地理空间智能研究进展和面临的若干挑战

随着地理空间科学、人工智能、高性能计算技术的迅速发展,地理空间智能已成为处理和分析地理空间大数据的主要手段,并将在地球科学、空间认知、智慧城市、智慧社会等科学研究、工程建设和社会发展中发挥越来越重要的作用。地理空间智能作为地理空间科学和人工智能深度融合的交叉领域,其发展受到多学科的驱动,目前已在算力增强软硬件研制、系统开发、数据与模型共享、服务与应用方面不断取得进展,显示出巨大的活力和潜能,同时难题和挑战也相生相伴。本文首先阐述地理空间智能的概念演进、若干技术系统构建思路和国内外科学研究现状,然后梳理地理空间智能的典型应用,分析地理空间智能面临的问题和挑战,最后对其重要的发展方向及趋势予以展望。

从地理规律到地理空间人工智能

近年来,人工智能技术快速发展,影响了很多学科的研究范式。对于地理学而言,这种趋势也不例外。从知识发现的角度,地理学研究主要有两个任务,即揭示未知的具体事实和发现一般性的规律机理。在这两个方面,人工智能技术可帮助地理学家发现知识甚至自动提取知识。相对于地球科学其他学科,地理学自动提取知识的任务更为凸显。但是在寻求地理规律的过程中,需要处理一般性和地理异质性之间的权衡,其核心可以表述为人工智能学习过程中的基础问题:泛化及可解释性问题。因此,二者存在内在的逻辑一致性,积极引入人工智能技术有助于强化地理学的学科基础。本文通过实例给出了人工智能用于地理规律发现的一个简单框架,指出了未来地理空间人工智能发展的方向,以及地理信息科学在机制、模型、方法及应用方面潜在的新任务。

社会感知与地理空间智能的研究动态与展望——“社会感知与地理空间智能”专栏导读

地理大数据及其提供的社会感知手段为信息地理学、人文地理学带来了全新的研究范式,在“人—地”关系研究中发挥了重要价值。地理空间智能(GeoAI)作为地理空间科学与人工智能相结合的交叉研究方向,有力提升了对于地理现象和地球科学过程的动态感知、智能推理和知识发现的能力。该文系统综述了社会感知与地理空间智能研究的发展动态,在此基础上,对大数据时代社会感知研究面临的挑战和发展趋势进行了展望。

从地理信息服务到地理知识服务:基本问题与发展路径

从地理信息服务升级到地理知识服务,既是一种必然的发展趋势,也是信息爆炸困境下的迫切现实需求。本文辨析了地理知识服务的内涵、与地理信息服务的联系及区别,以及其对形式化知识表示与智能化知识处理的要求。在分析传统人工智能技术的局限性和人工智能技术新近突破性进展的基础上,指出最新发展水平的人工智能技术为发展地理知识服务提供了令人乐观的认知智能基础。从地理知识服务的时空本质特性的角度,指出了发展地理知识服务面临的空间表示知识化、空间分析认知化、知识服务情境化3方面的主要问题,进而提出了地理知识服务的分级发展策略和推进路径。

基于网络和图的时空智能——概念、方法和应用

当前时空智能(SpaceTimeAI)和地理空间智能(GeoAI)已是热门的话题,该研究领域旨在将计算机科学的最新方法(如深度学习)应用于地理空间问题。虽然深度学习方法因其对栅格数据的自然适用性而在图像处理中取得了巨大成功,但仍未广泛应用于其他空间和时空数据类型。本文提出使用网络和图作为SpaceTimeAI或GeoAI的基本结构的倡议,并将其应用于城市研究中。相比于基于网格的表达,基于网络的结构更加精确和实用。图能实现对点、线、面/多边形/网格和网络等多种空间结构的表达。本文通过时空预测、聚类和时空优化等常用时空分析方法展示基于网络和图的时空智能分析的优势,并介绍其在交通出行、警务和公共卫生等领域的应用。

语义信息与地理配准相结合的实例目标定位

随着地理空间科学的迅速发展,面向地理空间智能感知应用的研究日益增多。本文以三维模型为先验数据,提出了一种基于语义信息和地理配准的实例目标智能感知与定位的方法。首先,使用载体上搭载的GNSS和IMU(inertial measurement unit)获取传感器的位姿,并利用初始位姿从先验的三维模型实时渲染图像,同时用深度相机获取当前帧的真实场景图像;其次,对真实图像和渲染图像进行全景分割,使用语义分割结果对两幅图进行匹配,获取匹配点对;然后,使用匹配点信息得到两个图像的运动关系,并根据运动参数和三维模型的地理坐标信息对传感器位姿进行优化;最后,使用更新后的传感器位姿、实例分割结果及对应深度信息对目标进行感知和定位。针对不同类型三维模型,使用不同类型图像数据进行了测试,并与多种匹配算法进行了对比,结果表明本文算法能够提高匹配准确率和定位精度,并能有效对目标进行感知和定位。

