艾廷華

武漢大學資源與環(huán)境科學學院，湖北 武漢 430079

作為空間現(xiàn)象可視化表達的地圖，通常被譽為地學研究的第二語言，它在探索地學特征規(guī)律、揭示地理過程機理、挖掘空間分布模式方面承擔分析表達與交流傳輸兩大工具作用。從符號學角度看，以空間認知表達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,成為人們認知世界的三大文化工具[1]。在網絡技術、大數(shù)據(jù)分析、人工智能、多媒體可視化等新型技術驅動下，地圖制圖的內涵與外延得到極大拓展，產生了地圖學四面體[2]、泛地圖[3]、場景學[4]等認知。地圖制圖的范疇已從傳統(tǒng)的現(xiàn)實世界向虛擬世界、網絡空間等泛空間拓展，地圖受眾對象正從面向人類服務朝著同時面向智能機器方向發(fā)展，產生了全息高精度導航地圖的概念[5]。

在地圖制圖新技術上，一個突出的趨勢是地圖與人工智能的結合，表現(xiàn)為機器學習、深度學習、知識圖譜在地圖認知、地圖設計與地圖分析中扮演越來越重要的角色。在智能化技術支持下，地圖空間決策具有更高的復雜系統(tǒng)認知能力。在深度學習支持下的地圖創(chuàng)意設計，可以將地圖專家的知識經驗遷移，使得地圖的藝術表現(xiàn)力大大提高。地圖在空間決策、出行導航、景觀設計上通過與深度學習、知識圖譜的結合，對空間問題的識別、判斷、預測能更好地模擬人的思維。從學科體系上看，隸屬于測繪科學與技術二級分支的地圖制圖，與智能技術的結合是整體測繪技術從數(shù)字化到信息化再到智能化發(fā)展的重要構成。從對地觀測數(shù)據(jù)獲取到空間位置信息服務的技術鏈中，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支持下向高精定位、高效處理、高自動化方向邁進，后端的制圖加工與信息服務也應對接人工智能技術，實現(xiàn)人工智能能與測繪技術一體化集成。

手工技術時代的地圖制作與應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)意設計、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，需要地圖學知識規(guī)則的支持、空間認知原則的約束和地學領域科學原理的控制，地圖學被認為是具有高度智能化特征的一門學科[7]。為此，地圖制圖的發(fā)展一直緊跟人工智能(AI)技術，以期將AI領域新成果引入到地圖制作與認知分析領域，使得計算機制圖系統(tǒng)的創(chuàng)意設計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、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學，從1956年達特茅斯會議上提出人工智能的概念以來，產生了多種智能表達與智能計算模型。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)展到模仿神經元復雜結構的“連接主義”[8]。作為AI的特殊應用領域，地圖制圖在AI發(fā)展的不同階段，對AI相關技術成果的應用都有積極響應，并展示出地圖學獨特的空間型智能技術。

