人工智能GIS技术升级，将应用到更多领域
本文刊登于2020年11月第70期《超图通讯》
2020 GIS 软件技术大会上，超图发布了SuperMapGIS 10i(2020)，将GIS五大技术体系从“BitCC”进化为“BitDC”，其中的“i”就代表着人工智能GIS技术，它与大数据GIS、新一代三维GIS、分布式GIS和跨平台GIS技术一起，强有力地支撑着GIS的智能化应用。
去年，超图发布了全面支持人工智能技术的SuperMap GIS 10i版本，构建了人工智能GIS的技术和产品体系。今年，我们在技术和产品体系上继续提升和完善，发展了SuperMap GIS的人工智能GIS能力。本文将从三个方面介绍10i(2020)版本中人工智能GIS技术的新进展。
01
人工智能GIS新增功能算子
去年，我们在人工智能GIS技术中提出了从AI发展到GeoAI的两个关键方向：空间机器学习和空间深度学习，用于支持人工智能GIS应用，服务于GIS空间数据的处理、分析与挖掘。下面将从这两个方向，简单介绍下10i(2020)版本中新增的GeoAI功能算子。
空间机器学习
1、时空数据挖掘
空间机器学习的一个典型应用，就是对时空数据的深度挖掘。进行时空数据挖掘时，我们可以利用空间机器学习中的经典方法，即聚类、分类和回归，来预测事件概率、判断事件类型、识别事件热点、分析影响因素。
面向时空数据挖掘场景，10i(2020)版本中提供了包括决策树分类与回归、基于森林的分类与回归、逻辑回归、线性回归、地理加权回归、朴素贝叶斯分类、支持向量机分类等丰富的机器学习算法。
我们以一份开放的城市犯罪事件数据为例，结合一些经济和人口普查信息，开展了面向犯罪地理学的时空数据挖掘。基于森林的回归可预测犯罪概率，支持向量机分类可判断犯罪类型（盗抢，交通事故等），空间热点分析可以识别犯罪的聚集性高发区域，协助警力部署。
犯罪时空数据挖掘
2、地图匹配
随着导航定位技术和计算机技术的快速发展，轨迹大数据的处理分析与应用成为GIS的典型任务之一。地图匹配是轨迹数据处理分析中的关键技术，能够解决依据轨迹点匹配到道路线，从而还原真实轨迹的问题。
为了提高轨迹点道路匹配的准确度，我们在10i(2020)版本中引入了机器学习模型，并使用标准的测试集，对基于隐马尔科夫模型（HMM）的地图匹配精度进行了验证。
基于隐马尔科夫模型的地图匹配
3、地理模拟
随着GIS的不断发展，对地理空间系统的研究已不再仅仅局限于简单的静态表述，而更偏重于地理事物构成或地理现象产生的原因和演化过程，即地理模拟。在地理模拟场景中，有学者将人工神经网络和元胞自动机算法进行了有效结合，对城市发展扩张过程进行建模和模拟。我们也与算法提出者黎夏教授进行了合作，将其引入到GeoAI产品当中，弥补了传统GIS在城市发展、土地利用变化等领域地理模型的不足。在一个具体案例中，我们基于10i(2020)版本模拟了某地区2001到2008年的城市扩张情况，将模拟结果和真实结果进行比对，可以达到83%的模拟精度，并可以通过算法优化进一步提升精度。
基于元胞自动机的地理模拟
空间深度学习
1、对象提取（实例分割）
去年，我们在空间深度学习方面提供了目标检测、二元分类（语义分割）等能力。目标检测的任务是对单个对象进行分类并用最小外接矩形进行定位。语义分割仅对每个像素进行分类，并不区分单个对象。而实例分割需要正确识别图像中的目标对象，并分割出对象轮廓，是一种更加综合和实用的计算机视觉任务。
我们可以利用10i(2020)版本中新增的对象提取功能，利用样本数据通过流程工具完成训练数据生成、模型训练、模型推理整个过程，来智能识别出每个独立的光伏面板，进而辅助支撑后续的统计计算。
光伏板提取效果
2、图时空回归
近几年，图神经网络（GNN）模型热度不断增加，已然成为AI研究的新热点。在GeoAI当中，我们可以基于该模型对点要素进行回归计算，将时空数据转换为图结构上的序列信号,进而服务于时空分析，提供时空预测能力。
