Wechat: yu389741| Email: gisdqy@163.com

Shop:https://www.giserdqy.com/shop

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


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。

From https://www.researchgate.net/p … twork

(四) 自动判别照片拍摄的地名

我们除了透过照片的 EXIF知道拍摄的地点之外,是否能够透过深度学习的方式,自动辨别照片内的对象、形状与颜色。自动地获知照片拍摄的所在地点呢? 这样以后去参加ESRI UC,进行看照片猜地点的游戏时,全部都猜中的机率就可以大大增加。

From https://www.technologyreview.c … most/

三、无人车自动驾驶

Google或Tesla积极的推出无人车自动驾驶技术,除了倚靠大量的GIS数据之外,还必须仰靠LIDAR技术,实时侦测对象所在的位置、形状、以及距离的远近,来反馈回深度学习模式做反应。同时车与车之间,也可以透过标准的机制,交换训练的成果,告知前方可能的状况,提早做反应。

From http://www.sanborn.com/highly- … cles/

四、社交数据分析

社交数据也是另外一个可以应用深度学习的领域。 譬如:我们可以分析每篇微博文章,找出时间、空间、描述的人事物、表达的情绪、以及照片的内容。透过深度学习的方式,归纳可能的模式,预测未来在类似事件发生的情况下,了解社交在空间上是否会有聚集、时间上的反应、以及对于事件的情绪反应。

From https://gobabl.com/visualize-in-map-view/

 

转载自:http://zhihu.esrichina.com.cn/article/3617

Have any Question or Comment?

发表评论

您的电子邮箱地址不会被公开。

CAPTCHAis initialing...