利用众包和深度学习来绘制人类居住区地图

点击图片上方蓝色字体“慧天地”即可订阅

英文原文来源：www.gislounge.com

中文编译整理：慧天地国际站一鸣

版权归原作者及刊载媒体所有。

在缺乏可靠地图信息的地方工作的社群发展组织和研究人员面临的一个挑战是，如何创建准确的地图，以便在项目中使用，从而为决策者和其他人提供信息数据。新的研究尝试通过结合人工智能技术，特别是深度学习方法，将多层数据应用于递归学习，其中包括志愿者或其他人在当前流行的平台上所共享的数据。众包和深度学习的结合有可能使研究人员和其他人更容易在人类居民地研究领域工作。

在最近的一篇论文中，使用了一种DeepVGI的方法，一种使用多层递归学习的分类方法，并结合热门地图众包网站MapSwipe上的地理标记图像进行数据收集。实验数据运用来自OpenStreetMap和卫星图像的数据，以及众包空间数据，目的是填补图像上不易识别的关键区域的地图缺失。在这种情况下，DeepVGI将城市和非城市空间进行分类，并将空间指定为给定的类别。社群发展组织内的众包信息有助于验证和识别卫星图像上不易识别的其他特征[1]。

图1：将深度学习和众包方法相结合的工作流程（图片来源：HEREFORT ET AL., 2019）

另一个项目使用了地理标记的现场照片，这些照片是从流行的用户站点众包收集而来的，配合卷积神经网络（CNN）的深度学习算法来改进土地分类。利用CNN算法提取特征图像，利用多项式逻辑回归对特征进行分类。在这种情况下，图像学习利用了当前可用于特定地球观测的巨大数据库 （参见http://eomf.ou.edu/photos/）[2]。有趣的是，最近的研究也表明，我们的众包照片或街道影像可能会取代社会传统使用的调查方法所收集的高分辨率的数据。在这种情况下，仅凭照片就可以使用深度神经网络模型进行高度精确的训练，该模型允许图像与不同程度的环境因素和健康不平等现象相关联。这使得照片有可能完成一些通常需要花费更多时间通过上门访问来构建数据的工作。这种应用的潜力在缺乏现场数据的地方可能非常有用，或者在情况太危险而不能应用普通实地调查的情况下也可能非常有效[3]。

下图为街景概览和分析中使用的标签数据。通过指定相机的方向来覆盖360度视图，每个邮政编码可以获得4张图像。对于每个邮政编码，不同福利结果的标签数据来自三个公共数据集：人口普查（Census），英国贫困指数（English indices of deprivation）和泛伦敦当局的家庭收入估计（Greater London authority household income estimates）。

图2：（图片来源：SUEL ET AL., 2019）

机器学习也被用于流行的社交媒体平台，如Twitter，它被用作一种众包活动，提供关于城市环境的标记和空间参考数据，以及关于城市中不容易通过图像识别的特定区域的细节。在这种情况下，来自洛杉矶的带有空间标记的Twitter数据被绘制成图并使用城市环境的空间图像进行分析。在这里，该技术使用机器学习来确定城市空间的空间格局、建筑物是如何被看到或使用的，建筑是如何通过社交媒体来进行分类的，这些目的可以通过应用于数据的多功能神经网络方法得以实现。然而，事实证明，这项研究在不同层面上都具有挑战性，其中包括是哪些用户在选择使用社交媒体[4]。

最近的研究表明，越来越多的机器学习技术被应用到众包数据当中，以发现以前不可能或难以确定的新兴的城市和土地利用模式。无论是简单地使用照片来获取诸如健康不平等之类的信息，还是从Twitter中找到社会名称和建筑使用模式分类等信息，都可以从新的社会化的数据收集平台中获取可众包收集的大数据，并提供信息化的数据模式。这有望带来许多有关城市和土地利用的崭新见解，丰富我们在发展和健康等领域的空间理解。

参考文献：

[1]Formore on integrating crowdsourcing and DeepVGI, see:  Herfort, Benjamin, Hao Li, Sascha Fendrich,Sven Lautenbach, and Alexander Zipf. “Mapping Human Settlements with HigherAccuracy and Less Volunteer Efforts by Combining Crowdsourcing and DeepLearning.” Remote Sensing11, no. 15 (July 31, 2019): 1799.https://doi.org/10.3390/rs11151799.

[2]Formore on using geo-tagged crowdsourced data and deep learning CNN algorithms,see:  Xu, Guang, Xuan Zhu, Dongjie Fu,Jinwei Dong, and Xiangming Xiao. “Automatic Land Cover Classification ofGeo-Tagged Field Photos by Deep Learning.” Environmental Modelling &Software91 (May 2017): 127–34. https://doi.org/10.1016/j.envsoft.2017.02.004.

[3]Formore on using street photographs and measuring inequalities, see: Suel, Esra,John W. Polak, James E. Bennett, and Majid Ezzati. “Measuring Social,Environmental and Health Inequalities Using Deep Learning and Street Imagery.”Scientific Reports9, no. 1 (December 2019): 6229. https://doi.org/10.1038/s41598-019-42036-w.

[4]Formore on integrating social media with spatial urban data, see:  Häberle, Matthias, Martin Werner, and XiaoXiang Zhu. “Geo-Spatial Text-Mining from Twitter – a Feature Space Analysiswith a View toward Building Classification in Urban Regions.” European Journalof Remote Sensing52, no. sup2 (August 9, 2019): 2–11.https://doi.org/10.1080/22797254.2019.1586451.

点击文末“阅读原文”即可查看原文章

荐 读 

编辑：裴家珍   审核：张胜威 黄敏

指导：万剑华教授