用于制图的地理计算和地理空间人工智能 (GeoAI) 的进展

地理计算和地理空间人工智能（GeoAI）在将地理信息科学（GIS）和地球观测推向新阶段方面发挥着重要作用。 GeoAI 增强了传统的地理空间分析和绘图， 改变了理解和管理复杂的人类自然系统的方法。 然而，与自然、建筑和社会环境相关的地理空间应用的各个方面， 以及将独特的地理空间特征集成到 GeoAI 模型中， 仍然存在挑战。

同时，地理空间和地球数据是地理计算和 GeoAI 研究的关键组成部分， 它们可以有效地揭示地理空间模式、因素、关系和决策过程。

概述

GeoAI 代表了 GIS 和地球观测进入新阶段的创新方法。 地理计算的优点是利用计算方法和工具来探索地理空间和地球数据， 并产生新知识， 同时，GeoAI 提供了机器学习、深度学习、迁移学习等强大的学习算法， 为地理空间和地球问题开发有效且创新的解决方案。 制图是 GIS 和地球观测的重要组成部分， 有助于了解自然和建筑环境。 传统上，基于空间统计推断理论的空间分析用于制图。 尽管范围和重点有所不同， 但地理计算和 GeoAI 近年来显著增强了地理空间分析和绘图的传统方法。 它们有潜力改变我们理解和管理世界上人类与自然系统之间复杂相互作用的方式。

地理计算和 GeoAI 极大地改进了解决复杂地理空间和地球相关挑战的方法。 先进计算工具的集成为地理空间人工智能（GeoAI）和地球观测的创新应用提供了更多机会。 这些先进的计算工具包括大数据分析、云计算（如Google Earth Engine）、知识图谱、自然计算及语言处理等。 这些先进计算工具与地理空间分析和地球观测的集成导致了地理空间大数据的重大进步， 地理空间云计算、地理空间知识图谱、社会科学地理计算， GeoAI 一直是这些进步的驱动力。

GeoAI 的应用

应用领域

应用领域展示了 GeoAI 和地理计算的全球趋势， 研究遍及北美、南美、欧洲、非洲和亚洲的20个国家， 包括美国、加拿大、巴西、西班牙、英国、丹麦、德国、瑞士、意大利、加纳、坦桑尼亚、南非、以色列、中国、韩国、缅甸、泰国、老挝、柬埔寨和越南（如下图 ）。

该研究包含广泛的主题， 可以将其分为四类：建筑和基础设施、土地利用分析、自然环境和自然灾害、社会问题和人类活动（如上图 ）。 这些类别反映了地理计算和 GeoAI 在解决复杂的地理空间和地球相关问题方面的广泛适用性。

1.建筑物和基础设施

地理计算和 GeoAI 在建筑和基础设施研究中的应用大致可分为三类。 首先，对于建筑物， 深度学习技术已被用于利用遥感图像检测无证建筑物的空间结构和屋顶结构线。 这些方法有效地解决了不同屋顶尺寸和形状以及严重类别不平衡带来的挑战， 最终提高了识别准确性并提供可靠的城市建筑结构数据集。

同时，深度学习与地理空间信息的融合提供了强大的工具， 例如多尺度地球科学网络（MS-GeoNet）和动量和空间通道注意力 RFANet（MSCA-RFANet）， 它提高了准确性并增强了使用高分辨率遥感图像的建筑物足迹提取。

此外，深度学习是道路相关研究的强大工具。 开发了注意力胶囊特征金字塔网络 (ACapsFPN)， 以提高无人机图像中道路标记提取的准确性。 与现有方法相比， ACapsFPN 在基于无人机的道路标记提取方面更加稳健， 通过提取和集成高质量、多层次、多尺度的胶囊特征来有效处理复杂条件。 使用快速有效的深度学习从历史地图中提取道路， 通过符号重建自动生成训练数据。 通过使用瑞士齐格弗里德地图实施和比较不同的训练场景， 结果表明， 通过符号重建生成的仿地图提高了道路提取模型的性能。

最后，GeoAI 还可以解决除建筑物和道路之外的基础设施相关问题， 例如油井场和设施的兴趣点 (POI)。 使用改进的 Mask R-CNN 架构可以从高分辨率卫星图像中自动识别和提取油井站点， 该架构集成了 D-LinkNet 和语义分割分支， 与原始 Mask 相比， 显著提高了准确性和有效性 R-CNN。 通过采用基于多级 POI 类别的分层学习模型来推断数据分布不平衡的设施 POI 的标签， 这可以提供跨 POI 类别树结构的地理空间数据的平衡划分。