在人工智能“符號主義”早期階段，認為人的決策、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的邏輯單元符號構成?；跀?shù)理邏輯理論，構建了由規(guī)則庫、推理機、用戶界面組成的專家系統(tǒng)，是“符號主義”智能表達的典型代表。在“符號主義”智能化技術驅動下，20世紀90年代地圖制圖領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)到地圖符號轉換、地圖符號設計等研究，國內地圖制圖學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計、符號選擇等功能。然而，地圖制圖專家系統(tǒng)并沒有實質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，僅通過地圖制圖圖式規(guī)范、專家口述調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的規(guī)則描述工具，同時基于數(shù)理邏輯的推理機在規(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，認為生命過程、物理過程的進化、控制行為可以用于智能的模擬，將神經系統(tǒng)的工作原理與信息理論、控制理論、邏輯以及計算機聯(lián)系起來，模擬自尋優(yōu)、自適應、自鎮(zhèn)定、自組織和自學習等智能行為，推出了一系列模擬生命進化過程、物理控制過程的最優(yōu)化算法。地圖制圖技術與“行為主義”智能模型結合，開展了地圖制圖中符號設計、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)化算法思想上進行了地圖空間決策研究[14]，用于諸如地圖空間用地選址、時空現(xiàn)象發(fā)展趨勢預測、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”則是通過對復雜神經元結構的模擬，重點關注神經元之間的訊號傳輸連接，提出了一種當前最有活力的人工智能方法[18]，產生了以深度學習為代表的機器學習方法，在棋類對弈、影像地物識別、自然語言處理等領域展示出深度學習的強勁的智能模擬功效。“連接主義”智能模型運用了梯度下降、局部相關、特征降維等算力增強的策略，實現(xiàn)了對智能行為復雜系統(tǒng)的高效率模擬計算[19]。地圖制圖與深度學習的結合是地圖學智能化發(fā)展的有效途徑，前期研究取得的一些成果，表明深度學習在地圖制圖領域的時空大數(shù)據(jù)特征識別[20]、復雜制圖過程的決策推理[16]、地圖空間模式的智能化認知[21]、地圖設計中的藝術創(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、參與自動駕駛導航、高精地圖快速構建中可發(fā)揮積極作用[23]。另一方面，深度學習與地圖制圖的結合又面臨諸多挑戰(zhàn)。深度學習與不同應用領域的結合，需要考慮該領域問題的特殊性，包括數(shù)據(jù)的結構組織、樣本的準備、特定服務目標需求等條件。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，服務于學習模型的矢量型樣本采集難度大，導致地圖深度學習的研究落后于遙感影像的智能化處理的研究。

為促進智能化測繪技術體系的建立，推動深度學習與地圖制圖的有效結合，本文將從深度學習與地圖制圖結合的可行性、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用兩大分支任務與深度學習結合的方法。

1 深度學習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，深度學習(deep learning,簡稱DL)是模仿大腦皮層神經元網絡的連接與信號傳輸?shù)囊环N機器學習方法。DL通過案例樣本的訓練獲得學習樣本數(shù)據(jù)的內在規(guī)律，其最終目標是讓機器能夠像人一樣具有學習決策能力，能夠識別特征、類型和結構信息。它是在傳統(tǒng)的神經元網絡模型上增加更多的連接層(隱藏層)而構建[18]。DL模型在AI發(fā)展歷程中經歷過幾次里程碑式的突破，前饋神經網絡和感知機FFNN為DL網絡連接模型奠定了基礎[24]，反向傳播網絡模型BP運用梯度下降思想使得模型擬合效率大大提升[25]，卷積網絡模型CNN則使用局部相關思想更好地提取向量特征信息[19]。DL模型受到AI領域的高度重視，新模型層出不窮，面向特征提取、目標分類、身份識別、過程預測等，產生了眾多的DL模型類型。從應用角度，可以對這些模型根據(jù)數(shù)據(jù)結構劃分為線性結構、矩陣陣列結構、樹結構、圖結構等的DL模型。例如基于線性結構的循環(huán)網絡模型RNN、長短記憶網絡模型LSTM、基于陣列結構的卷積網絡模型CNN、基于圖結構的卷積網絡模型GCN。這些模型可分別在地圖制作中實現(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、圖面藝術風格設計等需求；在地圖應用分析中實現(xiàn)時空信息的預測、空間格局的劃分、空間模式的識別等。

本質上，DL模型是一種不確定性問題的決策方法，與經典統(tǒng)計學習(回歸分析、馬爾可夫鏈等)、傳統(tǒng)機器學習(支持向量機、隨機森林方法等)并無兩樣。該模型可理解為由多層神經元所構建的一個高度抽象的連接空間的問題求解，該數(shù)學空間的擬合計算應用了一系列策略思想，保證了模型的計算優(yōu)勢。當將DL模型應用到地圖制圖問題求解時，可以認為是兩個空間問題的結合，即將抽象的神經元網絡空間與實際的地圖空間結合。地圖空間是對地理世界的實體、現(xiàn)象與過程的映射表達，在對地理現(xiàn)象描述、空間關系定義、時空過程表達上，一系列理論研究與實踐探索確立了地理學、地圖學上的規(guī)則、定律，作為該空間問題求解的思想基礎。在研究地圖制圖與深度學習的結合時，考察兩種空間問題求解的思想是否契合具有必要性。

