一、GIS中的深度学习应用

机器学习一直是GIS空间分析的核心组成部分。机器学习，深度学习和人工智能越来越多地与GIS一起用于多种目的。将机器学习算法与GIS集成可在更短的时间内提供更好，更优的结果。这些工具和算法已应用于地理处理工具，以解决三大类问题。通过分类，您可以使用支持向量机算法来创建土地覆盖分类层。另一个例子是聚类，它允许您处理大量的输入点数据，识别其中有意义的聚类。诸如地理加权回归之类的预测算法，允许您使用地理信息来校准有助于您预测的因子。这些方法在很多领域非常管用，其结果可以解释，但他们需要GIS专家来识别或提供那些影响我们预测结果的因子。

1. 1. 深度学习的兴起

如果通过机器自动查看数据，找出这些因子应该是什么，那不是更好吗？这就是深度学习的用武之地。它的灵感来自于人类的大脑类似的思维方法。在深度神经网络中，存在响应刺激的神经元，并且它们在层中彼此连接。神经网络已存在数十年，但训练好它们是一个关键难题。

那么现在发生了什么变化，并使深度学习的应用如此成功？深度学习的出现可归因于近年来的三个主要发展 - 数据，计算和算法改进：

数据：由于互联网，众多的传感器以及每天都在对全世界成像的众多卫星，我们现在拥有大量数据。

计算：云计算和GPU拥有强大的计算能力，它们比以往任何时候都更加强大，并且价格非常实惠。

算法改进：最后，研究人员现在通过算法改进和网络架构破解了训练深度神经网络的一些最具挑战性的方面。

1. 2. 将计算机视觉应用于地理空间分析

深度学习应用非常广泛的领域是计算机视觉，或图像智能识别。这对于GIS尤其有用，因为卫星，航空和无人机图像的生成速度很快，使得人们很难通过传统方式分析图像和获得需要的结果。

下图显示了一些最重要的影像识别用例以及它们如何应用于GIS：

最简单的应用是图像分类，其中计算机为图像分配标签，例如“猫”或“狗”，这可以用于在GIS中分类地理标记的照片。在上面的示例中，我们将图像分类为具有“密集人群”，并且此类行人活动分类可用于公共活动场所的行人和交通管理计划。

接下来，可以用于对象识别，其中计算机需要在图像中查找对象及其位置。这是GIS中一项非常重要的任务 - 查找卫星，航空或无人机图像中的内容，以及在地图上绘制地图并将其绘制在地图上，可用于基础设施绘图，异常监测和对象特征提取。

图像识别中的另一个重要任务是语义分割 - 在其中我们将图像的每个像素分类为属于特定类。例如，在图1的图像中，猫是黄色像素，绿色像素属于地面类，天空是蓝色。在GIS中，语义分割可用于土地覆盖分类或从卫星图像中提取道路网络。

另一种类型的分割是实例分割，您可以将其视为更精确的对象检测，其中标记每个对象的精确边界。这可以用于通过添加建筑物覆盖区或从LiDAR数据重建3D建筑物来改善底图等任务。

1. 3. 深入学习绘图

卫星图像深度学习的一个重要应用是通过自动提取道路网络和捕捉边界来创建数字地图。

想象一下，在大的地理区域应用训练有素的深度学习模型，并到达包含该地区所有道路的地图，以及使用该检测到的道路网络创建行车路线的能力。这对于没有高质量数字地图的发展中国家或新开发的城市地区尤其有用。

好地图需要的不仅仅是道路 - 它们需要建筑物。实例分割模型的应用对于构建边界分割特别有用，并且可以帮助创建建筑物边界而无需手动数字化。

二、GIS与AI的融合应用

大多GIS平台具有帮助完成数据科学工作流程的每个步骤的工具：从数据准备和探索性数据分析，到训练模型，再到执行空间分析，最后使用网络发布和共享地图成果。

大多GIS平台包含用于帮助深度学习工作流数据准备的工具，可用于部署经过训练的模型以进行特征提取或分类，并通过利用分布式计算大规模部署深度学习模型，可使用CNTK，Keras，PyTorch，fast.ai和TensorFlow进行对象检测和分类工作流程。

深度学习是一个快速发展的领域，使用代码优先方法允许数据科学家利用尖端研究，同时利用工业级的GIS平台。Python已经成为深度学习世界的通用语言，像Tensorflow，PyTorch和CNTK这样的流行库选择它是他们的主要编程语言，GIS平台支持这些语言，就意味着非常适合与这些深度学习库集成，并允许您扩展功能。

三、深度学习和GIS融合的发展趋势

深度学习是一个迅猛发展的技术领域，全世界每周或每月都会出现最先进的结果和新的研究论文。

深度学习的新用途是用于增强图像，例如通过使用“超分辨率网络”来增加缩放级别。该技术可用于提高卫星图像的清晰度，甚至超出所用传感器的分辨率。

深度学习的另一个新用途是“ 创作（设计）的智能 ”领域。神经风格转移技术可用于生成“地图艺术”，并可通过制图风格转移在GIS中找到实际用途。

生成性对抗网络（GAN）是一个活跃的研究领域，在机器学习的历史上一直占有举足轻重的地位，可用于直接从图像生成地图图块。

虽然上面的示例侧重于图像和计算机视觉，但深度学习也可以同样好地用于处理大量结构化数据，例如来自传感器的观测或来自要素层的属性，这些技术在结构化数据中的应用包括预测事件概率以及地理编码等。

很多GIS平台商和创新型公司正在大力投资和研究这些新兴技术，开发人工智能和深度学习的数据模型和应用。

转载请注明出处。GIS帝国网站报道中出现的商标及图像版权属于其合法持有人，只供传递信息之用，非商务用途。