fā)現(xiàn)藝術(shù)家的創(chuàng)作風(fēng)格，還可遷移到新的藝術(shù)創(chuàng)作中，用模仿的手段設(shè)計(jì)類似風(fēng)格的作品，模擬表達(dá)特定文化時(shí)代的創(chuàng)作特色(圖3)。在地圖藝術(shù)設(shè)計(jì)中，圖幅版面的渲染風(fēng)格可以借用卷積神經(jīng)網(wǎng)絡(luò)CNN提取圖像的風(fēng)格模式[44]，實(shí)現(xiàn)特定藝術(shù)風(fēng)格遷移到地圖版面設(shè)計(jì)中。深度學(xué)習(xí)中的生成式對抗技術(shù)GAN可以完成類似的功能[45]。某些手繪功能(鉛筆畫、手工水彩設(shè)計(jì))也可通過這一深度學(xué)習(xí)方法完成個(gè)性化地圖符號與圖形版面的設(shè)計(jì)[46]。DL技術(shù)的應(yīng)用，使得地圖設(shè)計(jì)在保證內(nèi)容科學(xué)性條件下引入奇特的藝術(shù)表現(xiàn)形式，為科學(xué)性與藝術(shù)性的結(jié)合尋找到一條新途徑。另外，地圖可視化符號的適宜性選擇，也可在深度學(xué)習(xí)支持下完成。在長期的地圖設(shè)計(jì)中積累產(chǎn)生了大量地圖符號模板、多樣的統(tǒng)計(jì)圖表形式，針對特定的制圖數(shù)據(jù)從眾多的符號樣式中如何選擇適宜的可視化符號，是一個(gè)典型的決策問題。通過樣本的訓(xùn)練應(yīng)用深度學(xué)習(xí)實(shí)現(xiàn)符號選擇，是大數(shù)據(jù)背景下地圖設(shè)計(jì)的一個(gè)新思路。

圖3 地圖可視化渲染風(fēng)格的遷移Fig.3 The transfer of map visualization style

3 深度學(xué)習(xí)在地圖分析中的應(yīng)用

地圖應(yīng)用分析是地圖制圖技術(shù)的另一項(xiàng)任務(wù)，涉及大量識別、判斷、推理等決策分析過程，是DL在地圖學(xué)中應(yīng)用的另一個(gè)結(jié)合點(diǎn)。DL模型支持下的地圖分析過程有賴于地學(xué)領(lǐng)域知識和地圖特征樣本庫的支持。該分析的流程如圖4所示。

圖4 DL模型支持下的地圖分析過程Fig.4 Map analysis process supported by DL model

根據(jù)地圖分析的類型差異，從DL模型庫中選擇適宜的學(xué)習(xí)模型分別面向模式識別、過程預(yù)測、特征提取、回歸分析等不同形式的分析。DL模型庫中的學(xué)習(xí)模型具有通用的決策分析功能，當(dāng)具體到地圖領(lǐng)域的分析時(shí)，實(shí)質(zhì)是建立通用模型中的抽象的神經(jīng)元空間與實(shí)際的地圖中實(shí)體空間的映射關(guān)系。需要確立DL模型中神經(jīng)元與地圖空間的實(shí)體對應(yīng)，以及神經(jīng)元的描述向量與地理實(shí)體的特征對應(yīng)。地圖分析DL模型中的神經(jīng)元可以是地理實(shí)體、目標(biāo)群結(jié)構(gòu)、時(shí)空過程的快照或者空間剖分單元，這些單元的組織結(jié)構(gòu)可抽象為線性表、矩陣、樹結(jié)構(gòu)、圖結(jié)構(gòu)，在DL模型庫中分別有不同數(shù)據(jù)結(jié)構(gòu)下的學(xué)習(xí)模型對應(yīng)，數(shù)據(jù)結(jié)構(gòu)和任務(wù)目標(biāo)往往是選擇DL模型的依據(jù)。同時(shí)，這些單元的向量定義需要地學(xué)專業(yè)知識確立其決策目標(biāo)的影響因子、關(guān)聯(lián)關(guān)系和上下文條件，需要空間認(rèn)知科學(xué)確立諸如Gestalt原則下的認(rèn)知完形參量等。不同于圖像識別DL模型中的參量定義主要依賴3個(gè)色譜通道RGB即可完成圖像的理解、特征識別，基于地圖的模式識別、過程預(yù)測等學(xué)習(xí)模型的向量描述更趨多樣化，根據(jù)決策分析問題的不同，往往需要地學(xué)、認(rèn)知科學(xué)等領(lǐng)域的專業(yè)知識支持[20]。