深度學習模型類型眾多，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。

1.1 梯度下降

梯度下降被認為是深度學習的核心思想之一[19]。在神經元網絡的多層連接中，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調整參量，保證訓練中的輸出結果向樣本逼近。如何修正參量使得結果快速逼近？運用了梯度下降的思想，通過一階微分計算確定最陡的坡降方向為梯度，基于反向傳播過程，對節(jié)點連接上的權重參量修正。值得注意的是，在AI領域詮釋梯度下降的思想時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地形起伏的經典可視化方法，最陡坡降所體現(xiàn)的梯度下降思想，在地形圖的導航路徑搜尋中直接發(fā)揮作用，其他在DEM谷底線結構特征提取中，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算，也是有用梯度下降的思想[26]。可以說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

通過卷積運算派生出新的向量特征，是DL尤其是卷積型深度學習的一個重要突破。通過特定的卷積核函數(shù)與原函數(shù)的卷積運算，可以將神經元的隱藏特征揭示出來，通過不同的卷積核運算可以揭示不同的特征。在圖像特征識別應用的CNN模型得益于卷積運算，其他還有線性結構上的卷積運算，圖結構上的卷積模型GCN包含了空間域的卷積運算、頻域的傅里葉變換的卷積運算[27-28]。卷積運算的基礎就是神經元空間的局部相關，不論是像元矩陣空間的鄰域相關，還是圖結構的節(jié)點鄰域相關，均是通過一定范圍內的鄰域單元的特征運算來揭示揭示當前結構單元的特征，體現(xiàn)了“近朱者赤、近墨者黑”的效應。卷積型DL模型中的局部相關思想，對于地理信息或地圖學研究人員而言，太熟悉不過了，地理學第一定律即是該思想的描述[29]，地圖空間的單一現(xiàn)象的自相關有Moran’s I系數(shù)可度量，多現(xiàn)象間的互相關可通過空間統(tǒng)計的關聯(lián)分析計算[30]。地圖空間相關分析是與深度學習的卷積運算所依據(jù)的局部相關本質上是一致的，都是在空間鄰域范圍內發(fā)生作用，都隨距離的擴展而衰減，局部相關體現(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，描述神經元的向量是多維的，訓練學習的目標之一就是對向量降維，用簡單的向量表達其典型的特征，采用了矩陣的特征向量、特征值分解及主成分分析方法PCA實現(xiàn)特征降維，在學習模型中的池化運算也具備特征降維的作用，可以說特征降維是深度學習過程運算的重要策略。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、時間和語義三維特征，進一步細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雜的多維空間、時間、語義數(shù)據(jù)通過降維方法獲得綜合后的簡單表達結果，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。地圖投影作為地圖學中的核心內容，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，神經元空間的模型擬合面臨的是一個復雜系統(tǒng)，為了體現(xiàn)求解問題的復雜性，采取了非線性化處理的強制措施，使得前后節(jié)點的訊號數(shù)值不是一個簡單的線性變換。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，通過非線性化調整ReLU(rectify linear unit)有意修正簡單線性變換，防止學習中的過擬合。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)距離遠近構建線性結構下的空間相關，空間異質性原理也被稱作地理學第二定律，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在神經元抽象空間的問題求解與地圖制圖實空間中的問題求解，都有梯度下降、局部相關、特征降維和非線性化思想的應用，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的結合找到了可行性條件。

2 深度學習在地圖制作技術中的應用

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

地圖的設計制作是一項復雜的系統(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、符號設計與可視化表達等任務過程[31]。如何尋求新技術的應用，提高計算機制圖系統(tǒng)的智能化水平，一直是地圖制圖領域追求的目標。DL技術可貫穿從數(shù)據(jù)加工、圖形設計到地圖成果輸出的多個環(huán)節(jié)。目前DL有眾多模型實現(xiàn)特征提取、身份識別、目標分類、過程預測等功能，這些功能也是地圖設計制作過程中所需要，根據(jù)地圖制作的技術流程與DL模型的條件、目標，選擇適宜的普適性DL模型，經針對性改進結合，完成地圖數(shù)據(jù)的加工與圖形變換。DL模型的應用需要依賴各種形式的樣本庫，是在樣本案例的訓練學習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重要工作。DL支持下的地圖制圖技術流程如圖2所示。

