Jack Dangermond:未来GIS发展的七个趋势
The following article is from GIS小丸子 Author 深度抑郁患者
在最近的 NPC21（National Planning Conference）的闭幕演讲中，Esri的CEO Jack Dangermond提到了GIS未来发展的七个趋势会对城市和规划带来重要的影响，而且纵观一下Esri在产品上的布局似乎也都在往这个方向上去发力，下面就结合Jack Dangermond的一些观点谈谈自己的一些看法，主要是看到他列的这几个点都是我想聊聊的，可能人家理解和我理解的也不一样，他说的我会用斜体标识出来:
1. 云端GIS （GIS IN THE CLOUD）
现在我们说的云端更多的是基础设施方面的云化和和资源的弹性，但是在应用层面云化能够进一步推动普世化和一致化。
普世化也有的说成是平民化，本质就是将很多专业的数据以及应用的门槛降下来，比如现在成长出来的很多SaaS化的低代码平台和在线制图和分析平台，从以前的高客单价转向低客单价但是可以覆盖更广泛用户群体的模式，同时按需提供服务，而不是上来就是一套全家桶，这是泛GIS阶段一个比较明显的转变。
一致化就是我们的存储，数据模型和应用平台的一致化，这些一致化可以解决我们应用中绝大多数基础问题，而不需要再造各种各样的基础平台，最后大家不得不用引入新的不一致性来解决老的不一致性，恶性循环，现在流行的不少平台的成功在于提供了数软一致化的环境，比如Google Earth Engine本身提供了丰富的数据资源、一致数据模型、统一的开发平台以及弹性的基础资源分配，用户只要关系业务需求而不要再花更多的精力去一遍一遍搭建基础环境。
2. 实时GIS（REAL-TIME GIS）
其实这个部分就是我们现在说的GIS+IoT的部分，客观空间的变化可以实时反馈到GIS系统中去，现阶段的实时GIS更多指的是一些实时数据的接入，内容上比以前可能更丰富了，但是要达到同步映射空间还远远不够，比如我前面文章中提到的一个通过视觉专门做道路地物变化监测的公司，这种非接触的信息获取以及变化检测会有更大的价值，比如基于遥感、航片、视频这种能够大面积覆盖、长周期的快速监测识别体系获取的信息也是实时空间状态的反馈，核心就是快速、结构化、语义提取。
3. 影像和栅格分析（IMAGE/RASTER ANALYTICS）
这个部分Jack Dangermond谈到，当前可获得的遥感、无人机的数据越来越多、同时GIS平台也提供了管理这些影像的功能，这样的数据生产能力也可以保证在应用端能够使用到最新的数据，这一切都意味着收集数据的挑战越来越小。
其实这个部分在中国的感受最为明显，随着倾斜三维在智慧城市相关领域的广泛应用，涌现了很多平台型硬件生产厂商以及更多的下游小规模的数据生产团队，同时这种充分的竞争也让价格越来越便宜，应用端可以以很少的代价就可以获得现势性比较高的影像数据。
不过未来可能小型的航飞团队的生存空间会越来越小，主要原因在于智慧城市的建设初期尚缺乏“城市一张图”的概念，在各个条线的应用中的地图建设上，大家也是八仙过海各显神通，碎片化很严重，但是随着整体上大家对这张图的认知越来越深刻，现在政府的信息化应用也都要大数据局审批，统一使用一张图成为了硬性要求，也遇到很多方案上规划不清晰、试图挑战一张图原则的案例最后也都是不得不重新申报方案。而统一建设通常就会落到统一的主管部门去推进，比如地方的测绘院亦或是改制的测绘公司，在入口上进行收口，这种模式下更容易形成“寡头”而不再是百花齐放。
4. 倾斜3D（3D REALITY CAPTURE）
