行业 | AI+GIS:AI时代如何让GIS更智能

科技工作者之家 2018-12-13

↑ 点击上方「中国测绘学会

可快速关注我们


近日,超图发布了SuperMap GIS 9D(2019)系列产品,该版本全面拥抱空间大数据技术,并在微服务、容器化、云原生、自动化运维等方面全新升级,进一步优化和提升了云GIS功能,构建了新一代三维GIS技术体系。


人工智能(Artificial Intelligence,AI),亦称机器智能,是指由人制造的机器所表现出来的智能行为和结果。通常人工智能是指通过普通计算机程序的手段实现的智能技术。该词也指研究这样的智能系统是否能实现以及如何实现的科学领域。


人工智能的概念极为宏大,是人类让机器实现智能化的美好愿景。其中,机器学习是实现人工智能的一个途径,它为很多问题提供了算法支持。深度学习是机器学习技术的一个分支。近些年来,在大数据时代的背景下,训练数据不断增多、GPU算力不断提升,使得深度学习技术大放异彩。


现阶段,人工智能的应用方向主要集中在数据挖掘(Data Mining,DM)、自然语言处理(Natural Language Processing,NLP)和计算机视觉(Computer Vision,CV)等方面。超图在这三个方向上,对AI+GIS进行了一定探索,并将成果集成在SuperMap GIS 9D(2019) 产品中,下面就从机器学习和深度学习两个角度对产品特性进行介绍。


机器学习


• 空间密度聚类


在互联网技术飞速发展的今天,人类产生的数据越来越多,其中的规律也越来越难以发掘。SuperMap GIS 9D(2019)中的空间密度聚类可以将庞大的点数据集归并为类簇,通过空间位置信息发掘数据中的价值。我们提供了DBSCAN、HDBSCAN和OPTICS三种不同的算法来适应不同情况下的聚类需求。


以成都出租车上车点数据为例,我们将搜索半径设为100米、每类包含的最少点数设为50个,使用DBSCAN方法对成都出组车上车点数据进行密度聚类,并叠加地图,得到结果如下图。


图1 成都出租车上车点密度聚类


从图中可以发现,不同的医院、商场和广场等人流密集区域被归为不同的类簇,不仅可以直观地得到各种打车热点区域,还可以通过聚类结果发现人流量较大的区域。在经过深度的挖掘后,可以根据同一类簇中点的分布情况和不同类簇的位置情况,应用到诸如:选址分析、广告投放、交通规划等一系列的GIS空间分析应用当中。 


• 地址要素识别


随着GIS技术的发展,非GIS数据的空间化,如商业分析、房地产、公安和物流等领域的“快速上图”需求不断增强,需要相应的技术来解决文本数据空间化的问题。而地理编码技术是解决文本数据空间化的主要技术。地理编码技术主要包含地址解析和地址匹配两个过程。在探索初期,我们首先聚焦地址解析过程的核心——地址要素识别,因为地址要素是地理编码的重要基础。传统的地址要素识别方法主要有:层级地址要素、正则匹配和全文检索等。


我们尝试使用机器学习的方法升级传统地址要素识别方法,以提高地址解析的匹配率、准确率和扩展性。我们采用机器学习中的条件随机场(Conditional Random Fields,CRF)方法,构建专门识别地理要素的模型,来提高地址要素识别的效果。例如,将一条文本信息“北京市朝阳区酒仙桥北路甲10号电子城IT产业园107楼6层超图软件”输入到模型中,得到结果如下图,可以发现,地址文本中的城市、城区和道路等要素均被一一识别出来。


图2 地址要素识别结果


深度学习


• 倾斜摄影建筑物底面提取 


近年来,无人机技术日趋成熟,新一代三维GIS技术也在不断发展,通过无人机采集的倾斜摄影数据对现实场景三维重建,是三维GIS技术的一个重要方向。但原始的倾斜摄影数据存在“一张皮”现象,难以进行空间查询与分析,不便于管理。大多数情况需要以人工勾绘的方式,提取倾斜摄影数据中的地物,而后与倾斜摄影数据叠加,以达到可查询、可分析的效果。但该方法效率低、成本大,一直是倾斜摄影技术的应用难点。


我们尝试使用深度学习模型,自动化提取倾斜摄影数据中的建筑物底面,以优化倾斜摄影数据的单体化过程。在深度学习领域中,卷积神经网络(Convolutional Neural Network,CNN)在图像领域的表现一直较为突出,因此我们采用基于CNN的U-Net网络结构,构建深度学习模型,完成自动化提取倾斜摄影数据中的建筑物底面的过程。我们先通过倾斜摄影数据提取DOM和DSM,模型通过DOM的图像信息(RGB值)和DSM的高程信息自动化提取建筑物底面,生成矢量数据。提取结果可以在三维场景中与倾斜摄影数据进行叠加拉伸,效果如下图所示。


图3 倾斜摄影数据建筑物底面提取效果


• 影像目标检测


对影像上特定地物进行识别,并进行空间统计和分析,以从影像中获取兴趣目标的信息,一直是GIS和RS领域所关注的问题。传统方法大多以遥感地物分类技术为基础,使用不同的分类方法提取特定地物类型。但传统的分类过程存在使用门槛高、数据处理过程繁琐、识别速度慢、准确率不高和可迁移性差等弊端。


我们尝试采用深度学习的方法,改进影像数据目标检测的过程。同样以适用于图像领域的CNN网络为基础,使用更快更准确的Faster-RCNN模型,并对该模型进行优化,同时针对遥感图像上常见的同类目标大小不一的情况,优化对小目标的识别能力,以达到更好的检测结果。整个过程只需要输入一幅影像和确定识别目标类别,就能快速获得兴趣目标的矢量数据。以飞机目标检测为例,识别结果如下图。


图4 影像目标检测结果


超图从数据挖掘(Data Mining, DM)、自然语言处理 (Natural Language Processing, NLP)和计算机视觉 (Computer Vision, CV)三个角度探索了AI技术在GIS领域中的应用,并提供空间密度聚类、地址要素智能识别、倾斜摄影建筑物底面提取和影像目标检测等功能,旨在解决传统GIS应用中的一些痛点和难点。


未来还将在现有成果的基础上,不断深化发展,将AI 技术应用到其它一些GIS传统业务中,如道路中心线提取。随着人工智能技术不断蓬勃发展及与GIS结合不断深入,未来GIS将会更加智能。 


来源:超图集团

作者:大数据与AI研发中心 卢浩


来源:csgpc-cssmg 中国测绘学会

原文链接:http://mp.weixin.qq.com/s?__biz=MzI1NTA2MzYxMg==&mid=2650041478&idx=3&sn=6fb9f4519e8ae719f4db5b3b37907141&scene=0#wechat_redirect

版权声明:除非特别注明,本站所载内容来源于互联网、微信公众号等公开渠道,不代表本站观点,仅供参考、交流、公益传播之目的。转载的稿件版权归原作者或机构所有,如有侵权,请联系删除。

电话:(010)86409582

邮箱:kejie@scimall.org.cn