地圖制作包括制圖數(shù)據(jù)處理與圖形生成兩個方面，在圖形生成中要完成地圖制圖三大技術過程：地圖投影、地圖綜合和地圖符號設計。這些分支任務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個方面的加工處理是DL與地圖制作結合的關鍵。

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)、網絡自媒體數(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、結構組織復雜，同時隱藏豐富的信息內容，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應用的切入點。圖像數(shù)據(jù)、聽覺訊號數(shù)據(jù)、文本數(shù)據(jù)的處理是當前DL模型處理的重要數(shù)據(jù)對象，產生了大量專門的DL模型，實現(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，應用U-Net、R-CNN等DL模型實施影像信息的地物識別、語義分割與特征提取[32-33]，實現(xiàn)矢量目標的提取，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領域研究的一個重要分支，產生了大量NLP模型方法，可以納入并作針對性改進后用于地名、POI語義、空間語言的理解與處理，實現(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濟統(tǒng)計數(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)計數(shù)據(jù)分類、分級實現(xiàn)空間格局的劃分、空間模式識別與時空趨勢預測，通常是這類數(shù)據(jù)加工處理的目標。深度學習方法服務于該目標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，逐漸轉向與地學領域知識結合的深層次的空間數(shù)據(jù)加工，從空間特征機理、空間因果邏輯上回答“怎么樣？”“為什么？”問題。這拓寬了地圖表達的外延，同時擴展了制圖數(shù)據(jù)源加工處理與地學領域知識的深度結合，這將是帶有決策、判斷能力的DL模型新的用武之地?；趫D卷積網絡模型GCN和循環(huán)網絡模型RNN，在出行軌跡線樣本訓練的基礎上，對外來車輛行人出行線路、位置作預測，制作交通預測圖[34]。應用圖卷積模型對POI點分布數(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]。運用DL模型對空間數(shù)據(jù)做綜合判斷、關聯(lián)分析與趨勢預測，進而制作空間知識表達的新型地圖，將是未來地圖制圖技術發(fā)展的一個重要趨勢。

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環(huán)節(jié)，也是地圖獨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，實現(xiàn)大比例尺到小比例尺表達的尺度變換[37]。地圖綜合被認為是具有空間抽象思維的高度智能化行為，在地圖制圖技術體系中，它與AI技術的結合最為活躍。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、綜合算子調度、綜合過程控制與結果質量評價多方面實現(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。深度學習從一個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_的案例學習訓練，獲取圖形簡化、信息抽象、特征概括的規(guī)則知識，然后通過學習模型實施輸入新數(shù)據(jù)的尺度變換。過去應用規(guī)則的方法建立地圖綜合的條件及推理機制，定義好地圖綜合實施條件后，總會遇到特殊圖形、特殊上下文環(huán)境、特殊結構關系的處理，于是對主體條件不斷打補丁以期完善，不僅破壞地圖綜合發(fā)生條件的完整性和計算模型的形式化，復雜的規(guī)則表述也仍然不能保證窮盡其他條件。深度學習則在訓練樣本下，通過學習自動獲取各種圖形特征、結構關系與上下文環(huán)境下的地圖綜合表達規(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。同時制圖專家的領域知識也可在DL模型中通過參量的定義與量化、學習模型的控制(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用，可以體現(xiàn)在不同層次。底層的應用為DL模型支持下的地圖綜合算子的設計，完成諸如形狀化簡、鄰近地物合并、沖突關系移位等操作算法，基于不同的數(shù)據(jù)結構和不同的DL模型，已經有一批該類算子出現(xiàn)。文獻[40]將地圖數(shù)據(jù)轉換化柵格結構，采用類似圖像處理在U-Net模型支持，實現(xiàn)了建筑物形狀的綜合。針對同樣的問題，文獻[41]應用圖卷積編碼解碼GCN encode方法對形狀模板智能識別，實現(xiàn)形狀的化簡。兩種方法均在一定程度上達到專業(yè)制圖人員的形狀識別水平。文獻[42]通過圖卷積GCN模型實現(xiàn)了街區(qū)內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構關系。高層的應用則表現(xiàn)為DL模型在地圖綜合算子的調度與適宜性決策，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。有關研究應用后向傳播網絡模型BPNN建立了建筑物綜合方法[43]，在4種算法中實現(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、參量設置上獲得一定的智能化水平，DL模型的應用同樣可在高層的算子決策上發(fā)揮作用，有專家認為新時期DL在地圖綜合的應用是一種新的智能體[16]。

