張永生，張振超，童曉沖，紀 松，于 英，賴廣陵

信息工程大學地理空間信息學院，河南 鄭州 450001

地理空間智能(geospatial artificial intelligence，GeoAI)，是指借助高性能計算工具，利用人工智能技術(尤其是機器學習、深度學習)及數據挖掘方法，從地理空間專有數據和虛擬空間地理關聯泛在大數據中匯集、描述、評估地理空間物理特性和變化信息，并挖掘、測算、利用有價值信息的技術[1-2]。地理空間智能是地理空間科學(geospatial science)和人工智能(artificial intelligence)之間深度融合的交叉領域，其目標是采用人工智能手段高效能地處理、分析和應用地理空間數據，強力提升和充分釋放地理空間數據潛能[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據進行實時或近實時處理和綜合分析技術的智能化升級，又要面對網絡空間以非傳統(tǒng)方式涌現的地理關聯泛在大數據的智能技術接入，才能更好地服務于經濟建設、社會發(fā)展、大眾生活的方方面面[4-6]。因此，實現地理空間智能技術進步，對于驅動地理空間信息行業(yè)轉型發(fā)展具有重要意義。在國內，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，在智慧城市建設的基礎上，以海量地理信息資源為基礎，以新一代互聯網絡為支撐，以物聯網、感知網為骨架，以云計算和大數據為血液，實現地理信息的集成服務和智慧化應用[7]。國際上，2017—2019年，國際計算協(xié)會ACM舉辦人工智能用于空間數據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方法[8-9]。2019年9月，美國能源部在橡樹嶺國家實驗室舉辦萬億像素地理空間智能挑戰(zhàn)研討會，關注人工智能助力地理知識發(fā)現應對全球性挑戰(zhàn)的重大議題，以及人工智能模型的泛化性能、地理空間數據融合、邊緣計算、硬件架構和高性能計算等專題技術。2019年，英國國家地理空間學會在地理信息新技術報告中，將地理空間智能與無人駕駛系統(tǒng)及無人機、智能傳感器和物聯網一并列入地理信息技術發(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：①地理空間數據獲取能力增強；②人工智能算法的高速發(fā)展和性能增強；③計算能力的迅速提升。在數據獲取方面，來自空、天、地的傳感器、物聯網終端每天都在獲取海量數據，這些數據中80%都包含關聯位置信息的地理空間數據，例如坐標值、郵政編碼或某一地區(qū)的天氣狀況等；在算法方面，研究人員在深度學習網絡設計、模型訓練中取得了重要進展；在計算能力方面，云計算、圖形處理單元GPU等高算力加速硬件的出現，為處理海量地理空間數據提供了計算力支撐。

地理空間智能的技術基礎，主要包含地理空間科學、人工智能、機器學習、深度學習及數據挖掘等。地理空間科學，是根據地理位置來顯示、分析、理解真實世界現象和規(guī)律的學科；地理空間科學利用地理信息系統(tǒng)和遙感技術處理及組織空間數據，從大數據中分析空間模式[11]。人工智能是通過機器來感知客觀世界，實現信息獲取過程的自動化。機器學習是人工智能的子集，指計算機從原始數據中獲取知識，提取信息，并解譯隱含的模式信息。深度學習則是機器學習領域近十余年來最受關注的技術，通過讓計算機模擬人腦特征的神經網絡，使計算機從簡單概念中學習復雜的經驗，從而更加有效地理解真實世界[12]。數據挖掘技術注重從大數據中分析模式信息從而指導科學決策。

本文在系統(tǒng)分析地理空間智能的技術內涵基礎上，梳理國內外科學研究進展，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

地理空間智能技術的主要特點，是從輸入端(傳感器或廣義信息源)采集并存儲地理空間數據，采用人工智能算法對其綜合處理得到模型，在服務端對數據或模型進行應用[13-14](圖1)。數據輸入端的主要任務是數據采集和數據標注。算法模塊的任務包含非監(jiān)督學習、深度學習和遷移學習等一系列技術方法。應用服務端的任務包括部署模型、共享地理信息數據和訓練好的模型等。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，以便服務模塊根據自身的應用需要對模型進行再訓練、再改進，從而滿足不同的應用需求。

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

把AI技術應用于GIS，可借助AI技術來改進GIS系統(tǒng)的智能性，實現基于地理空間數據的智能感知、智能認知與智能決策。機器學習是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)。分類方法經歷了決策樹、基于知識的專家系統(tǒng)，再發(fā)展到現在的智能機器學習方法，例如支持向量機(support vector machine)、隨機森林(random forest)、人工神經網絡等。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?；貧w方法有經驗貝葉斯空間內插法、EBK回歸預測、最小二乘回歸和地理加權回歸等。

