国际瞭望|将深度学习与GIS相结合

蓝荣钦慧天地

点击图片上方蓝色字体“慧天地”即可订阅

转载本文需经编译者同意和《慧天地》许可

近年来，人工智能（AI）领域取得了飞速的进步，在计算机视觉、自然语言处理和机器翻译等任务上，人工智能的准确性甚至超过了人类。人工智能和地理信息系统的交叉创造了前所未有的巨大机遇。人工智能、机器学习和深度学习正在帮助我们创造一个更美好的世界，它们通过精准农业帮助提高农作物产量，通过部署预测型警务模型打击犯罪，通过预测下一次大风暴将在何时袭来，提高灾害应对能力。

广义上说，人工智能是计算机执行任务的能力，通常需要一定程度的人类智能。机器学习是使这成为可能的引擎之一。它使用数据驱动算法来从数据中学习，从而给出所需的答案。近年来出现的一种机器学习是深度学习（deep learning），它指的是深度神经网络，灵感来自于人类大脑，与人类大脑大致相似。

ArcGIS中的机器学习

机器学习一直是GIS空间分析的核心内容。这些工具和算法已经被应用到地理处理工具中，解决了三大类问题。使用分类，您可以使用支撑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，并将它们与稀疏噪声分离。地理加权回归等预测算法允许我们使用地理校准来帮助那些预测的因素。这些方法在几个领域都能很好地工作，并且它们的结果是可解释的，但是它们需要专家来识别或提供那些影响我们试图预测的结果的因素（或特性）。

深度学习的兴起

如果机器仅仅通过查看数据就能知道这些因素/特性应该是什么，那不是很好吗？这就是深度学习的切入点。它的灵感来源于人脑，与人脑大致相似。在一个深层的神经网络中，有对刺激做出反应的神经元，它们之间是分层连接的。神经网络已经存在几十年了，但是训练它们是一个挑战。

那么，是什么改变了它们，让它们在工作中如此成功呢？深度学习的出现可以归因于近年来三个主要的发展——数据、计算和算法的改进：

数据：我们现在拥有大量的数据，这要感谢互联网、我们周围的传感器以及每天对整个世界成像的无数颗卫星。

计算：我们有强大的计算能力，这要感谢云计算和GPU，它们变得比以往任何时候都更强大，而价格的下降则要感谢游戏行业。

算法改进：最后，研究人员已经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问题。

将计算机视觉应用于地理空间分析

在人工智能领域，深度学习做得非常好，其中一个领域是计算机视觉，即计算机观看的能力。这对地理信息系统特别有用，因为卫星、航空和无人机图像的制作速度使人们无法通过传统手段分析和获得洞察力。

下图展示了一些最重要的计算机视觉任务或用例，以及它们如何应用于GIS：

图1. 应用于GIS的重要计算机视觉任务

最简单的是图像分类，计算机为图像分配一个标签，比如“猫”或“狗”。这可以在GIS中用于对带有地理标记的照片进行分类。在上面的例子中，我们有一个被分类为“密集人群”的图像，这种行人活动分类可以用于公共活动期间的行人和交通管理规划。在Esri 2018年全体会议上，科布郡展示了一个例子。

图2. 科布郡交通步行街规划

接下来的工作是目标检测，在这个过程中，计算机需要找到图像中的目标以及它们的位置。这是地理信息系统中一个非常重要的任务——找到卫星、航空或无人机图像中的内容，并将其绘制在地图上，可以用于基础设施测绘、异常检测和特征提取。

图3. 在住宅地块区内检测游泳池

要阅读更多关于使用深度学习来检测和分类游泳池的例子，请参阅Medium上的这篇详细博客文章或ArcGIS博客上的相关博客文章。

计算机视觉的另一个重要任务是语义分割——我们将图像的每个像素划分为一个特定的类别。例如，在图1中的图像中，猫是黄色像素，绿色像素属于地表类，天空是蓝色的。在GIS中，语义分割可以用于土地覆被分类或从卫星图像中提取道路网。

图4. 利用深度学习进行土地覆被分类

美国切萨皮克流域保护协会将Esri的GIS技术与微软的AI toolkit（CNTK）和云解决方案结合起来，绘制出了切萨皮克流域的首张高分辨率土地覆盖图，这是这项工作及其影响的一个很好的早期例子。这项工作现在也可以作为教程使用，可以部署在“Azure Geo AI数据科学虚拟机”上。

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，其中每个对象实例的精确边界都被标记出来。这可以用于通过添加建筑足迹或从激光雷达数据重建3D建筑来改进基本地图等任务。

图5. 利用航空激光雷达三维重建建筑物。由人工编辑器数字化的掩模（左）和掩模R-CNN生成的语义分割掩模三维重建的同一栋建筑（右）

最近，Esri与英伟达（NVIDIA）合作，基于迈阿密-戴德郡（Miami-Dade county）的航空激光雷达数据，利用深度学习和自动化人工密集的过程，创建复杂的三维建筑模型。该任务使用这些数据为屋顶段创建分割掩模，然后用于建筑物的三维重建。

用于地图制图的深度学习

对卫星图像进行深度学习的一个重要应用是通过自动提取道路网络和建立建筑足迹来创建数字地图。

想象一下，将一个训练好的深度学习模型应用于一个大的地理区域，得到一个包含该区域所有道路的地图，以及使用这个检测到的道路网络创建驾驶方向的能力。这对没有高质量数字地图的发展中国家或在新发展的地区特别有用。

图6. 利用深度学习检测道路并转换为地理要素

好的地图不仅需要道路，还需要建筑物。最近开发的实例分割模型，如Mask-RCNN，对于建筑物足迹分割特别有用，可以帮助创建建筑物足迹，而不需要手工数字化。然而，这些网络使得掩膜看起来更像安东尼奥·高迪的杰作，而不是普通的直边直角建筑。ArcGIS包含了一些工具，比如专门用于此目的的正则化建筑物足迹。

图7. 利用ArcGIS Pro中的正则化建筑脚印工具，从卫星图像中提取建筑脚印并进行正则化

集成ArcGIS与AI

ArcGIS拥有帮助每一个数据科学工作流程的工具：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，利用网络层、地图以及现场活动来传播结果。从生活地图集（Living Atlas）可以访问大量Esri策划和合作伙伴提供的图像，这些图像对深度学习工作流至关重要。

图8. 在ArcGIS Pro中导出用于深度学习工具的训练数据

Arcgis Pro有一组工具可用于帮助深度学习工作流程的数据准备，并且已被增强为训练模型，可部署用于特征提取或分类。ArcGIS Enterprise 10.7发行版中的ArcGIS图像服务器具有类似的功能，并允许通过利用分布式计算大规模部署深度学习模型。ArcGIS包含Python内置的栅格函数，用于使用CNTK、Keras、PyTorch、fast、AI和TensorFlow进行对象检测和分类工作流。此外，您还可以编写自己的python栅格函数，该函数使用您选择的深度学习库或特定的深度学习模型/体系结构。

深度学习是一个快速发展的领域，使用代码优先的方法可以让数据科学家在利用行业强势的GIS的同时，利用尖端的研究成果。Python已经成为深度学习领域的通用语言，Tensorflow、PyTorch和CNTK等流行库都选择Python作为它们的主要编程语言。用于Python和ArcPy的ArcGIS API非常适合与这些深度学习库集成，并允许您扩展功能。

未来之路

深度学习的领域是迷人的。这是一个快速发展的领域，每周或每月都会有最新的研究成果和新的研究论文发表。