NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模
想象一下，能够在野火发生后立即发现它，可视化全球人口变化，或者立即从地图中提取线条。 GeoAI，即地理空间人工智能，是指地理信息系统 (GIS)、人工智能 (AI) 和机器学习 (ML) 的交叉点。 这个领域正在彻底改变我们与世界互动的方式。
1、定义 GeoAI
为了进一步详细说明，分解这三个组成部分很重要。 地理信息系统 (GIS) 是一种基于计算机的工具，可分析、存储、操作和可视化地理信息。 在 GeoAI 的背景下，地理空间也可以与数据相关，这意味着与地球上或地球附近某个点相关的任何数据。
AI，即人工智能，是训练机器执行任务的概念。 最近，人工智能受到了广泛的炒作，并越来越多地被用作流行语。 因此，我让我们的 CTO Brendan 描述了 AI 和 ML 的实际含义：
“AI使用越来越强大的算法来完成你认为需要智能的任务。 机器学习正在向计算机描述你想要什么，然后它就会找到它。 就像人类如何在不展示每一步的情况下学习完成任务一样，计算机可以学习完成任务背后的模式，而无需全套的如何完成任务的说明。”
将这些放在一起，你就拥有了 GeoAI，这是一个强大的组合，使我们能够从基于位置的数据中提取我们以前无法想象的见解。
那么，为什么这个领域突然火爆呢？
2、GeoAI：后起之秀
GeoAI 的兴起预示着更大的技术趋势。 随着数据变得更加丰富和复杂，以及人工智能技术的不断发展，地理空间数据科学正在面临新的机遇。
我们目前生活在数据时代，这已不是什么秘密。 每天都会生成大量数据，其中很大一部分是空间数据。 这可以归因于移动设备、卫星和传感器的激增，所有这些都在不断收集与其位置相关的数据。
与此同时，人工智能和机器学习技术的进步使得更有效地分析和解释这些数据成为可能。 Brendan 将人工智能的进步描述为：
“AI 与其背后的计算一样强大，随着 GPU 变得更加高效（每美元的 FLOP 次数更多），计算也变得更加强大，并且架构改进使得相同的 AI 在您提供的硬件（YOLO、变压器、注意力）下变得更加高效。 这两件事使得同一个问题（在本例中为 GeoAI）更容易解决。”
所有这些因素综合起来，导致了 GeoAI 的受欢迎程度和重要性的不断上升。 越来越多的人对将人工智能应用于地理空间数据感兴趣，而且做到这一点也变得越来越容易。
3、用AI解决 GIS 中的问题：Bunting Labs
Bunting Labs 开发机器学习技术来进行地理配准并从地图中提取线条。
3.1 用AI进行地理配准
AI在 GIS 中的应用之一是地理配准。 地理配准是将图像与局部投影中的坐标关联起来的过程。 在人工智能的帮助下，Bunting Labs 可以输入 PDF、扫描的纸张、屏幕截图或任何其他图像，系统可以准确识别文档中的特征并将其与数字地图进行匹配。 我们的首席技术官布伦丹（Brendan）写了更多关于人工智能地理配准背后的过程，但这里有一些亮点：我们构建了机器学习算法来“检测扫描绘图中的建筑物边缘、道路轮廓、人行道的存在，甚至地块边界，以与 真实世界。” 这些算法被设计得足够强大，可以处理地图之间的巨大变化，因为 PDF 地图可能具有不同的比例，可能缺少要素，或者地图上的要素（例如道路名称）可能已更改。
这种快速数字化地理位置的能力具有许多应用，例如公用事业协调、施工规划和资产管理。 例如，城市的土木工程师可以使用这项技术将包含城市供水系统的计划集文件柜转换为网络地图。
3.2 用 AI 进行矢量化
矢量化或从光栅图像创建矢量线条是AI在 GIS 中的另一个应用。 通过人工智能，这个过程可以自动化，从而提高准确性和效率。 使用 AI 算法，我们的软件可以识别不同的线条并将其转换为矢量线，以导出为 GeoJSON、Shapefile 或 DXF。 此过程显着减少了将大量栅格数据转换为矢量格式所需的时间和精力。 我们的解决方案在竞争对手中的独特之处在于，我们考虑了 GIS 中完整线条提取的需求，并且不满足于仅从远处看起来与栅格相似的矢量表示。
这种快速提取特征的能力可以帮助任何花时间数字化地图的人。 其中一个例子是创建公用设施地图，通常需要坐在计算机前跟踪每个地下公用设施的线路，但使用我们的软件可以实现自动化，只需要用户进行 QA/QC。
4、用 AI解决GIS自定义问题：ESRI
ESRI 是 GIS 领域的领导者之一，提供旨在满足用户独特需求的人工智能工具。 几十年来，ESRI 一直是 GIS 行业的关键参与者，他们很快就将人工智能和机器学习应用到了他们的平台中。
他们的 AI 工具不仅仅是一个软件，而是与 ArcGIS 平台集成的一套工具。 ESRI 不是像你在 Bunting Labs 或 FireScout 中看到的那样的内置解决方案，而是允许用户创建自己的 GeoAI 工作流程。 以下是其 GeoAI 功能的一些亮点：
- 文本分析
文本分析涉及从文本数据中提取有用信息，然后将其用于进一步分析或决策。 借助ESRI的AI工具，用户可以在GIS环境中执行文本分析。 GIS 中的自然语言处理有许多可能的用例，例如识别写出的地址、从文本填充元数据以及修复拼写错误的地址。
- 预训练模型
对于那些刚接触人工智能和机器学习的人来说，训练模型的概念可能令人望而生畏。 它涉及向模型提供大量数据并允许其从这些数据中学习。 这个过程可能非常耗时并且需要高水平的专业知识。