在基于图神经网络的交通流预测案例中，可以将遍布在道路上的车速传感器设备建模为网络节点，设备之间的路网距离建模为边，并使用四个月的历史数据进行图神经网络模型训练。而后以五分钟为间隔，对未来一小时的交通流变化情况进行预测。在案例实验中，最近间隔的预测精度可以达到92.7%，即表明图神经网络模型可以较好地学习和预测该地区的交通流变化情况。
基于图神经网络的交通流预测
02
人工智能GIS技术体系
如果说第一部分的功能算子为GeoAI应用提供了强有力的武器，而如何打造这些武器，以及提升武器战斗力，就要靠技术体系来保证。去年我们构建了人工智能GIS技术体系，今年我们针对该体系开展了多方面的提升和增强。
人工智能GIS技术体系
空间深度学习模型
新增多种新型深度学习模型：FPN、DeepLab V3+、D-LinkNet、Mask R-CNN用于影像分析，为影像建筑物提取、道路提取提供更理想的推理效果；YOLOV3用于图片目标检测，提升模型的推理性能。
产品内置的深度学习模型
流程工具
SuperMap GIS组件、桌面、服务器产品都提供了人工智能GIS流程工具，方便使用者根据自己的数据与应用场景训练和使用自有模型。流程工具主要包括数据准备、模型构建、模型应用三大部分，今年在该方面也进行了多项提升和增强：
1、该流程工具不仅限于对影像数据的支持，同时增加了对图片格式数据的支持；
2、新增“样本管理”、“模型转换”等工具。“样本管理”工具可以让用户在桌面软件方便地进行AI样本制作，帮助用户更好地构建样本库，用于后续的模型训练；“模型转换”工具可以使桌面端进行的模型推理过程迁移到移动端进行推理，打通了不同产品间的AI功能连接和互通能力。
3、新增影像分析推理结果后处理工具，包括众数滤波、蚕食、收缩、扩展、边界清理、区域分组、细化等功能。在影像分析工作流程中，可以在推理之后接入各种后处理工具，进一步提升推理效果。
人工智能GIS流程工具
03
人工智能GIS产品体系
技术体系是AI GIS的基础能力保障，而产品才是AI GIS真正发挥价值、服务客户的主要载体。SuperMap GIS10i(2020)进一步完善了AI GIS产品体系：
1、云GIS服务器：SuperMapiServer产品完善机器学习和数据科学服务，SuperMap iPortal产品新增Notebook资源，SuperMap iManager产品新增智能报警功能。
2、桌面端GIS：SuperMapiDesktopX产品新增样本管理工具，完善图片分类，视频目标检测等功能。
3、组件端GIS:uperMap iObjects for Spark产品新增多种空间机器学习功能；SuperMap iObjects Python产品新增多种空间深度学习模型和功能。
4、移动端GIS：SuperMapiMobile/iTablet产品完善AI属性采集，AI测图等功能，进一步发展了AI+AR技术。
人工智能GIS产品体系
04
人工智能GIS应用展望
未来，人工智能GIS应用将会向着更广泛、更深入、更智能的方向发展：
1、支持的数据类型更加广泛，AIGIS会接入和扩展更丰富的数据来源，包括影像数据、图片数据、三维数据、视频数据、文本数据等；
2、面向的行业应用更加深入，AI算法想要发挥出更大的价值需要和行业应用进行深度融合，实现技术落地。比如应急减灾中的建筑物提取、水利资源管理中的河道四乱清查、国土监查中的视频违法用地监控、城市规划中的变化检测等，都可以基于AI技术来助力和创新；
3、推动GIS技术和产品更加智能，AI GIS的技术发展是一个循序渐进、不断进化的过程，可以经过计算智能、感知智能逐步走向认知智能，逐步发挥出AI的巨大潜力，基于数据和知识驱动的方式，真正让AI模型去进行认知推理、辅助决策，才是我们进一步追求的发展目标。
文/大数据与AI研发中心 郑美玲
欢迎转载~