2.3 DL模型下的地圖符號設計與可視化風格表達

地圖制作是具有藝術創(chuàng)意設計的加工過程，地圖符號的寫意、地圖幅面的風格、空間圖形組織的態(tài)勢都蘊含了地圖藝術創(chuàng)意設計的內容。地圖的表達除了體現(xiàn)空間投影模型與地學知識的科學性、數(shù)據(jù)處理圖形生成的可操作與高效率的技術性外，還要顧及受眾的美學感受與視覺認同的藝術特性，科學、技術與藝術三維度統(tǒng)一是地圖學的學科特點。DL在視覺信息、聽覺信息處理中用學習的方法提取圖像、音頻中的風格模式，被認為是DL取得的突出成果之一，不僅可在圖像中發(fā)現(xiàn)藝術家的創(chuàng)作風格，還可遷移到新的藝術創(chuàng)作中，用模仿的手段設計類似風格的作品，模擬表達特定文化時代的創(chuàng)作特色(圖3)。在地圖藝術設計中，圖幅版面的渲染風格可以借用卷積神經網絡CNN提取圖像的風格模式[44]，實現(xiàn)特定藝術風格遷移到地圖版面設計中。深度學習中的生成式對抗技術GAN可以完成類似的功能[45]。某些手繪功能(鉛筆畫、手工水彩設計)也可通過這一深度學習方法完成個性化地圖符號與圖形版面的設計[46]。DL技術的應用，使得地圖設計在保證內容科學性條件下引入奇特的藝術表現(xiàn)形式，為科學性與藝術性的結合尋找到一條新途徑。另外，地圖可視化符號的適宜性選擇，也可在深度學習支持下完成。在長期的地圖設計中積累產生了大量地圖符號模板、多樣的統(tǒng)計圖表形式，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，是一個典型的決策問題。通過樣本的訓練應用深度學習實現(xiàn)符號選擇，是大數(shù)據(jù)背景下地圖設計的一個新思路。

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

3 深度學習在地圖分析中的應用

地圖應用分析是地圖制圖技術的另一項任務，涉及大量識別、判斷、推理等決策分析過程，是DL在地圖學中應用的另一個結合點。DL模型支持下的地圖分析過程有賴于地學領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習模型分別面向模式識別、過程預測、特征提取、回歸分析等不同形式的分析。DL模型庫中的學習模型具有通用的決策分析功能，當具體到地圖領域的分析時，實質是建立通用模型中的抽象的神經元空間與實際的地圖中實體空間的映射關系。需要確立DL模型中神經元與地圖空間的實體對應，以及神經元的描述向量與地理實體的特征對應。地圖分析DL模型中的神經元可以是地理實體、目標群結構、時空過程的快照或者空間剖分單元，這些單元的組織結構可抽象為線性表、矩陣、樹結構、圖結構，在DL模型庫中分別有不同數(shù)據(jù)結構下的學習模型對應，數(shù)據(jù)結構和任務目標往往是選擇DL模型的依據(jù)。同時，這些單元的向量定義需要地學專業(yè)知識確立其決策目標的影響因子、關聯(lián)關系和上下文條件，需要空間認知科學確立諸如Gestalt原則下的認知完形參量等。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、過程預測等學習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、認知科學等領域的專業(yè)知識支持[20]。

