人工智能与深度学习在GIS能做什么？应用前景广阔，不可不知

by giser · 2018-10-11

近年来，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於数据分析。 GIS作为一个整合各领域的学科，如何透过这些智能化的方式，分析时间与空间的变迁，解决以往较为困难的问题，或者扩展更多的可能性，是非常重要的。

同时，在人工智能与深度学习下的 GIS，除了能够自动智能的侦测地理数据的对象之外(譬如：在遥测影像自动辨识树种)，最重要的还是要找出对象之间的关系，以及对象与空间的pattern ，形成规则 (Rule) ，强化后续学习的准确率。

小编想透过目前的观察，整理一些人工智能与深度学习下的 GIS相关应用与研究，探讨一些可能的方案。并在最后整理我们目前以The Science of Where主要蓝图下的Esri，如何强化人工智能、深度学习与GIS。

以下资源可能需要科学上网。

相关应用与研究

一、影像辨识

(一) 遥测影像自动化识别对象

影像相对于矢量数据，相对容易做深度学习应用，原因在于其网格式的数据特性。每一个网格有固定的大小，并且具有一个或多个值，表达这个网格在某空间上的特定属性。譬如；遥测影像每一个网格代表某地物在此网格空间大小中反应的光谱值，可能反映的是植被的种类，或者建筑物的材质。而我们如何得知特定的光谱值反映哪一种的植被种类或建物材质，得依靠其他数据（譬如：土地利用数据）的辅助，进行分类与学习。目前可以看到应用深度学习的相关研究，包括：

– 土地利用数据自动化辨识与分类

利用历年遥测数据以及土地利用数据，加以学习分类，提高自动化判释土地利用的准确性。

From SENSING URBAN LAND-USE PATTERNS BY INTEGRATING GOOGLE TENSORFLOW AND SCENE-CLASSIFICATION MODELS

– 模拟都市扩张

透过历年的都市卫星影像与土地利用数据，透过深度学习建立模式，预测未来都市扩张的模式。

From http://giswin.geo.tsukuba.ac.j … e.pdf

– 潜在自然灾害的判释

透过历年的卫星影像数据，发生自然灾害的点位，坡度，坡向以及雨量数据，进行深度学习建立模式，预测未来可能潜在发生自然灾害的地点。

From https://www.gislounge.com/gis- … ning/

二、街景图自动化识别对象

(一) 自动辨识门牌号码

Google地图所收集的全世界街景图，透过初步的人工辨识，建立训练数据，并且透过深度学习的方式，建立模式，并且再加上全世界的反馈，不断的训练模式增加准确度。

(二) 更新POI数据

除了门牌辨识之外，也可以实时动态更新 POI点位数据。先透过深度学习判断每张街景图的对象，再加上拍照的地点与角度，推断出每个对象的位置与轮廓。再结合过去收集的poi数据，得到每个对象所代表的种类。譬如：邮局、便利商店等。由于知道每个对象的轮廓、影像以及代表的种类，可以加强深度学习的模式，预测未来每个对象发生改变之后可能代表的种类，更新poi数据。

– New POI Construction with Street-Level Imagery

Google Street View can now extract street names, numbers, and businesses to keep Maps up-to-date

(三) 监视器影像自动判释

利用同样的深度学习方法，应用在监视器影像中。首先，先识别影像中的对象与形状，由于监视器影像是连续拍摄的，我们可以得知对象是否移动、移动的轨迹、以及发生的时间。再加上初步人工介入制作训练样本，透过深度学习建立模式，往后透过大量的数据修正来提高模式的准确度。除此识别对象之外， pattern也是另外一个重点，譬如：如何自动侦测人是否聚集、人是否带大型物品、或者是否有人长时间逗留在银行前面，都可以作为未来可能发生危机时的自动预警系统。