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

深度學習是一種機器學習方法，為GIS提供了強大的數據處理和信息提取工具。機器學習的過程是從數據準備到特征提取，再利用提取的特征對模型進行訓練，最后對新的數據完成測試驗證。深度學習方法受到大腦生理過程啟發(fā)，在大腦的神經網絡中，存在對刺激做出反應的神經元，它們彼此連接并傳遞信息。深度學習不同于傳統(tǒng)的機器學習，特征提取不再由人工完成，而是由神經網絡自主完成。

深度學習從GIS平臺中獲取數據，利用人工智能平臺(如亞馬孫云平臺AWS、IBM Watson、微軟Azure)和深度學習框架(如Caffe、TensorFlow、PyTorch)完成智能推理。地理空間智能中的深度學習包含以下3個步驟：①數據準備，包括數據標注、訓練樣本管理、訓練樣本輸出；②深度學習模型的訓練；③模型應用，指利用訓練好的模型在未知數據上進行預測。深度學習可以用于分類、分割和目標提取等任務。分類模塊底層的算法較多，典型的有卷積神經網絡(CNN)、循環(huán)神經網絡(RNN)等。用于分割的網絡模型包括全連接神經網絡FCN、U-Net、PSPNet等。目標提取也是地理空間智能的重要任務，常用模型包括YOLO、Faster-RCNN、Mask RCNN等。圍繞地理空間智能已出現多種工具平臺，下面介紹國內外的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，并借助其深度學習框架TensorFlow完成數據智能化處理和分析。例如，谷歌利用Landsat影像對1984—2018年的地球表面變化信息進行可視化，并進行變化分析。

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“服務于地球的人工智能”(AI-for-Earth)項目，應用于全球農業(yè)、水資源管理、生物多樣性、氣候監(jiān)測等領域。微軟與ESRI合作將ArcGIS Pro內核加入到微軟云平臺Azure上，發(fā)布了地理空間智能數據科學虛擬機(DSVM)(圖4)，把人工智能、云技術和基礎架構、地理空間分析相結合，服務于更加智能的地理空間分析、數據可視化等應用。

圖4 微軟地理空間智能數據科學虛擬機核心組成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、地理空間設計和地理空間控制(圖5)。金字塔的復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據庫POLARDB對接融合，完成兼容性認證，構建云原生時空管理平臺聯合解決方案，并推出“云原生數據庫+云原生GIS”平臺，通過人工智能提升地理信息服務能力。

圖5 地理空間智能金字塔Fig.5 The GeoAI pyramid

2 地理空間智能科學研究進展

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

圖6 地理空間智能科學研究進展：數據與應用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，集中在地理空間感知智能階段，主要實現空間目標提取和模式識別，包括實現影像分類、語義分割、地物提取、實例分割等任務，與計算機視覺的任務相對應。如圖7所示，計算機視覺針對二維或三維感知數據進行解譯與重建；而地理空間智能針對的是特定的具有地理屬性的數據，完成與測繪地理信息需求相關的任務。

圖7 地理空間智能與計算機視覺的技術關聯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網絡實現逐像素的分類[15-16]。為使網絡容易訓練或記憶性更強，研究者引入局部和全局注意力機制[17]、殘差神經網絡[18]等思想。當前空間目標提取的研究內容主要包括地理要素提取(如建筑物[19]、道路網[17]等)和關鍵感興趣目標提取(如飛機[20]、艦船[21]、野生動物[22]等)。在配準的遙感影像間或影像序列間檢測地物變化，主要采用孿生神經網絡作為編碼器，提取出兩個時相間的特征變化[23]。激光點云智能方法主要分為傳統(tǒng)機器學習方法[24]和基于多層感知機的語義分割兩類[25]。前者通過人工提取點云幾何特征，并采用機器學習算法實施分類；后者直接以點云作為輸入，以多層感知機作為模型主干，以加權交叉信息熵作為代價函數，輸出每個激光點的標簽概率。孿生神經網絡也被用于點云變化檢測[26]。雷達影像處理方面的研究典型包括基于數學形態(tài)學和K均值聚簇的雷達影像形變監(jiān)測[27]、基于全連接神經網絡實數權重核函數的復數域影像分割[28]等。

(2) 異源遙感信息融合。為克服單一數據源的缺陷，很多工作研究對配準的光學影像和DSM進行融合分割[29-31]。文獻[32]利用孿生神經網絡從不同模態(tài)的雷達影像和航空影像中檢測變化。文獻[33]以L2-Net為模型主干對無人機影像和衛(wèi)星影像實施配準。文獻[34]在視頻序列影像分割中，通過全連接的條件隨機場(CRF)將短期時間信息融入結構化場景信息，用密集光流提取視頻序列的動態(tài)信息。