感知物理先验的机器学习及其在地理空间智能中的研究前景

许多复杂的物理现象和动态系统尚未为科学家所完全理解和解释,因此不能构建确定的数学方程来描述,不能直接使用紧凑的物理机理模型来进行分析和预测。随着观测数据的日益丰富,数据驱动的机器学习方法可以较好地描述复杂非线性现象,但是纯数据驱动模型在表征能力、可解释、泛化能力、样本利用效率方面还存在很多不足。常规机器学习方法在地学领域的应用还面临时空异质性、样本稀疏等带来的挑战。近年来感知物理先验的机器学习方法可以在物理原理不太明确的情况下更有效地利用观测数据描述和分析动态系统,受到了广泛关注,并在物理、计算机、生物、医学和地学等领域得到了一定的应用。近年来人工智能和机器学习技术已经大量应用于地理学尤其是地理信息和遥感领域,受到地理学者广泛重视,被称为地理空间智能,并已成为一个热门的研究方向。感知物理先验的机器学习方法融合了模型驱动和数据驱动思想,为地理空间智能研究带来新的研究范式,促进各种复杂地理现象的精细描述和预测。本文首先分别从物理先验的表达形式和如何在机器学习中集成物理先验两方面概述了该领域的进展。物理先验是在机器学习建模之前已经存在、独立于机器学习方法的知识。本文从增广的数据和定制特征、物理定律和约束规则、支配方程、几何特性等方面总结物理先验知识的表达形式。主要从机器模型约束建模、辅助任务设计和模型的训练推理角度总结如何在机器学习模型中有效集成各种物理先验。本文基于以上的综述框架,结合地学机器学习和地理空间智能的发展和前沿问题,探讨了地理时空先验与其他物理先验的关系,简要总结和分析了目前感知时空先验的地理空间智能方法研究案例,探讨了时空先验表征以及集成时空先验地理空间智能的未来研究规划和应用前景。随着感知物理先验的机器学习方法研究的快速发展,我们相信感知时空先验的地理空间智能研究未来将逐步构建起跨多时空尺度的通用地理表征、分析、预测和解释框架,不仅能更好地解决地理信息科学的传统问题,还将鼓励地理学者与其他相关学科一起建立交叉研究的前沿机会,探索解决人类未来面临的共同挑战。

地理空间人工智能的近期研究总结与思考

人工智能领域的技术进步给地理空间相关领域研究的智能化发展和融合创新带来了新机遇和新挑战。地理空间人工智能(geospatial artificial intelligence,GeoAI)是指地理空间科学与人工智能相结合的交叉学科研究方向,通过研究与开发机器的空间智能,提升对于地理现象和地球科学过程的动态感知、智能推理和知识发现能力,并寻求解决人类和地球环境系统相互作用中的重大科学和工程问题。简要回顾了GeoAI发展的历史渊源,介绍空间显式与隐式的人工智能模型,总结近期研究热点话题和应用方向(包括空间表征学习、时空预测和空间插值、对地资源环境监测、地图学、地理文本语义分析),思考并提出地理空间人工智能未来发展的几个重要挑战和研究方向。

普适计算与普适GIS

介绍了普适计算及其研究现状,讨论了GIS发展与普适计算相结合的必要性,阐述了普适GIS的研究内容。

CGCS2000及WGS84坐标系若干问题探讨及应对策略

详细介绍了CGCS2000和WGS84坐标系、1980年西安坐标系、1954年北京坐标系的定义、特点和用途以及相互之间的区别和联系,重点探讨了CGCS2000及WGS84坐标的获取方法、新旧坐标系统精确转换等问题,通过工程案例进行了进一步说明。