地圖樣本庫作為學(xué)習(xí)訓(xùn)練的基礎(chǔ)，在地圖分析DL模型中扮演重要角色。地圖樣本類型包括不同空間分布特征的空間模式、用地類型、分布格局以及地理學(xué)上劃分的地貌類型、濕地類型、經(jīng)濟(jì)功能區(qū)、城市功能區(qū)等。在典型的、具有一定規(guī)模的樣本訓(xùn)練后DL模型具備自我決策能力，對新輸入的數(shù)據(jù)自行判別其分區(qū)、類型、特征等。

基于地圖的決策分析與地學(xué)領(lǐng)域知識的結(jié)合有深度差異，可區(qū)分為淺層的主要基于圖形幾何特征的空間分析，以及深層的地學(xué)領(lǐng)域知識深入融合的空間語義信息聯(lián)合的深層分析。前者主要完成幾何模式、主體特征、空間格局、區(qū)域相關(guān)等的決策分析，后者屬于地學(xué)領(lǐng)域的專業(yè)化分析，涉及功能區(qū)劃分、時(shí)空過程趨勢預(yù)測、地學(xué)規(guī)律提取等[20]。這一分析過程也是大數(shù)據(jù)產(chǎn)生的數(shù)據(jù)密集型第四科學(xué)研究范式的體現(xiàn)。DL模型在數(shù)據(jù)驅(qū)動下，基于樣本的訓(xùn)練揭示空間分布知識和時(shí)空演變規(guī)律。DL模型在地圖分析的應(yīng)用對數(shù)據(jù)內(nèi)容要求低，在基本的點(diǎn)線面幾何特征數(shù)據(jù)上即可完成?；诰矸e模型CNN可實(shí)現(xiàn)“問題地圖”的識別[47]，同樣，運(yùn)用卷積模型CNN從混雜的圖形圖像資料中將地圖類型資料挑選出來[46]。文獻(xiàn)[42]運(yùn)用圖卷積GCN模型實(shí)現(xiàn)了建筑物分布的規(guī)范性與否的特征識別；文獻(xiàn)[48]對城市街道網(wǎng)中的正交、輻射等不同模式進(jìn)行了識別(圖5展示了圖卷積學(xué)習(xí)模型在道路網(wǎng)正交模式識別中的應(yīng)用)；文獻(xiàn)[49]運(yùn)用圖像識別DL模型完成了街道網(wǎng)中的立交橋識別。這些研究均在幾何數(shù)據(jù)基礎(chǔ)上實(shí)現(xiàn)，對領(lǐng)域知識的需求幾乎為零，對于后者面向地學(xué)領(lǐng)域知識的DL模型，需要綜合性的學(xué)習(xí)決策，需要地學(xué)領(lǐng)域知識與DL的緊密結(jié)合，目前在該領(lǐng)域的應(yīng)用第一個(gè)活躍領(lǐng)域及時(shí)通過DL識別城市不同功能區(qū)[35,50]，這種結(jié)合可以通過神經(jīng)元向量定義引入地學(xué)專業(yè)特征、梯度下降條件顧及領(lǐng)域知識、卷積模型中選擇特定的專業(yè)卷積核等，實(shí)現(xiàn)DL計(jì)算模型的領(lǐng)域知識控制。另外，樣本類型的針對性選取，也可體現(xiàn)領(lǐng)域知識的作用。地圖數(shù)據(jù)的綜合性分析獲得諸如土壤類型、濕地類型劃分、地學(xué)功能區(qū)劃分等，將是深度學(xué)習(xí)在地學(xué)領(lǐng)域應(yīng)用的發(fā)展方向[20]。

