人工智能与gis系统的融合发展趋势

近些年来，伴随着类神经网络、数据发掘、物联网技术、大数据剖析、人工智能与深度学习的技术持续的发展与加强，很多智能化系统的方式 可用以数据剖析。GIS做为一门创新教育的技术性，怎样通过这种智能化系统的方法，剖析空间和时间的变化，处理过去比较艰难的难题，或是拓展大量的概率，是十分关键的。人工智能在计算机视觉，自然语言理解解决和翻译机器等每日任务中，乃至超出了人们的精确性。人工智能（AI）和GIS的交叉已经在造就之前没法保持的很多机遇。人工智能，深度学习和深度学习已经在协助人们借助智能农业提升农作物生产量，借助布署预测性公安实体模型来打击犯罪，预测分析下一场大风暴什么时候会产生，而且可以尽快解决它来造就一个更美好的世界。
从理论上讲，AI是计算机实行一般必须某种意义人们智能化的每日任务的工作能力。深度学习是一种使这变成将会的模块，它技术应用数据驱动器优化算法从数据中学习培训，为您出示需要的回答。近些年来出現的一种深度学习是深度学习，它指的是深层次神经元网络，他们遭受人类大脑的启迪和效仿人的大脑对信号分析等级分类。
一、GIS中的深度学习技术应用
深度学习一直是GIS空间分析的关键构成部分。深度学习，深度学习和人工智能愈来愈多地与GIS一起用以多种多样目地。将深度学习优化算法与GIS集成化可在更短的時间内出示更强，更优质的結果。这种专用工具和优化算法已技术应用于自然地理解决专用工具，以处理三大类难题。借助归类，您能够 技术应用支持向量机优化算法来建立农田遮盖归类层。另一个事例是聚类算法，它容许您解决很多的键入点数据，分辨在其中更有意义的聚类算法。例如自然地理权重计算重归这类的预测算法，容许您技术应用地理信息来校正有利于您预测分析的系数。这种方式 在许多 行业十分有用，其結果能够 表述，但她们必须GIS权威专家来分辨或出示这些危害人们预测分析結果的系数。
1.深度学习的盛行
假如借助设备全自动查询数据，找到这种系数应当是啥，那不是更强吗？这就是深度学习的立足之地。它的设计灵感来自于人类的大脑相似的思维方法。在深层神经元网络中，存有回应刺激性的神经细胞，而且他们在层中相互联接。神经元网络已存有数十年，但训练好他们是一个重要难点。
那么如今发生了什么转变，并使深度学习的技术应用这般取得成功？深度学习的出現可归功于近些年来的三个关键发展-数据，计算和优化算法改善：
数据：因为互联网技术，诸多的控制器及其每日都会对全球显像的诸多通讯卫星，人们如今有着很多数据。
计算：云计算和GPU有着强劲的计算工作能力，他们比过去任何时刻都更为强劲，而且价钱十分性价比高。
算法改善：最终，科学研究工作人员如今借助优化算法改善和网络结构破译了训炼深层神经元网络的一些最具趣味性的层面。
2.将计算机视觉技术应用于自然地理空间分析
深度学习技术应用十分普遍的行业是计算机，或图象智能识别。这针对GIS特别是在有效，由于通讯卫星，航空公司和无人飞机图象的转化成速率迅速，促使大家没办法借助传统化方法剖析图象和得到必须的结论。

下图显示信息了一些最重要的影象分辨用例及其他们怎样技术应用于GIS：

非常简单的技术应用是图像分类，在其中计算机为图象分派标识，比如“猫”或“狗”，这能够 用以在GIS中归类自然地理标识的相片。在上面的实例中，人们将图像分类为具备“聚集群体”，而且该类非机动车主题活动归类可用以公共性活动场地的非机动车和道路交通方案。

接下去，能够 用以目标分辨，在其中计算机必须在图象中搜索目标以及部位。它是GIS中一项十分关键的每日任务-搜索通讯卫星，航空公司或无人飞机图象中的內容，及其在地图上绘制地图并将其绘图在地图上，可用以基础设施建设制图，出现异常检测和目标特征提取。

图像识别技术中的另一个关键每日任务是语义分割-在这其中人们将图象的每一个清晰度归类为归属于特殊类。比如，在上文的图象中，猫是淡黄色清晰度，翠绿色清晰度归属于路面类，天上是深蓝色。在GIS中，语义分割可用以农田遮盖归类或从卫星影像图中获取路面数据网络。

另一种种类的切分是实例分割，您能够 将其视作更精准的目标检验，在其中标识每一个目标的精准界限。这能够 用以借助加上房屋建筑遮盖区或从LiDAR数据复建三d房屋建筑来改进底图等每日任务。

3.深入学习绘图
卫星影像图深度学习的一个关键技术应用是借助全自动获取路面数据网络和捕获界限来建立数字地图。

想像一下，在大的地理区域技术应用经过训练的深度学习实体模型，并抵达包括该地域全部路面的地形图，及其技术应用该检验到的路面数据网络建立行驶路线的工作能力。这针对沒有高品质数字地图的发达国家或新开发设计的大城市地域特别是在有效。

好地形图必须的不仅是路面-他们必须房屋建筑。实例分割实体模型的技术应用针对搭建界限切分非常有效，而且能够 协助建立房屋建筑界限而不用手动式智能化。

二、GIS与AI的融合应用

大多数GIS平台具备协助实现数据科学研究工作流程的每一个具体步骤的工具：从数据提前准备和探索性数据剖析，到训炼实体模型，再到实行空间分析，最终技术应用数据网络公布和共享资源地形图成效。

大多数GIS平台包括用以协助深度学习审批流数据提前准备的专用工具，可用以布署训练有素的实体模型以开展特征提取或归类，并借助技术应用分布式系统计算规模性布署深度学习实体模型，可技术应用CNTK，Keras，PyTorch，fast.ai和TensorFlow开展目标检验和归类具体步骤。
深度学习是一个迅速发展的行业，技术应用编码优先方法容许数据生物学家技术应用顶尖科学研究，另外技术应用工业生产级的GIS平台。Python早已变成深度学习全球的通用语言，像Tensorflow，PyTorch和CNTK那样的流行库选取它是她们的关键计算机语言，GIS平台适用这种語言，就代表特别适合与这种深度学习库集成化，并容许您拓展作用。
三、深度学习和GIS结合的未来发展趋势

深度学习是一个飞速发展的技术领域，全球每星期或每个月都是出現最优秀的結果和新的科学研究毕业论文。

深度学习的新用处是用以加强图像，比如借助技术应用“超分辨率数据网络”来提升放缩级別。该技术可用以提升卫星影像图的画面质量，乃至超过常用控制器的像素。

深度学习的另一个新用处是“写作（设计方案）的智能化”行业。神经系统设计风格迁移技术性可用以转化成“地形图造型艺术”，并可借助绘图设计风格迁移在GIS中寻找具体用处。

转化成性对抗网络（GAN）是一个活跃性的研究领域，在深度学习的在历史上一直占据至关重要的影响力，可用以立即从图象转化成地形图图块。
尽管上边的实例偏重于图象和计算机视觉，但深度学习还可以一样好地用以解决很多结构型数据，比如来源于控制器的观察或来源于因素层的特性，这种技术性在结构型数据中的技术应用包含预测分析恶性事件几率及其自然地理编号等。
许多 GIS平台商和创新型企业已经在加大力度投资和科学研究这种新型技术，开发人工智能和深度学习的数据实体模型和技术应用。