这项新技术让我可以用无人机或飞机飞越一座城市，构建一幅3D图片。在这幅图中整合了所有的矢量数据，包括谁拥有什么，有什么土地用途。这是一种显示地理信息系统和可视化地理信息系统的新方法，在未来几年内它将在全世界非常流行。一张图片胜过千言万语，但像GIS这样的智能图片将非常吸引人。“这些模型可以作为真实城市的数字孪生模型，波士顿等地已经在使用它。
国内对于倾斜3D自然是不陌生，无论是在应用端还是数据生产端带来的改变都十分巨大，在生产端目前就是三维测图，随着实景中国的推进，积累的基础三维数据会越来越多，而这些数据如何在应用端发挥价值则是下一步要求解决的问题，定位为城市基础平台的CIM，在最新的《城市信息模型（CIM）基础平台技术导则》（修订版）中就细化明确了建筑要结合公安的“一标三实”数据，这是在平台层面就顾及了应用端的需求，因为这种模式在很多的智慧城市项目中都已经按照这种模式进行数据的融合，不过现在两个条线两个平台与一张底板的矛盾现在目前还缺乏明确的指导意见。
5. 空间分析和数据科学（SPATIAL ANALYSIS & DATA SCIENCE）
地理信息系统分析和空间数据科学继续发展，有成百上千的新工具。例如，最重要的是能够获取整个城市的所有数据，将其放入基于云的数据仓库，并开始对关系和模式进行分析，看到我们以前从未见过的东西。但更实际的是，我们可以做一些事情，比如时间序列预测、GeoAI、机器学习和统计报告——这些都是为了更好地了解这个城市。
6. GeoAI、机器学习和深度学习（GEOAI, MACHINE LEARNING, AND DEEP LEARNING）
GIS 正在与一个完整的开源人工智能和机器学习工具库集成或接口。而且，你不必是人工智能专家，你只需要在概念上对它有足够的了解，这样你就可以利用关系建立和统计的力量，做出预测，或者在事物之间创造新的理解。
对于深度学习和人工智能，在这里借助陆奇的一个描述：“深度学习是一种新的计算体系，它可以将物理空间的信息可以映射到一个重叠的向量空间里面，这样就可以通过学习的方法抽取重要的特征，然后再用这些特征去解决我们想要解决的问题，他的价值在于快速的表达、快速的获取知识，同时它借助前端的各种传感器，让机器开始具备类似于人的能够和客观空间的交互能力”。
深度学习简单理解可能就是GIS软件里面集成的一个工具，但是看深度学习或者是GeoAI有一个关键点就是要将后台的计算和前台的感知端形成场景去理解，你就会发现深度学习带来的想象空间是巨大的。
7. 野外GIS（GIS IN THE FIELD）
这块主要就是针对通过GIS对野外作业人员的监测和保护之类的，这块没有什么要过多需要赘述的，比较具体的应用场景。
从上面七个部分看下来，估计有不少人觉得很多东西都是似曾熟悉的，或者认为觉得已经是过时的了，但我们必须要明白我们口中所谓的“过时”，其背后的原因是“运动式”推动的影响，一阵大风吹过，一地鸡毛的自然也包括“心智”。
这种“运动式”也是中国测绘地理信息市场的一个鲜明的特征(当然也可以把范围说的更大一些)，这种推动也在市场上催生了大量的“价值为零”的公司，同时形成劣币驱逐良币的情况，大家都一窝蜂的去追逐“泡沫”，就鲜有人能够沉下心来做产品和技术了，虽然从逻辑上来说市场最终会大大奖励创造价值的实体，但是能做到众人皆醉我独醒是很难的，“运动式”对行业的伤害是极大的。
“揠苗助长”的背后就是创造了一堆“数字化垃圾”，我们经常面对的一个场景就是，客户花费几百万建设一套他自己都搞不明白而且毫无需求场景的系统，很多公司还美其名曰“客户需要教育”。信息化是要解决实际生产效率的问题而不是写了一篇论文然后做了一个配套实验验证的demo~
本来写个趋势，谁成想写到后面又开始甩锅砸碗了~
- END -