圖5 卷積型街道網(wǎng)絡(luò)模式識別模型Fig.5 A convolution neuron network model to identify special street pattern

4 “深度學(xué)習(xí)+地圖制圖”面臨的挑戰(zhàn)與發(fā)展前景

DL是一種模擬人的智能行為的計(jì)算模型，在不同領(lǐng)域應(yīng)用時(shí)，該模型需要考慮該領(lǐng)域目標(biāo)問題的性質(zhì)、智能決策的機(jī)理、輸入數(shù)據(jù)的結(jié)構(gòu)組織、樣本的準(zhǔn)備等多種條件。目前DL在圖像理解、自然語言處理、棋類對弈等幾個(gè)重要領(lǐng)域應(yīng)用時(shí)，分別面臨不同的難題挑戰(zhàn)，“深度學(xué)習(xí)+地圖制圖”同樣面臨著挑戰(zhàn)。受地圖制圖技術(shù)特定的專業(yè)特征、應(yīng)用環(huán)境的影響，產(chǎn)生了兩者結(jié)合的特有難題。具體而言，“深度學(xué)習(xí)+地圖制圖”面臨的挑戰(zhàn)有以下幾點(diǎn)。

4.1 地圖數(shù)據(jù)組織的非規(guī)范性

地圖的數(shù)據(jù)內(nèi)容是由結(jié)構(gòu)化的地物實(shí)體構(gòu)成，地理要素的類型豐富、結(jié)構(gòu)關(guān)系復(fù)雜，用于地圖存儲的數(shù)據(jù)組織缺乏像圖像組織那樣規(guī)范的像元矩陣結(jié)構(gòu)。地圖矢量數(shù)據(jù)表達(dá)需要針對不同地物要素、不同性質(zhì)任務(wù)采用不同的數(shù)據(jù)結(jié)構(gòu)，包括線性結(jié)構(gòu)、樹結(jié)構(gòu)、圖結(jié)構(gòu)等，分別用于描述地圖矢量數(shù)據(jù)的群集目標(biāo)、層結(jié)構(gòu)目標(biāo)、網(wǎng)絡(luò)狀目標(biāo)等。建立面向地圖分析的DL模型時(shí)，需要顧及多種數(shù)據(jù)結(jié)構(gòu)，例如基于線性結(jié)構(gòu)的RNN模型、基于矩陣結(jié)構(gòu)的CNN模型、基于樹結(jié)構(gòu)圖結(jié)構(gòu)的圖卷積模型GCN模型等。在圖像數(shù)據(jù)的像元組織矩陣結(jié)構(gòu)中，像元的鄰域關(guān)系、像元的特征描述都是確定規(guī)范的，而地圖表達(dá)中應(yīng)用較廣的圖結(jié)構(gòu)，其節(jié)點(diǎn)的鄰域關(guān)系的維數(shù)和特征描述不是固定的，屬于非規(guī)范的數(shù)據(jù)結(jié)構(gòu)?；谝?guī)范結(jié)構(gòu)發(fā)展起來的CNN模型及其改進(jìn)的派生模型，在圖像識別、理解中已取得很好成果，但面對地圖數(shù)據(jù)可能難以發(fā)揮作用。在DL研究中，作為后起之秀的基于圖結(jié)構(gòu)的DL模型GNN、GCN[27-28]，可望在地圖應(yīng)用中發(fā)揮重要作用，解決非規(guī)范性地圖數(shù)據(jù)組織的難題。地圖數(shù)據(jù)中的河流網(wǎng)、道路網(wǎng)以及對偶轉(zhuǎn)換后的建筑物群、POI點(diǎn)通達(dá)結(jié)構(gòu)等，均可通過一定形式的變換建立圖結(jié)構(gòu)(圖的節(jié)點(diǎn)對應(yīng)實(shí)體單元，圖的邊對應(yīng)鄰域連接、通達(dá)、依存共位等聯(lián)系)如圖6所示，基于這一非規(guī)范的圖結(jié)構(gòu)建立GNN、GCN模型實(shí)現(xiàn)地圖數(shù)據(jù)的分析決策。