地理分析中的空间效应

地理信息科学传承了地理学的空间分析传统。在地理空间分析中,由于地理空间的特殊性,地理信息科学在构造分析方法时,需要考虑空间效应。然而,空间效应具体的内涵和外延,到目前尚未有系统探讨。本文定义了地理空间效应,进而在形式化定义空间、位置、场、距离、区域等概念的基础上,归纳了4类空间效应:即空间异质性效应、空间依赖的近邻效应、空间交互的距离衰减效应、和空间分区的尺度效应,探讨了4类效应的内在逻辑关系,建立了统一的表达框架。其中,空间异质性效应是最为基础的效应,近邻效应和距离衰减效应反映了地理空间中两个位置之间的二阶关系,尺度效应则由于区域单元的汇总带来,因此这4类效应形成了递进关系。最后本文梳理了目前地理分析中对空间效应的体现,指出了地理空间人工智能技术对于空间效应的揭示和量化能力。

地理空间因果原则及地理空间效应的因果发现

地理大数据的崛起和深度学习技术的发展为解决地理空间分析难题带来了新机遇,然而,现有方法根植于统计相关性,而相关性模式的伪装性和欺骗性以及数据固有的偏差陷阱,导致无法得到可靠的地理空间分析结果。该问题的根源在于违反一个基本原则:数据的相关性并不意味着因果性,而后者是地理学研究的两个主要任务,即揭示未知具体事实和发现一般性规律机理的关键所在。地理科学研究的观察性与地理系统的复杂性和未知性使得无论是因果的哲学定义、随机对照试验以及其他观察性研究使用的准实验方法,都难以直接应用于地理科学因果研究。基于地理空间因果的基本性质假设,提出了地理空间因果原则,旨在为地理空间分析中的因果性研究提供基础理论与方法支撑,同时,梳理了地理空间因果原则和地理分析中空间效应的关系,给出各个效应下的因果发现关键路径。

新一代人工智能驱动下地图学研究的机遇与挑战

随着生成式人工智能(AIGC)为代表的新一代人工智能的快速发展,加速了各个学科转向人工智能驱动的科学研究,地理空间智能(GeoAI)技术在解决传统制图学任务注定会比传统的方法具有更好的性能,地图学也因此迎来了新的机遇与挑战,产生智能地图制图新领域,形成智能地图制图学。地图学研究有人工智能传统,但是过去受限于人工智能工具的计算能力等原因,并未取得很大的进展。随着进入智能化时代,人与机器都将成为制图与读图的主体。地图内容的产生经历了专家生成内容和用户生成内容的阶段,正在向人工智能生成内容阶段发展。人工智能与地图传输模型的结合衍生出智能地图传输模型,包括制图信息智能获取、智能制图、智能读图、地图信息智能解读4个环节,进而从这4个方面对智能地图的研究进展进行了分析和梳理。研究显示,使用智能化方法解决地图学问题的研究仍然处于起步阶段,人工智能与地图学结合仍存在诸多挑战,包括缺乏训练数据集、模型算法缺乏泛化能力和可解释性等,这些也是未来可以发展的方向。

从实景三维建模到数字孪生建模

从实景三维建模到数字孪生建模是国家数字经济和智慧社会建设与发展的基本需求。本文探讨了实景三维建模和数字孪生建模的关键技术内涵,介绍了数字乡村、未来社区和智能铁路等典型应用场景。广域范围实景三维建模在低成本高效数据采集和智能化自动化三维精细建模与动态更新方面面临挑战,城市级或重大工程级的数字孪生建模在全要素整体性的表征数据与机理模型集成表达方面还存在关键技术瓶颈。测绘技术亟须多学科交叉融合创新,突破天空地有机协同实时动态获取多细节层级实景三维数据、智能化处理多专业多尺度多模态时空数据、不完备数据条件下复杂场景的三维实体化精细建模、表征数据与机理模型结合的全生命周期数字孪生模型动态构建等核心关键技术,形成通用地理空间智能,实现测绘技术的高质量发展和对经济社会发展不可替代的更有力的基础支撑。

Geospatial Solutions in Practice for Smart Grids

Recently, smart grid solutions have started to extend the visibility of the electrical grid to the entire network; including high voltage transmission lines, medium voltage distribution networks, and the low voltage networks to households. The typical data monitored includes： voltage, current, phase, and power measurements, together with network events and alarms. This paper analyses the key challenges facing smart grid solutions in providing effective access to large volumes of sensory data that is distributed over a large geographic area. A case study is described that outlines how the use of geospatial technology together with Web 2.0 technologies may be applied to improve user access and control to this data. The results show that a geospatial solution provides an effective mechanism for visualizing telemetry data monitored within the smart grid.

