GeoAI-最新地理信息人工智能发展导读

人工智能（AI）技术的最新发展，高质量数据的大规模的获取以及有效处理这些数据的硬件和软件方面的进步，正在将一系列行业领域从计算机视觉和自然语言处理转向自动驾驶和医疗健康。高分辨率地理数据、高性能计算技术的可用性和深度学习，为快速、准确的目标检测提供了强有力的支撑。GeoAI工作的最新进展包括地形特征的检测（Liand Hsu等），密集建筑足迹分布的识别（Xie 等），从扫描历史地图中提取信息（Duan等），以及基于语义的分类（例如LiDAR点云），新颖的空间插值方法和相关流量的预测问题（Zhu等）。同样，机器学习和自然语言处理也有助于从非结构化（文本）数据中提取地理信息，例如通过新闻文章和Wikipedia提取出热点词汇（Hu2018），结合地名词典进行自然特征的匹配问题（Acheson等）。


同时，语义Web技术、本体论和链接数据正在被用于改善地理信息检索和构建具有地理富集的高级地理知识图中。它们还在空间数据基础架构的语义启用服务中发挥重要的作用。通过整合交通摄像头和其他传感器收集的实时信息，可以将自动驾驶汽车与智能交通系统集成在一起。正如这些示例所示，快速的技术进步并不是孤立于特定的下游任务或数据类型，与之相反，它们将以意想不到的方式渗透到整个科学的许多方面和活动中。


在地理和地球科学中使用AI技术并不是什么新鲜事。在1997年出版Openshaws的《地理学人工智能》一书就是一个突出的例子。甚至在更早以前，Couclelis和Smith（Smith1984）都已经讨论了AI在80年代解决地理问题中的潜在作用。因此，可以看出，自早期以来发生的变化不能仅仅归因于新颖的计算架构和先进的方法。





当前，AI技术的成功是由数据创建和共享的新潮流所引起的。在过去十年中，收集和整理的全球数据呈指数级增长，而且不再局限于此前特定的类型和存储介质，其中新包含有多模式和高度异构的数据。举个例子来说，由于技术上的局限性以及出于对隐私的考虑，社交感知在以往是人类不可想象的，如今人们通过其智能手机之类的近身设备主动或被动地发射轨迹数据。尽管从早期开始，诸如遥感等领域的数据就已经是密集型的，高分辨率的仪器不仅提供更多的数据，而且还大大增加了可以区分的类的数量，例如个别汽车和杂物。与此同时，数以百万计接近实时的汽车轨迹，图像，评论，推荐，新闻，学术文献以及各种传感器观测结果依赖于大量标记的高品质数据。


然而，可能还有一些比纯粹的数据和先进的方法更重要的事情，即数据文化的改变（我们姑且这样对其称呼）。


（1）与以前的开源一样，开放使数据可供大众使用。个人，机构和公司开始意识到，以孤岛形式保护其数据可能比提供访问权限获益更小。尽管很少有人会以批量下载的形式提供数据，但企业现在往往通过API共享它的数据，这放在二十年前是难以置信的。正如一句寓言所说，既然守不住它那就让世界来拥抱它。截至2019年，ProgrammableWeb统计报告指出，现有Web-API超过22,000个，而2005年仅为约100个。不同的是，业界认为，有人窃取其数据的风险要比与新数字经济脱节的影响要小。


（2）重用数据是新常态。从今天的角度来看，这似乎是一个琐碎的问题，但是大规模重复使用数据是许多科学领域的新概念。设计实验，开发概念模型，确定测量规模，选择采样策略以及收集数据是许多科学工作流程的核心部分。数据的机会性重用和合成意味着放弃对某些甚至所有这些步骤的控制。与（重复）使用长期运行的、质量经过优化的且技术上易于理解的地球观测卫星（如Landsat系列）的图像相比，重复利用原位生态或社会科学数据的方法则不尽相同。个人通常在收集这些数据时会考虑到特定的设置和研究问题。通常情况下，如果随附的元数据不够详细，则无法完全理解数据集是否能够适合于新的用途。在本质上讲，所有元数据记录都不会完全完整，因为我们无法预见将来的用途。关于数据来源和智能数据工作流的研究不断增加，这些工作可以自动捕获尽可能多的上下文信息，这是对这一新实际情况的回应（Gil等，2007；Moreau等，2008），在这种条件下中，来自各种来源和领域的数据将被大规模重用。