地圖樣本庫作為學習訓練的基礎，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上劃分的地貌類型、濕地類型、經濟功能區(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領域知識的結合有深度差異，可區(qū)分為淺層的主要基于圖形幾何特征的空間分析，以及深層的地學領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)域相關等的決策分析，后者屬于地學領域的專業(yè)化分析，涉及功能區(qū)劃分、時空過程趨勢預測、地學規(guī)律提取等[20]。這一分析過程也是大數(shù)據(jù)產生的數(shù)據(jù)密集型第四科學研究范式的體現(xiàn)。DL模型在數(shù)據(jù)驅動下，基于樣本的訓練揭示空間分布知識和時空演變規(guī)律。DL模型在地圖分析的應用對數(shù)據(jù)內容要求低，在基本的點線面幾何特征數(shù)據(jù)上即可完成?；诰矸e模型CNN可實現(xiàn)“問題地圖”的識別[47]，同樣，運用卷積模型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[42]運用圖卷積GCN模型實現(xiàn)了建筑物分布的規(guī)范性與否的特征識別；文獻[48]對城市街道網中的正交、輻射等不同模式進行了識別(圖5展示了圖卷積學習模型在道路網正交模式識別中的應用)；文獻[49]運用圖像識別DL模型完成了街道網中的立交橋識別。這些研究均在幾何數(shù)據(jù)基礎上實現(xiàn)，對領域知識的需求幾乎為零，對于后者面向地學領域知識的DL模型，需要綜合性的學習決策，需要地學領域知識與DL的緊密結合，目前在該領域的應用第一個活躍領域及時通過DL識別城市不同功能區(qū)[35,50]，這種結合可以通過神經元向量定義引入地學專業(yè)特征、梯度下降條件顧及領域知識、卷積模型中選擇特定的專業(yè)卷積核等，實現(xiàn)DL計算模型的領域知識控制。另外，樣本類型的針對性選取，也可體現(xiàn)領域知識的作用。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、地學功能區(qū)劃分等，將是深度學習在地學領域應用的發(fā)展方向[20]。

圖5 卷積型街道網絡模式識別模型Fig.5 A convolution neuron network model to identify special street pattern

4 “深度學習+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算模型，在不同領域應用時，該模型需要考慮該領域目標問題的性質、智能決策的機理、輸入數(shù)據(jù)的結構組織、樣本的準備等多種條件。目前DL在圖像理解、自然語言處理、棋類對弈等幾個重要領域應用時，分別面臨不同的難題挑戰(zhàn)，“深度學習+地圖制圖”同樣面臨著挑戰(zhàn)。受地圖制圖技術特定的專業(yè)特征、應用環(huán)境的影響，產生了兩者結合的特有難題。具體而言，“深度學習+地圖制圖”面臨的挑戰(zhàn)有以下幾點。

4.1 地圖數(shù)據(jù)組織的非規(guī)范性

地圖的數(shù)據(jù)內容是由結構化的地物實體構成，地理要素的類型豐富、結構關系復雜，用于地圖存儲的數(shù)據(jù)組織缺乏像圖像組織那樣規(guī)范的像元矩陣結構。地圖矢量數(shù)據(jù)表達需要針對不同地物要素、不同性質任務采用不同的數(shù)據(jù)結構，包括線性結構、樹結構、圖結構等，分別用于描述地圖矢量數(shù)據(jù)的群集目標、層結構目標、網絡狀目標等。建立面向地圖分析的DL模型時，需要顧及多種數(shù)據(jù)結構，例如基于線性結構的RNN模型、基于矩陣結構的CNN模型、基于樹結構圖結構的圖卷積模型GCN模型等。在圖像數(shù)據(jù)的像元組織矩陣結構中，像元的鄰域關系、像元的特征描述都是確定規(guī)范的，而地圖表達中應用較廣的圖結構，其節(jié)點的鄰域關系的維數(shù)和特征描述不是固定的，屬于非規(guī)范的數(shù)據(jù)結構。基于規(guī)范結構發(fā)展起來的CNN模型及其改進的派生模型，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構的DL模型GNN、GCN[27-28]，可望在地圖應用中發(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、道路網以及對偶轉換后的建筑物群、POI點通達結構等，均可通過一定形式的變換建立圖結構(圖的節(jié)點對應實體單元，圖的邊對應鄰域連接、通達、依存共位等聯(lián)系)如圖6所示，基于這一非規(guī)范的圖結構建立GNN、GCN模型實現(xiàn)地圖數(shù)據(jù)的分析決策。