2.土地利用分析

GeoAI 通过采用先进的学习技术并整合不同的地理空间和地球数据， 为城市土地利用研究做出了重大贡献。 使用神经网络 (TR-CNN) 识别城市土地利用模式， 探索遥感数据与捕获社会经济属性的高时空分辨率时间序列电力数据的融合。 利用基于向量的建筑物和 POI 相结合的集成分类方法， 以及改进的图卷积神经网络(GCNN)和 Word2Vec 模型对城市功能区域进行分类， 实现了比单源数据应用和现有多源数据更高的分类精度整合方法。

除了城市土地利用分类外， GeoAI 还应用于其他典型区域的土地利用分析， 如滨海土地、湿地等。 使用 WorldView-3 图像的多光谱全景分割来识别海滩环境中的物体， 从而能够对海滩区域的旅游基础设施和背景特征进行详细的测绘和计数。 利用多时相遥感影像的缨帽变换和形态分析， 提取海岸线信息并分析群岛海岸线的时空演变。 该方法有效解决了悬浮沉积物和复杂海岸线的问题， 为群岛海岸资源保护提供了见解。 利用基于 3D 生成对抗网络（3D GAN）和视觉变压器的深度学习框架， 在有限的训练样本下进行湿地分类， 在大规模遥感湿地分类方面具有巨大潜力。

3.自然环境和危害

GeoAI 已广泛应用于自然环境和灾害的研究和管理， 例如气候、生态系统、植被、水资源、土壤、地形、地质以及各种自然灾害的缓解。 这里我们将 GeoAI 在自然环境和灾害方面的应用分为四类：气候、生态系统、自然环境部门和自然灾害。

首先，GeoAI 可以增强对气候问题的理解。 例如，使用局部线性森林 (LLF) 方法和 ASTER 热数据对城市地区的 MODIS 夜间地表温度 (LST) 进行了降尺度， 这证明了降尺度中热空间模式的高精度和有效描述。 使用结合了卷积神经网络和编码器-解码器架构的深度学习框架进行偏差校正， 并提高日常多卫星降水产品的准确性。 深度学习模型减小了四种卫星降水产品与现场观测产品之间的时空差异， 保证了产品在不同气候区域的可靠性。

其次，GeoAI 越来越多地应用于生态系统管理， 实现更明智的决策和可持续发展。 利用卫星图像估算群岛区域生态系统服务的价值， 并确定生态系统服务与社会经济条件之间的相关性。 开发了尾矿区通信导航遥感一体化生态环境应急监测链（CNRIEEEMC）， 为自动化、智能化生态环境应急监测提供了框架， 介绍了使用 GeoUNet 进行生态足迹的高分辨率绘图， 这是一种基于人工智能的多源数据端到端多尺度预测方法， 可以生成更准确的降尺度地图， 用于精细尺度时空分析。

第三，GeoAI 还应用于自然环境的各个方面。 例如，利用高分辨率遥感图像研究了城市绿地覆盖（UGSC）的空间模式， 并探讨了影响这些模式的主要因素。 结果表明，气候因素是 UGSC 空间格局的主要驱动因素， 而社会经济和地形因素的影响较小。 利用深度学习和降水、火灾历史和温度等环境变量来预测开放生态系统中的植被动态。 使用图卷积网络 (GCN) 识别排水模式， 该网络提供比机器学习算法更准确的排水模式识别。

最后，GeoAI 已应用于洪水等自然灾害的研究。 提出了使用机器学习的山洪区域化研究， 包括探索山洪因素、识别聚类同质区域以及生成山洪地图。 使用堆叠和混合集成学习方法评估灾害预防和控制的洪水风险， 该方法在估计洪水潜力方面比线性回归、K 最近邻、支持向量机和随机森林更准确。