圖6 地圖數(shù)據(jù)圖結(jié)構(gòu)抽象表達(dá)Fig.6 The map data abstracted to graph structure

4.2 地圖目標(biāo)樣本標(biāo)注的專業(yè)性

樣本庫是DL的基礎(chǔ)，正是具有代表性特征的一定規(guī)模的樣本訓(xùn)練、學(xué)習(xí)才使得模型具有自我決策能力。在地圖領(lǐng)域建立DL模型，所依賴的樣本庫包括不同空間分布特征的空間模式、用地類型、分布格局以及地理學(xué)上劃分的地貌類型、濕地類型、經(jīng)濟(jì)功能區(qū)、城市功能區(qū)等。這類樣本的選取、標(biāo)注需要依賴人的智能決策判斷，有些還要一定專業(yè)知識支持，難以在短期內(nèi)建立大規(guī)模的樣本庫。而對于圖像識別的樣本主要是人們熟悉的地物類型身份判斷，例如動物頭像貓、狗的識別，可以廣泛地網(wǎng)絡(luò)征求，通過泛在網(wǎng)絡(luò)的自動、交互等方式建立，如ImageNet樣本庫達(dá)到千萬級。地圖樣本標(biāo)注的專業(yè)知識需求、典型特征識別的不確定性，增加了地圖與深度學(xué)習(xí)結(jié)合的難度。

4.3 地理特征與幾何特征的集成

地圖是地理特征現(xiàn)象的圖形化表達(dá)，不是一般幾何圖形的可視化，其中蘊(yùn)含著深層次的地學(xué)領(lǐng)域知識。在地圖DL模型建立時(shí)，神經(jīng)元的向量描述既要考慮空間的幾何結(jié)構(gòu)，還要顧及地學(xué)領(lǐng)域知識，將地理特征和幾何特征集成，向量描述往往是多維的。相對地，圖像識別中神經(jīng)元的描述主要是基于色譜的RGB三通道，要簡單得多。在地圖分析中，空間認(rèn)知對模式識別、特征提取發(fā)揮重要作用，而認(rèn)知參量的定義與度量具有較強(qiáng)的不確定性，尋找合適的模式規(guī)則表達(dá)的參量也是一個(gè)挑戰(zhàn)。

4.4 學(xué)習(xí)模型的適宜地圖尺度選擇

尺度是地圖表達(dá)的重要特征，它反映了地理空間抽象概括的層次。在地圖DL模型建立時(shí)，尺度特征尤其是數(shù)據(jù)表達(dá)粒度是一個(gè)重要影響因素。面向特定智能決策目標(biāo)，選擇何種尺度表達(dá)的地圖、何種層次的數(shù)據(jù)粒度作為學(xué)習(xí)模型的數(shù)據(jù)處理對象是一個(gè)挑戰(zhàn)性問題。實(shí)際空間的地物目標(biāo)在不同尺度表達(dá)中，具有不同的幾何維數(shù)、不同的抽象層次和不同級別的語義特征，這些性質(zhì)都將影響學(xué)習(xí)模型的神經(jīng)元定義和向量特征描述。另外，學(xué)習(xí)模型面臨的過擬合現(xiàn)象，也與向量描述細(xì)節(jié)性有關(guān)，在卷積型DL模型中，卷積核、池化函數(shù)的確立也要受數(shù)據(jù)粒度的影響。