地图图像智能识别与理解:特征、方法与展望

随着测绘制图与通讯技术的发展,公众能够借助各种平台和工具实时地自由创建、发布、编辑和共享地图图像大数据资源和产品,地图图像在地图内容、绘图标准等方面具有了显著的泛在性,导致难以创建大规模、高质量的地图图像标注数据。因此,尽管现有深度学习方法在识别标准地图的内容中取得了突破性的进展,但受制于地图图像标注数据的局限,依然无法有效应对地图图像的识别和理解。根据目前国内外的相关研究进展与挑战,结合地理空间人工智能技术,探讨支持泛源地图图像大数据识别的理论与技术框架。首先,提出既能够表达地图图像内容,又能够为模型或算法表征的地图特征;然后,探讨面向地图图像内容识别的地理空间人工智能技术,以及面向地图图像理解的语义分析方法;最后,总结和展望基于地图图像大数据的相关应用及潜在价值。需要进一步研究支持地图图像表征的理论与方法,且集成地图图像显式内容的识别(地图感知)和地图图像潜在语义的分析(地图认知)才可充分挖掘地图图像大数据的价值。希望能够从数据表征和地理空间人工智能的角度为地图图像的研究提供新思路。

中医古籍中地域诊疗特色研究路径

地域之间文化、社会经济、自然环境差别,产生了不同地域医学特征,形成医家独特的诊疗认知及用药特色。目前研究存在问题包括:多侧重于地域流派医家思想,缺少对地域医学体系的研究;多侧重于单方面用药规律挖掘,缺少对地域医家诊疗系统认知的研究;多侧重于地域医家群体内的共性,缺少对医家关联互动的研究;多侧重于历史人文,缺少支持地域诊疗决策的深度研究。文章提出中医古籍中地域诊疗特色研究路径:构建地域医学体系是挖掘地域诊疗特色的前提,梳理古籍医家诊疗系统认知是发掘地域诊疗特色的根本,研究地域诊疗特色传承演变的关键是医家之间关联互动,提取古籍中地域诊疗特色,实现地理决策的重要手段是多学科交叉融合。

人类移动数据生成方法:研究进展与趋势探讨

人类移动行为与交通、传染病、安全应急等现实应用息息相关。尽管现代信息和通信技术发展使得采集大规模个体移动定位数据成为易事,但涉及个人隐私又存在冗余、缺失和噪声的原始轨迹数据在实际中的可得性和易用性仍有很大局限。通过建模方式生成个体轨迹数据和群体移动数据,使其在统计层面接近并在应用层面可替代真实数据,是值得尝试的解决思路。本文面向个体轨迹数据生成和群体移动数据生成两大研究主题,将生成方法分为基于机理模型的方法和基于机器学习的方法,对其研究进展进行了系统总结,并探讨了其发展趋势和所面临的挑战。本文提出,未来人类移动数据生成方法研究需要多学科深度交叉共同探索人类移动行为底层机制、关注机理模型与机器学习耦合建模、借助生成式人工智能与大语言模型前沿技术、平衡生成数据可用性与隐私保护效果、强调空间泛化与迁移学习能力、控制模型训练与使用成本等。本文认为,人类移动过程是典型的人地交互过程,地理信息科学应在吸纳计算机科学、统计物理学、复杂性科学等多学科理论方法的基础上,充分发挥本学科特色,将空间依赖、距离衰减、空间异质性、尺度等地理空间效应显式纳入建模过程,提升模型性能及合理性。

时空知识图谱研究进展与展望

地理信息的不断泛化对经典的地理信息分析模式提出了巨大挑战,网络化的知识服务将逐渐成为地理信息应用的新模式,助力地理计算到社会计算的形态转变。地理知识服务需要打通人、机构、自然环境、地理实体、地域单元、社会事件之间的关联,促进知识辅助下的数据智能与计算智能。本文聚焦地理时空知识获取与形式化表达及分析的迫切需求,首先分析了时空知识图谱的基本概念与特征,认为时空知识图谱是指具有地理时空分布或位置隐喻的知识构成的有向图,即以时空分布特征为核心的知识图谱;然后提出了时空知识图谱的研究框架,该框架可实现时空大数据到时空知识服务应用的转变,包括泛在时空大数据、时空知识获取、时空知识管理、时空知识图谱、软件系统及行业应用等多个层次;接着从文本描述地理信息抽取、异构地理语义网对齐、时空知识表达与表示学习等方面,介绍了相关研究进展;结合应用实践,介绍了面向行业的时空知识图谱构建与应用途径;最后,讨论了时空知识图谱研究目前面临的关键科学问题与技术瓶颈,提出在大模型时代,构建显式的时空知识图谱,并针对行业需求开展知识推理,仍是时空知识服务的必由之路。