为了解决这个问题，ESRI 提供了多种预训练模型，无需成为 AI 专家即可直接集成到您的 GIS 中。 预训练模型是已经经过大量数据训练的模型，可以用于各种任务。 例如，有一些模型可以从SAR中检测船只，从高分辨率卫星图像中检测中国的建筑物足迹，甚至从无人机图像中检测北极海豹。
- 自动DL
ESRI 最先进但最难访问的 AI 产品是 AutoDL。 深度学习是基于人工神经网络的机器学习的一个子集。 它是一个强大的工具，已被证明在图像识别、自然语言处理等任务中非常有效。
然而，实施深度学习模型可能非常复杂且令人生畏，尤其是对于那些不熟悉该领域的人来说。 为了解决这个问题，ESRI 提供了 AutoDL，这是一种可以自动化大部分深度学习过程的工具。 从理论上讲，这使得 GIS 专业人员能够利用深度学习的力量，而无需花费数年时间成为机器学习工程师。 该工具可以处理繁重的工作，使人工智能更易于使用，即使对于那些只有很少编码技能的人来说也是如此。
也就是说，AutoDL 可能仍然受益于，甚至在某些情况下需要大量的数据科学知识才能最大限度地发挥其潜力。 然而，最大的障碍是对 GPU 的需求。 许多 GPU 非常昂贵，尤其是用于深度学习的 GPU。 作为参考，我们用于训练模型的 GPU 零售价约为 18,000 美元。 如果深度学习不是重中之重，那么为此购买具有强大 GPU 的计算机可能不是一个经济高效的解决方案。
5、将 GIS 与AI结合起来解决问题：FireScout
FireScout 是 GeoAI 如何用于解决现实世界问题的一个典型例子。 FireScout利用计算机视觉来检测森林火灾，然后将其与火灾的位置、火灾方向、风速、风向和温度相结合。
该系统的工作原理是分析摄像头数据，并从经过“超过 1000 万张图像”训练的模型中识别火灾。 一旦检测到潜在的火灾，系统可以向当局发出警报，并为他们提供最快速、最有效的灭火所需的地理空间数据。 在气候变化导致野火发生频率和强度增加的世界中，像 FireScout 这样的工具对于保护人类生命和环境具有无价的价值。
6、使用AI 创建空间数据：Meta
Meta 以其社交媒体平台而闻名，也是地理空间领域的主要参与者。 例如，Meta 是 Overture Maps Foundation 的创始人，对 OpenStreetMap 进行了重大改进（特别是，通常通过人工智能，如他们的道路追踪软件），并收购了 Mapillary 等地理空间公司，以开发他们的 AR /VR 功能。
Meta 特别有趣的是他们使用 GeoAI 创建完整的数据集。 一个很好的例子就是他们创建的人口密度图。 一般来说，他们有一个三步走的方法：首先，他们与国际地球科学信息网络中心合作来估计人口。 然后，他们使用遥感和他们开发的算法来“扫描每个 [30 米] 区块中所有建筑物的数量和大小。” 最后，他们根据建筑密度估计了瓷砖的数量。 该数据覆盖全球，最后更新于 2022 年。
7、GeoAI 的优势
- 提高效率
GeoAI 的主要好处之一是提高效率。 在传统 GIS 中，地理配准和矢量化等任务既耗时又费力。 然而，随着人工智能和机器学习的集成，这些任务现在可以自动化，从而节省时间和资源。
- 改善用户体验
GeoAI 的另一个主要优势是改善了 GIS 用户和与 GIS 交互的非 GIS 专业人员的用户体验。 GeoAI 可以提供更准确、更详细的标记数据，更好地了解全球趋势，并减轻手动工作的负担（无论是乏味的，如矢量化，还是致命的，如试图追踪火灾）。
- 节约成本
通过提高效率和改善用户体验，GeoAI 还可以显着节省成本。 自动化流程减少了对体力劳动的需求，从而降低了运营成本。 此外，通过将高技能的 GIS 团队解放出来，让他们从事手动数据创建之外的项目，GIS 团队可以探索优化其业务的新方法。
8、GeoAI 的挑战
- 数据质量
数据质量是 GeoAI 的另一个挑战。 为了让人工智能和机器学习模型有效发挥作用，它们需要高质量、准确的数据。 质量差或不完整的数据可能导致结果不准确和预测错误。
为了解决这个问题，组织需要实施数据质量管理实践。 这包括验证数据的准确性、清理数据以及填写任何缺失的值。 然而，随着数据质量的提高，成本和时间也会增加。
- 技术的复杂性
人工智能和机器学习技术的复杂性也可能成为采用的障碍，特别是对于那些没有技术背景的人来说。 虽然 ESRI 的 AutoDL 等工具使 AI 和 ML 的使用变得更加容易，但仍然存在学习曲线。
这意味着，目前许多组织仅限于使用预制解决方案，例如来自 Meta、FireScout 或 Bunting Labs 的解决方案。 尽管可以在内部训练和部署自己的模型，但这需要投入大量的时间、人才和金钱才能完成。
9、结束语
我们才刚刚开始触及 GeoAI 的冰山一角。 随着人工智能和机器学习技术的进步、硬件的进步以及空间数据可用性的不断提高，GeoAI 的未来充满希望。
GeoAI 的应用既广泛又强大，从供应链管理到公共卫生，从国防到人道主义任务。 无论是早在人类出现之前发现野火，创建实时跟踪供应链的工具，还是从以前无法访问的来源创建新的空间数据，GeoAI 都有可能彻底改变我们理解世界以及与世界互动的方式。
原文链接：What is GeoAI and How Can You Use It (July 2023)
BimAnt翻译整理，转载请标明出处
