MapGIS 10.3.5智能GIS，“遇”见未来，我们更进一步

所谓智能，就是人脑比较过去、预测未来的能力。随着类神经网络、数据挖掘、物联网、大数据分析、人工智能与深度学习的技术不断的发展与强化，许多智能化的方法可用于数据分析，GIS作为一门跨学科的技术，透过这些智能化的方式，分析时间与空间的变迁，创造无限新的可能……

MapGIS IGServer-S是MapGIS 10.3空间智能化GIS产品，旨在将GIS空间运算能力与人工智能技术相融合，通过多层的深层的神经网络构造，去更好的效仿人脑，从而进行空间信息领域复杂数据的解释与分析。在中地数码2019收官之作——MapGIS 10.3.5中，MapGIS IGServer-S集成了TensorFlow、CNTK等深度学习框架，搭建了一套完整的深度学习流程，在遥感影像信息提取与智能分析等方面取得了新的创新进展。

MapGIS深度学习流程

MapGIS集成了TensorFlow、CNTK等深度学习计算框架，搭建了一套完整的深度学习流程，不仅可以向开发者提供机器学习构建模块，还可以通过高级的二次开发API 构建神经网络。

图  MapGIS深度学习流程

MapGIS深度学习流程包含模型准备、模型训练和模型使用三部分内容：(1)模型准备：包含样本数据处理和模型搭建的过程，需要对训练和预测数据进行处理，并提供标注数据、预处理等操作；(2)模型训练：利用训练脚本和样本数据集，通过集成的深度学习框架对模型进行训练，对训练实例进行监管；(3)模型使用：对训练的生成的模型提供版本管理，方便对比和再训练，并可以发布为服务，方便后续管理与使用。

基于深度学习的智能GIS产品

MapGIS IGServer-S基于MapGIS内核，在深度融合TensorFlow、CNTK等深度学习框架的基础之上，搭建了适用于不同场景应用需求的样本训练库和地理实体提取模型。当前随着遥感影像分辨率的日益提高，针对高分辨率遥感影像信息提取，其不再单纯考虑单个像元的广谱信息，而是综合考虑多个像元之间的光谱、空间、纹理、上下文等关系，这种情况下利用深度学习框架并基于GPU分析，对原始影像和矢量进行标签批量生成训练样本，并通过循环分析完成样本训练，基于训练好的模型样本库和U-Net语义分割，经过自身复杂的神经网络分类器或者回归函数，从而从遥感影像上自动识别水体、植被、建筑物、道路等，获取到高精度的地理实体信息。图  基于深度学习的遥感影像信息提取

另外在MapGIS IGServer-S 还应用了一种基于深度残差网络的图像分割神经网络模型，其支持像素级的地理实体提取。在此基础之上利用引导滤波器对分类结果进行优化和去除噪声，可达到最优的提取效果。通过验证16万张图像进行模型训练，3万多张图像进行测试验证，最终对建筑物识别率最高可达到98.5%。

图  基于深度残差网络的图像分割结果

基于深度学习的智能GIS产品应用实践

01

遥感影像信息提取和变化检测

传统的遥感影像信息提取，主要是利用数理统计与人工解译相结合的方法，这种方法不仅效率低，而且严重依赖专家经验，在很大程度上不具备可复制性，因此，如何使得计算机能够理解图像，实现遥感信息智能化提取是迫切的应用需求。MapGIS基于深度学习的方法，使用某地区2017年和2018年两年度高分辨率遥感影像，构建了一套适用于模型训练的样本库，使用深度学习作为建筑物变化检测的手段，实现建筑物变化信息全自动检测。变化检测的结果可以直观的标注和可视化展示，并且支持变化信息的自动提取和矢量化图层的生成。

图  基于深度学习的遥感影像信息提取和变化检测

02

岩性识别与提取

在地质研究过程中，岩石岩性的分类与识别具有重要的作用，目前常采用物理、统计等方法进行识别，物理方法运用物理测试手段进行岩性的检测、识别与分析，统计则是通过数学统计与计算的方法对岩性特征进行提取与识别，这两种方法受限于实验设备的专业性和研究人员的理论水平，基于MapGIS IGServer-S深度学习平台，通过深度学习智能算法模型对岩石图像纹理特征进行处理与分析，有效减少对专业知识和设备的依赖，通过识别结果与DataStore中其他地质数据关联，在野外智能地质调查中通过近距离对岩石拍照就能方便快捷的识别出该岩性及其地质年代、场地、剖面等丰富的地质信息。

图 岩性识别 

MapGIS IGServer-S是MapGIS10.3.5在人工智能领域初见应用实效的产品，在即将到来的人工智能时代，MapGIS将持续发力，让地理赋能AI，提升空间数据的洞察力以及空间信息服务的智能化水平。

end

MORE延伸阅读