4.社会问题和人类活动

GeoAI 在解决社会问题和评估人类活动方面发挥着重要作用。 从社会问题的角度来看， 使用 Inception-ResNet 启发的深度学习和地球观测数据高精度预测人造结构的面积、体积和数量； 使用来自推文元字段、GeoNames 和开放街道地图 (OSM) 数据集的信息检查推文的地理位置； 使用多尺度特征提取和尺度优化框架来估计城市入室盗窃风险， 该框架定义邻里并优化邻里环境变量的空间尺度； 利用机器学习、高分辨率遥感图像和地理空间数据（例如 POI、OSM 和数字表面模型（DSM）数据）识别村级贫困， 显示了 GeoAI 在识别需要政策干预的领域方面的潜力。

GeoAI 在研究中使用了各种类型的地理空间和地球数据。 这些数据分为七类：原位数据、地理空间数据集、众包地理空间数据（即地理空间大数据）、遥感数据、摄影测量数据、激光雷达数据和统计数据。 这些不同的数据类型在 GeoAI 应用中发挥着基础作用。 在七类地理空间和地球数据中，遥感数据在 GeoAI 研究中最常用， 其次是众包地理空间数据和原位数据。 通过使用这些不同类型的数据， GeoAI 研究可以增强我们对空间关系的理解， 预测未来模式，并为可持续发展做出更好的决策。 这些地理空间和地球数据与 GeoAI 方法的集成显著改进了 GIS 和遥感研究。 这种整合还为建筑和基础设施、土地利用分析、自然环境和灾害以及社会问题和人类活动的研究提供了新的见解。

GeoAI 赋能数字孪生城市

随着智能技术的不断发展和城市化进程的不断推进， 数字孪生城市作为新一代城市管理和规划工具， 正在逐渐受到关注。 数字孪生城市可以帮助城市管理者更好地了解城市的现状、预测未来的发展趋势、 制定更科学合理的规划方案， 并实时监测城市运营状况， 提升城市治理水平。 而 GeoAI 技术的出现， 为数字孪生城市的建设提供了更为精细化的支持和保障。

数字孪生城市

数字孪生城市是利用物联网、云计算、大数据、人工智能等技术手段， 将城市的各种信息、数据和系统进行数字化建模， 以形成城市的虚拟影像， 以实现对城市的精准管理、优化和智能化运营。 数字孪生城市可以提供精确的城市数据、信息和预测， 以及对城市的运营状态和行为进行实时监控和分析， 从而为城市规划、建设、管理和运营提供决策支持。

GeoAI 是将人工智能技术与地理信息系统（GIS）相结合的新一代技术。 它能够自动提取地理数据、分析地理关系和图案、实现空间数据挖掘、进行地理信息可视化等， 从而为城市管理、环境保护、土地规划等领域提供更加智能化、高效化的解决方案。

GeoAI 如何赋能数字孪生城市

精确的空间数据采集

GeoAI可以实现无人机、卫星、摄像头等设备的自动控制和数据采集， 以及对地物特征的精准提取和分类。 这可以为数字孪生城市提供更为丰富、精确的数据支持， 从而提高数字孪生城市的精度和效率。

高效的城市规划和设计

GeoAI可以利用城市空间数据， 通过机器学习和深度学习等算法， 进行城市地形分析、城市功能区划、交通规划、建筑物布局等多方面的智能分析和决策。 这可以帮助城市规划者更好地制定城市发展策略、提升城市规划的科学性和可行性。

实时监控和预警

GeoAI 可以将数字孪生城市与传感器、监控设备等相结合， 实现对城市交通、环境、公共设施等的实时监测和数据分析。 利用 GeoAI 技术， 可以快速识别并预测城市中发生的异常事件， 例如交通拥堵、空气污染、垃圾堆积等， 从而提前采取措施避免事态恶化， 提升城市的安全性和舒适度。

智能化的城市运营和服务

GeoAI可以利用城市实时数据， 实现城市运营智能化。 例如，利用实时数据分析出城市交通瓶颈并智能调度交通信号灯， 降低交通拥堵； 基于实时数据进行城市供水管网调度， 提升供水效率。 同时，GeoAI 还可以通过自然语言处理技术， 实现城市居民的语音交互， 提供更智能化、人性化的城市服务。

结论

GeoAI 技术在数字孪生城市建设中具有广阔的应用前景， 能够为城市管理者提供更为精细化、高效化的数据支持和决策依据， 实现城市的智能化运营和管理。但同时， 数字孪生城市建设需要考虑数据保护和隐私问题， 建设过程需要科学规划和系统管理， 以确保数字孪生城市建设的可持续发展。