圖6 地圖數(shù)據(jù)圖結構抽象表達Fig.6 The map data abstracted to graph structure

4.2 地圖目標樣本標注的專業(yè)性

樣本庫是DL的基礎，正是具有代表性特征的一定規(guī)模的樣本訓練、學習才使得模型具有自我決策能力。在地圖領域建立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上劃分的地貌類型、濕地類型、經濟功能區(qū)、城市功能區(qū)等。這類樣本的選取、標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，可以廣泛地網絡征求，通過泛在網絡的自動、交互等方式建立，如ImageNet樣本庫達到千萬級。地圖樣本標注的專業(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習結合的難度。

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，不是一般幾何圖形的可視化，其中蘊含著深層次的地學領域知識。在地圖DL模型建立時，神經元的向量描述既要考慮空間的幾何結構，還要顧及地學領域知識，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，空間認知對模式識別、特征提取發(fā)揮重要作用，而認知參量的定義與度量具有較強的不確定性，尋找合適的模式規(guī)則表達的參量也是一個挑戰(zhàn)。

4.4 學習模型的適宜地圖尺度選擇

尺度是地圖表達的重要特征，它反映了地理空間抽象概括的層次。在地圖DL模型建立時，尺度特征尤其是數(shù)據(jù)表達粒度是一個重要影響因素。面向特定智能決策目標，選擇何種尺度表達的地圖、何種層次的數(shù)據(jù)粒度作為學習模型的數(shù)據(jù)處理對象是一個挑戰(zhàn)性問題。實際空間的地物目標在不同尺度表達中，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，這些性質都將影響學習模型的神經元定義和向量特征描述。另外，學習模型面臨的過擬合現(xiàn)象，也與向量描述細節(jié)性有關，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。

“深度學習+地圖制圖”面臨諸多挑戰(zhàn)。隨著DL技術的深入發(fā)展，尤其是向可解釋性DL模型的發(fā)展，數(shù)據(jù)驅動和領域知識驅動相結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，“深度學習+地圖制圖”的未來發(fā)展有兩個趨勢。一是地圖將作為專門的DL學習數(shù)據(jù)對象，在空間型智能技術上發(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，作為位置信息表達的具有幾何矢量特征和拓撲結構的地圖，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。從測繪技術鏈分析，地圖主要來源于圖像，但經過結構化處理，地圖在空間表達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知、空間推理等智能任務。在眾源網絡應用中，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、空間語言表達成為專門的媒體數(shù)據(jù)，后繼AI領域的研究必將對地圖給予更多關注。二是兩者的結合所展示出空間智能將在整個人工智能體系中占有重要地位。從哲學上講空間是一切物質現(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性作用。腦科學研究中對大腦皮層的神經元按照其智能化功效探索其分類，一直是一個重要的課題，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)學獎授予了空間定位感知神經元細胞的發(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元細胞發(fā)現(xiàn)經常也有報到，但沒得到諾貝爾獎青睞)?？臻g智能在整個人工智能體系中的重要性，必將推動“深度學習+地圖制圖”走向深入的結合。

5 結 語

“千言萬語不如一張圖”是對地圖空間表達能力的一種詮釋。為實現(xiàn)該目標，只有將地圖與智能技術結合，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)。地圖學包含的地圖制作和地圖應用兩大任務，一直保持與人工智能不同技術成果的結合，在經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習為代表的智能技術結合的問題。一方面，深度學習與地圖空間問題的解答存在諸多思想一致的策略，表明兩者結合是可行的；另一方面該結合又面臨一系列挑戰(zhàn)，與地圖學的鄰近學科遙感影像處理相比，地圖深度學習的數(shù)據(jù)對象、樣本建立、參量定義、尺度選擇面臨一定的難題。從應用角度，地圖的深度學習是普適性DL模型與空間智能思維具體化的應用。如何提升深度學習的智能化水平，越來越多的專家逐漸拋棄單純依賴數(shù)據(jù)驅動的認識，轉向領域知識與數(shù)據(jù)驅動并行的策略。基于該思想，地圖DL有賴于地圖專家及其他地學專家的知識支持，積極主動地確立地圖空間的智能化問題，將相關領域知識融入到DL模型中，使得計算機制圖系統(tǒng)的創(chuàng)意設計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。