2.2 地理空間認知智能

地理空間認知智能的研究內容主要包括，利用空間數據挖掘和智能分析技術，從空間數據中挖掘出隱藏的模式關系和趨勢[35]。基于人工智能的空間數據挖掘研究展現了較強的知識發(fā)現能力，在關聯分析、聚類分析、異常檢測方面都取得了進展。文獻[36]利用空間多準則決策分析，基于遙感數據和地理信息系統(tǒng)，建立包含城區(qū)擴張、城市可用土地、土地利用變化的數據庫，為城市規(guī)劃提供決策。文獻[37]利用街景影像分析北京市內出租車的軌跡模式，在地理空間和人類活動特征間建立聯系。文獻[38]通過Voronoi鄰域分割和反向鄰近加權進行空間自相關定量描述，分析地理文本與網絡地圖的相關性?；谏缃幻襟w數據的智能時空分析，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)事件和應急救災中，受災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]、融合光譜特征和點云特征的多核學習法[44]等。文獻[45]采用最鄰近防水模型(HAND)和偽隨機森林法預測洪水區(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測，殘差神經網絡被用于滑坡位置分析[48]。

在全球環(huán)境監(jiān)測方面，文獻[49]利用深度學習監(jiān)測城市大氣污染物濃度并預測污染態(tài)勢。文獻[50]利用時空回歸克里金法對城市NO2的濃度進行建模。深度學習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農業(yè)和生態(tài)學中得到利用，例如城市植被覆蓋普查[53]、農作物生長態(tài)勢監(jiān)測[54]、植被健康狀況分析[55]、植被幾何結構和功能屬性測算[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)境狀況進行建模，廣泛應用于環(huán)境衛(wèi)生、流行病學、遺傳學、行為科學等領域[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據、軌跡數據的可視化和建模，針對患者制定健康規(guī)劃和干預措施等[59]。

2.3 地理空間決策智能

地理空間決策智能的研究進展包括空間態(tài)勢建模、智能預測，其位于GeoAI技術環(huán)節(jié)頂端，直接服務于多樣化的地理信息產業(yè)應用需求。地理空間智能通過對商業(yè)數據、運營數據的建模和分析，為銷售額預測、消費者需求預測、客戶分布分析、產業(yè)鏈選址提供支持。文獻[60]采用P-DBSCAN進行空間聚類，根據游客旅游歷史和當前搜索文本進行個性化的線路推薦。文獻[61]使用基于GIS的模糊多準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可以進行基于注意力機制的車流監(jiān)控、實時跟蹤、出行線路規(guī)劃、交通狀況監(jiān)控與擁堵疏導[62-64]。

三維場景智能重建的研究主要集中在單像深度恢復[65]、基于室內點云和軌跡的室內建模[66]、含有語義信息的三維地圖重建[67-68]等。文獻[66]利用室內點云和軌跡，通過可視化分析和物理結構分析分割出單個房間的點云，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[67]使用ORB-SLAM2算法對室內環(huán)境進行實時三維重建，融合目標檢測方法YOLOv3進行關鍵幀標注，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)結合地圖、影像情報、參戰(zhàn)各方的地理位置數據等，對戰(zhàn)場態(tài)勢進行可視化和仿真，通過虛擬現實(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局(NGA)的“航行者”項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、美國哈佛大學教授霍華德·加德納(Howard Gardner)認為，人類具有相對獨立存在且與特定認知領域和知識領域相聯系的8種智能：視覺空間智能、語言智能、數理邏輯智能、身體運動智能、音樂智能、人際智能、自我認知智能、自然認知智能[70]。當前，探索和發(fā)展人工智能技術，正在向模擬和延伸人類8大智能的縱深方向邁進。研究和破解地理空間智能的技術難題，主要集中在對視覺空間智能、數理邏輯智能和自然認知智能的認識、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、機載、車載傳感器和各類物聯網終端獲取地理空間數據，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，這類數據具有體量大、獲取速度快、模態(tài)多樣、真?zhèn)坞y辨、價值不一等顯著特點[71]。充分利用和深度挖掘地理數據的潛力，核心難題在于讓人工實現的自然認知智能、數理邏輯智能，為空間智能增效賦能，達成地理空間智能關鍵技術突破的主要目標任務。完成這樣的任務，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 空間數據的多樣性和不確定性

不同傳感器獲取的地理空間數據呈現不同結構，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，機載LiDAR提供的是非結構化的三維點云數據，數字地圖提供二維矢量數據，3種數據屬性差異很大[72-73]。在地理空間智能系統(tǒng)中如何對多源數據進行恰當的篩選和有效的融合，從中提取出有價值的模式特征，具有一定的挑戰(zhàn)性。

