下载掌阅APP，畅读海量书库
立即打开
空间信息智能处理是地球空间信息科学与人工智能的交叉与融合，属于遥感科学、信息科学、认知科学的学科交叉，代表了地球空间信息科学的重要发展方向。从空间信息的获取到空间信息的应用和可视化都可以借助人工智能技术来提高空间信息的获取效率和应用效果。
智能空间信息处理是指利用人工智能的理论和方法，利用计算智能方法，如神经计算、模糊计算、进化计算等方法实现空间信息的智能化处理。
目前，空间信息获取已经相对成熟，在许多遥感数据的获取上加入了人工智能（AI）的帮助，但人工智能的介入很少。更为重要的是，对于已经获取到的空间信息，如何快速地挖掘它的有用信息，以及如何方便研究者读取和分析图像。地理空间信息系统包含四大环节：信息源、信息获取、信息处理和信息应用，可以在信息获取和信息处理两个环节中添加人工智能手段，多学科多领域交叉融合，从而达到智能化获取信息和智能化处理信息的目的。
例如，随着图像处理技术的日益发展，遥感图像智能处理技术受到人们的重视，遥感图像的解译、分类成为当前研究的热点问题。最原始的遥感图像分类是研究人员根据自己的经验知识，直接进行目标识别，该方法受人为干扰因素大，且分辨率低，工作量大。随着计算机技术的发展，计算机自动分类代替了人工分类，大大提高了遥感图像的分类精度和效率。
空间信息处理方法复杂，手段烦琐，信息量大，数据维度复杂，因此人工读取相对困难。如果能将人工智能用于空间信息处理，利用机器自动进行识别，势必会是空间信息领域一个巨大的突破。近年来，随着学科交叉融合现象的普及，人工智能和空间信息有了一定的融合交叉研究，在遥感图像智能分类、智能处理，无人机遥感获取图像信息等领域取得了一定的成就。许多国内外企业和研究机构致力于利用人工智能代替人类处理大量的空间信息，从而提高空间信息利用率和处理效率。目前，无人机遥感、机器人探测乃至利用人工智能进行图像识别、图像分类和图像处理，成为研究者的关注点，基于决策树算法、人工神经网络、支持向量机、蚁群算法、遗传算法等适用于空间信息处理的智能方法，以及基于目标检测、场景分类、语义分割、变化检测的智能遥感卫星在轨处理算法等逐渐被专家开发出来并投入使用。表1-1给出了常见空间信息智能处理算法及其特点。
表1-1 常见空间信息智能处理算法及其特点
谷歌已将人工智能模块加入其谷歌地球引擎（Google Earth Engine），用户可利用谷歌人工智能平台和云存储处理影像，并借助其深度学习框架TensorFlow完成数据智能化处理和分析。例如，谷歌利用Landsat影像对1984—2018年的地球表面变化信息进行可视化，并进行变化分析。微软发布了“地球人工智能”（AI for Earth）项目，应用于全球农业、水资源管理、生物多样性、气候监测等领域。微软与 Esri 合作将 ArcGIS Pro 内核加入微软云平台Azure 上，发布了地理空间智能数据科学虚拟机（DSVM），把人工智能、云技术和基础架构、地理空间分析相结合，服务于更加智能的地理空间分析、数据可视化等应用。超图公司的地理信息智能框架包括4个层次：地理空间可视化、地理空间决策、地理空间设计和地理空间控制。金字塔的复杂性从底部向上增加，而成熟度在降低。超图公司的 GIS软件与阿里巴巴新一代的数据库 POLARDB对接融合，完成兼容性认证，构建云原生时空管理平台联合解决方案，并推出“云原生数据库+云原生GIS”平台，通过人工智能提升地理信息服务能力。
空间智能技术作为传统地理信息技术在智能化方向的重要拓展，不仅促进传统地理信息产业的转型升级，也在开拓新的智能化应用领域。地理空间智能的研究进展可以分为地理空间感知（Perception）智能、地理空间认知（Cognition）智能及地理空间决策（Decision）智能3个方面，三者层层递进（如图1-1所示）。
图1-1 空间智能科学研究进展：数据与应用
地理空间智能研究的重点，集中在地理空间感知智能阶段，主要实现空间目标提取和模式识别，包括实现影像分类、语义分割、地物提取、实例分割等任务，与计算机视觉的任务相对应。计算机视觉针对二维或三维感知数据进行解译与重建；而地理空间智能针对特定的具有地理属性的数据，完成与测绘地理信息需求相关的任务。