“深度學(xué)習(xí)+地圖制圖”面臨諸多挑戰(zhàn)。隨著DL技術(shù)的深入發(fā)展，尤其是向可解釋性DL模型的發(fā)展，數(shù)據(jù)驅(qū)動和領(lǐng)域知識驅(qū)動相結(jié)合的策略定會有突破。隨著位置信息在智能決策上的扮演越來越重要角色，“深度學(xué)習(xí)+地圖制圖”的未來發(fā)展有兩個(gè)趨勢。一是地圖將作為專門的DL學(xué)習(xí)數(shù)據(jù)對象，在空間型智能技術(shù)上發(fā)揮重要作用。目前人工智能DL基于的數(shù)據(jù)對象包括圖像、音頻、視頻、文本等視、聽感知數(shù)據(jù)類型，作為位置信息表達(dá)的具有幾何矢量特征和拓?fù)浣Y(jié)構(gòu)的地圖，有望加入該系列，成為新的專門的數(shù)據(jù)類型，參與DL的智能化處理。從測繪技術(shù)鏈分析，地圖主要來源于圖像，但經(jīng)過結(jié)構(gòu)化處理，地圖在空間表達(dá)上與圖像有顯著的不同特征，承載著比遙感圖像更多的空間認(rèn)知、空間推理等智能任務(wù)。在眾源網(wǎng)絡(luò)應(yīng)用中，基于地圖位置數(shù)據(jù)的交流傳輸與圖像、音頻一樣日益增多，地圖在空間行為、空間語言表達(dá)成為專門的媒體數(shù)據(jù)，后繼AI領(lǐng)域的研究必將對地圖給予更多關(guān)注。二是兩者的結(jié)合所展示出空間智能將在整個(gè)人工智能體系中占有重要地位。從哲學(xué)上講空間是一切物質(zhì)現(xiàn)象的載體，基于空間定位、推理、決策的空間智能在智能體系中具有基礎(chǔ)性作用。腦科學(xué)研究中對大腦皮層的神經(jīng)元按照其智能化功效探索其分類，一直是一個(gè)重要的課題，包括各種感知的、語言的、情感的，等等。2014年的諾貝爾生理或醫(yī)學(xué)獎授予了空間定位感知神經(jīng)元細(xì)胞的發(fā)現(xiàn)，可見空間型智能的突出地位(其他感知功能的大腦神經(jīng)元細(xì)胞發(fā)現(xiàn)經(jīng)常也有報(bào)到，但沒得到諾貝爾獎青睞)?？臻g智能在整個(gè)人工智能體系中的重要性，必將推動“深度學(xué)習(xí)+地圖制圖”走向深入的結(jié)合。

5 結(jié) 語

“千言萬語不如一張圖”是對地圖空間表達(dá)能力的一種詮釋。為實(shí)現(xiàn)該目標(biāo)，只有將地圖與智能技術(shù)結(jié)合，讓地圖具備智能化分析、理解的能力，將隱藏在地圖背后的知識挖掘出來，才能真正體現(xiàn)。地圖學(xué)包含的地圖制作和地圖應(yīng)用兩大任務(wù)，一直保持與人工智能不同技術(shù)成果的結(jié)合，在經(jīng)歷了符號主義階段的制圖專家系統(tǒng)、行為主義階段空間優(yōu)化決策，目前面臨著連接主義下的以深度學(xué)習(xí)為代表的智能技術(shù)結(jié)合的問題。一方面，深度學(xué)習(xí)與地圖空間問題的解答存在諸多思想一致的策略，表明兩者結(jié)合是可行的；另一方面該結(jié)合又面臨一系列挑戰(zhàn)，與地圖學(xué)的鄰近學(xué)科遙感影像處理相比，地圖深度學(xué)習(xí)的數(shù)據(jù)對象、樣本建立、參量定義、尺度選擇面臨一定的難題。從應(yīng)用角度，地圖的深度學(xué)習(xí)是普適性DL模型與空間智能思維具體化的應(yīng)用。如何提升深度學(xué)習(xí)的智能化水平，越來越多的專家逐漸拋棄單純依賴數(shù)據(jù)驅(qū)動的認(rèn)識，轉(zhuǎn)向領(lǐng)域知識與數(shù)據(jù)驅(qū)動并行的策略?；谠撍枷?，地圖DL有賴于地圖專家及其他地學(xué)專家的知識支持，積極主動地確立地圖空間的智能化問題，將相關(guān)領(lǐng)域知識融入到DL模型中，使得計(jì)算機(jī)制圖系統(tǒng)的創(chuàng)意設(shè)計(jì)能力向人的大腦行為逼近，讓地圖分析系統(tǒng)具備人腦類似的智能水平，任重道遠(yuǎn)。