（3）新的范式加入了以往具有研究特征的理论经验和计算范式。数据密集型探索的第四个范式（Hey等，2009）突出了数据综合（Janowicz等，2015）与分析之间日益重要的作用。这意味着一个数据源可以用作另一个更难获取的数据集的样本或者参照。它还表明，多个数据源的组合可以支持对研究问题更全面的理解，或者可以帮助减弱因数据稀疏而可能产生偏见的问题。一个具体的例子是，Jacobs等人（2009年）使用成千上万个（较低质量的）网络摄像头网络，来确定春季叶片生长的情况。Gao（2017）展示了如何使用来自各种来源的社交媒体来检测和描绘模糊的认知区域，以及如何提取类似于人类直接参与下进行测试的区域。


尽管这三个确切的方面不一定是新颖的，但持续增长的数据文化变化当然会不断给人全新的认识。MikeGoodchild认为：大多数早期使用自愿性地理信息（VGI）的研究都是为了确认或复制以前提出的发现或理论。直到最近几年，VGI才被用来揭示新见解，质疑现有理论，甚至完全提出新概念。实际上，根据网络科学等新的研究方向，研究人员已开始利用地理信息观测站研究地理信息生态系统（Adams等，2014；Janowicz等，2014）。



总而言之，GeoAI作为空间数据科学的子领域，利用技术和数据文化的进步来支持创建更智能的地理信息技术，由此衍生出来的方法、系统和服务，与以往具有较大的差异。它将在不仅限于图像分类，目标检测，场景分割，模拟和插值，链接预测，基于自然语言的检索和问题解答，实时数据集成，地理富集等方面发挥更大的作用。

参考文献：
[p]Li, W.and Hsu, C.-Y., in this issue. Automated terrain feature identification fromremote sensing imagery: a deep learning approach. International Journal ofGeographical Information Science[/p][p]Xie, Y.,et al., in this issue. A locally-constrained yolo framework for detecting smalland densely-distributed building footprints. International Journal ofGeographical Information Science[/p][p]Duan, W.,et al., in this issue. Automatic alignment of contemporary vector data andgeoreferenced historical maps using reinforcement learning. InternationalJournal of Geographical Information Science[/p][p]Guo, Z.and Feng, -C.-C., in this issue. Using multi-scale and hierarchical deepconvolutional features for 3D semantic classification of tls point clouds.International Journal of Geographical Information Science[/p][p]Zhu, D.,et al., in this issue. Spatial interpolation using conditional generativeadversarial neural networks. International Journal of Geographical InformationScience[/p][p]Ren, Y.,et al., in this issue. A hybrid integrated deep learning model for theprediction of citywide spatio-temporal flow volumes. International Journal ofGeographical Information Science[/p][p]Hu, Y.,2018. Geo-text data and data-driven geospatial semantics. Geography Compass[/p][p]Acheson,E., Volpi, M., and Purves, R.S., in this issue. Machine learning forcross-gazetteer matching of natural features. International Journal ofGeographical Information Science[/p][p]Hey,A.J., et al., 2009. The fourth paradigm: data-intensive scientific discovery[/p][p]Ballatore,A., Bertolotto, M., and Wilson, D.C., 2013. Geographic knowledge extraction andsemantic similarity in openstreetmap. Knowledge and Information Systems[/p][p]Openshaw,S. and Openshaw, C., 1997. Artificial intelligence in geography. 1st ed[/p][p]Couclelis,H., 1986. Artificial intelligence in geography: conjectures on the shape ofthings to come. The Professional Geographer[/p][p]Smith,T.R., 1984. Artificial intelligence and its applicability to geographicalproblem solving. The Professional Geographer[/p][p]Goodfellow,I., et al., 2014. Generative adversarial nets. In: Z. Ghahramani, M. Welling,C. Cortes, N. D. Lawrence and K. Q. Weinberger, eds. Advances in neuralinformation processing systems[/p][p]Gil, Y.,et al., 2007. Examining the challenges of scientific workflows. Computer[/p][p]Moreau,L., et al., 2008. The provenance of electronic data. Communications of the ACM[/p][p]Gao, S.,et al., 2017. A data-synthesis-driven method for detecting and extracting vaguecognitive regions. International Journal of Geographical Information Science[/p][p]Adams,B., et al., 2014. Geographic information observatories for supporting science.In: K. Janowicz, B. Adams, G. McKenzie, and T. Kauppinen, eds. Proceedings ofthe workshop on geographic information observatories[/p][p]Janowicz,K., et al., 2014. Towards geographic information observatories. In: K.Janowicz, B. Adams, G. McKenzie, and T. Kauppinen, eds. Proceedings of theworkshop on geographic information observatories[/p]