（1）同源遥感信息感知。在同源遥感信息感知方面，地理空间感知智能的研究主要集中在土地覆盖/土地利用分类、城市功能区分类方面，方法主要是全连接神经网络实现逐像素的分类。为使网络容易训练或记忆性更强，研究者引入局部和全局注意力机制、残差神经网络等思想。空间目标提取的研究内容主要包括地理要素提取（如建筑物、道路网等）和关键感兴趣目标提取（如飞机、舰船、野生动物等）。在配准的遥感影像间或影像序列间检测地物变化，主要采用孪生神经网络作为编码器，提取出两个时相间的特征变化。激光点云智能方法主要分为传统机器学习方法和基于多层感知机的语义分割两类。前者通过人工提取点云几何特征，并采用机器学习算法实施分类；后者直接以点云作为输入，以多层感知机作为模型主干，以加权交叉信息熵作为代价函数，输出每个激光点的标签概率。孪生神经网络也被用于点云变化检测。雷达影像处理方面的研究典型包括基于数学形态学和k均值聚簇的雷达影像形变监测、基于全连接神经网络实数权重核函数的复数域影像分割等。
（2）异源遥感信息融合。为克服单一数据源的缺陷，很多工作研究对配准的光学影像和 DSM 进行融合分割。例如，利用孪生神经网络从不同模态的雷达影像和航空影像中检测变化；以L 2 -Net为模型主干对无人机影像和卫星影像实施配准。在视频序列影像分割中，通过全连接的条件随机场（CRF）将短期时间信息融入结构化场景信息，用密集光流提取视频序列的动态信息。
地理空间认知智能的研究内容主要包括，利用空间数据挖掘和智能分析技术，从空间数据中挖掘出隐藏的模式关系和趋势。基于人工智能的空间数据挖掘研究展现了较强的知识发现能力，在关联分析、聚类分析、异常检测方面取得了进展。例如，利用空间多准则决策分析，基于遥感数据和地理信息系统，建立包含城区扩张、城市可用土地、土地利用变化的数据库，为城市规划提供决策；利用街景影像分析市内出租车的轨迹模式，在地理空间和人类活动特征间建立联系；通过 Voronoi 邻域分割和反向邻近加权进行空间自相关定量描述，分析地理文本与网络地图的相关性；基于社交媒体数据的智能时空分析，被用于2014年上海外滩踩踏事件社会舆情分析、居民行为模式分析、人群分布分析等。
在突发事件和应急救灾中，受灾损毁建筑物影像分类方法包括，基于梯度方向直方图特征和Gabor小波特征的分类、视觉词袋模型法、融合光谱特征和点云特征的多核学习法等。例如，采用最邻近防水模型（HAND）和伪随机森林法预测洪水区域；泊松回归和帝国竞争算法被用于基于卫星影像的山火位置预测；残差神经网络被用于滑坡位置分析。
在全球环境监测方面，利用深度学习监测城市大气污染物浓度并预测污染态势；利用时空回归克里金法对城市NO 2 的浓度进行建模。另外，深度学习模型也被用于极地冰川崩裂面监测、全球干旱区植被面积评估等。
人工智能方法也在精准农业和生态学中得到利用，如城市植被覆盖普查、农作物生长态势监测、植被健康状况分析、植被几何结构和功能属性测算等。在公共卫生与健康分析中，地理空间智能对人类活动、地理位置信息及环境状况进行建模，广泛应用于环境卫生、流行病学、遗传学、行为科学等领域。
地理空间决策智能的研究进展包括空间态势建模、智能预测，其位于 GeoAI技术环节顶端，直接服务于多样化的地理信息产业应用需求。地理空间智能通过对商业数据、运营数据的建模和分析，为销售额预测、消费者需求预测、客户分布分析、产业链选址提供支持。例如，采用PDBSCAN进行空间聚类，根据游客旅游历史和当前搜索文本进行个性化的线路推荐；使用基于GIS的模糊多准测逐层分析方法为伊斯坦布尔城区建立消防站提供选址意见。在智能交通与自动驾驶方面，GeoAI 可以进行基于注意力机制的车流监控、实时跟踪、出行线路规划、交通状况监控与拥堵疏导。
三维场景智能重建的研究主要集中在单像深度恢复、基于室内点云和轨迹的室内建模、含有语义信息的三维地图重建等。利用室内点云和轨迹，通过可视化分析和物理结构分析分割出单个房间的点云，通过基于图割方法的能量优化解决单个房间建模问题。使用ORB-SLAM2算法对室内环境进行实时三维重建，融合目标检测方法YOLOv3进行关键帧标注，生成带有语义信息的三维语义地图。