3.2 制作訓練樣本成本高昂

監(jiān)督學習仍然是當前解決地理空間智能問題使用最廣泛的方法。監(jiān)督學習依賴于大量的、多樣化的訓練樣本。通常情況下，訓練數據精度越高、類別越全面，其訓練出模型的泛化能力就越高。然而，人工數據標注費時費力，效率不易提高?；谟邢抻柧殬颖镜纳疃葘W習，難以獲得高精度模型。如何基于小的訓練樣本得到穩(wěn)健的模型具有很大的挑戰(zhàn)性。此外，當各個類別的訓練樣本數量差異大時，訓練過程也更加難以收斂，結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。以深度學習為例，目前確定神經網絡結構里的超參數(卷積層、池化層、全連接層出現頻次、連接順序等)，尚無科學的設計方法。設計在不同維度空間對數據進行擬合的神經網絡模型結構，其偶然性和隨意性比數學物理規(guī)則中的確定性和可重復性要復雜。泛化性能指的是人工智能模型應用于新的測試數據時的性能。隨著訓練數據和測試數據的屬性差異增大，模型測試精度也會降低。例如，當訓練集和測試集的數據來源不同的傳感器、數據質量不同時，模型的泛化性能難以得到保證。

3.4 計算設備性能有限

地理空間數據指數增長、人工智能應用需求增多、機器學習模型復雜度增加，對高性能計算提出了很高的要求。以深度學習模型為例，深度學習網絡越深，它能完成分類或識別任務的潛能就越大。隨著神經網絡加深、參數增加，模型復雜度增加，需要的訓練樣本數也增多，而當今的數據存儲和處理能力都不足以支撐地理空間智能對于計算性能的要求。

3.5 數據和模型的共享面臨挑戰(zhàn)

地理空間智能瞄準的是數據獲取及處理、模型訓練和應用、智能化服務的一體化，通過共享地理空間數據和人工智能模型，可以促進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、更高效、更智能的服務。然而，受制于高昂的數據獲取成本、標注成本和模型訓練成本，且不同來源的地理空間數據難以融合利用，目前數據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算機視覺領域，融合地學特性的GeoAI專用人工智能算法或專用深度學習框架仍有待研究[15,74]。通過改造通用模型用于地理空間數據處理，一般只考慮到地理空間信息的幾何空間特性，難以融合多源異構地理信息數據，難以顧及其地物光譜特性和地學知識。

3.7 技術轉化與應用仍有差距

雖然人工智能技術發(fā)展迅速，學術界發(fā)表的目標提取、語義分割方法在標準試驗數據上測試精度持續(xù)刷新。但學術界的GeoAI研究成果距離落地生產仍有差距，原因可歸結為現實世界的復雜性和真實數據的不確定性。目前通過車載掃描系統(tǒng)獲取遙感影像和LiDAR點云，從中提取道路網、路燈、交通信號桿等均可達到較高精度，但距離生產可靠的高精度地圖產品仍有技術差距，提取的道路網、地物之間仍缺乏拓撲信息[74]。地理空間智能技術融合時空特征、像人類一樣分析農作物長勢或戰(zhàn)場環(huán)境變化態(tài)勢，并指揮農業(yè)生產或軍事決策仍任重道遠。

4 發(fā)展趨勢與展望

以人工智能為強力助推器而快速發(fā)展的地理信息科學，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與人工智能的交叉技術，已經迎來巨大的發(fā)展機遇。隨著傳感器、5G通信、云計算、虛擬/增強現實技術的發(fā)展，地理空間智能必將順應智能時代的地理信息服務需求，行穩(wěn)致遠向前發(fā)展。可預見的發(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。隨著計算機視覺和空間數據挖掘技術的發(fā)展，影像分割、目標提取、空間數據分析、三維重建及時空預測的算法將逐漸成熟。穩(wěn)健、專用的地理空間數據處理算法，保證了提取的空間模式、空間知識具有真實性、可靠性，從而可以指導精細化決策。人工智能模型也將逐步變得“有章可循”，智能模型將出現設計規(guī)范，模型設計過程將被科學化、系統(tǒng)化。多源空間數據融合的智能分析方法將走向成熟。

(2) 在多任務遷移學習和半監(jiān)督分類方面，小樣本訓練問題將受到關注并走向實用、可靠。在不同來源、不同時相的遙感數據上使用模型時，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”，訓練的模型可在許多不同的場景中使用。相應地，地理空間智能系統(tǒng)的性能將變得可以評估，用戶可根據現實問題定量評估系統(tǒng)的可靠性。

(3) 地理空間智能技術將引領地理信息產品和服務的升級。在未來的地理信息服務中，高精全息地圖將在國土測繪、資源開發(fā)、環(huán)境保護、社會安全監(jiān)控、健康醫(yī)療、自動駕駛等領域得到更廣泛的應用。地理信息服務將朝著多元化、實時化、大眾化、智能化方向發(fā)展。地理空間智能系統(tǒng)將瞄準高維化、智能化、集成化的目標進步，且多種數據格式、不同產品和服務之間可以融合與共享。