1.5.1 常见空间信息智能处理方法

空间信息处理方法复杂，手段烦琐，信息量大，数据维度复杂，因此人工读取相对困难。如果能将人工智能用于空间信息处理，利用机器自动进行识别，势必会是空间信息领域一个巨大的突破。近年来，随着学科交叉融合现象的普及，人工智能和空间信息有了一定的融合交叉研究，在遥感图像智能分类、智能处理，无人机遥感获取图像信息等领域取得了一定的成就。许多国内外企业和研究机构致力于利用人工智能代替人类处理大量的空间信息，从而提高空间信息利用率和处理效率。目前，无人机遥感、机器人探测乃至利用人工智能进行图像识别、图像分类和图像处理，成为研究者的关注点，基于决策树算法、人工神经网络、支持向量机、蚁群算法、遗传算法等适用于空间信息处理的智能方法，以及基于目标检测、场景分类、语义分割、变化检测的智能遥感卫星在轨处理算法等逐渐被专家开发出来并投入使用。表1-1给出了常见空间信息智能处理算法及其特点。

表1-1 常见空间信息智能处理算法及其特点

谷歌已将人工智能模块加入其谷歌地球引擎（Google Earth Engine），用户可利用谷歌人工智能平台和云存储处理影像，并借助其深度学习框架TensorFlow完成数据智能化处理和分析。例如，谷歌利用Landsat影像对1984—2018年的地球表面变化信息进行可视化，并进行变化分析。微软发布了“地球人工智能”（AI for Earth）项目，应用于全球农业、水资源管理、生物多样性、气候监测等领域。微软与 Esri 合作将 ArcGIS Pro 内核加入微软云平台Azure 上，发布了地理空间智能数据科学虚拟机（DSVM），把人工智能、云技术和基础架构、地理空间分析相结合，服务于更加智能的地理空间分析、数据可视化等应用。超图公司的地理信息智能框架包括4个层次：地理空间可视化、地理空间决策、地理空间设计和地理空间控制。金字塔的复杂性从底部向上增加，而成熟度在降低。超图公司的 GIS软件与阿里巴巴新一代的数据库 POLARDB对接融合，完成兼容性认证，构建云原生时空管理平台联合解决方案，并推出“云原生数据库+云原生GIS”平台，通过人工智能提升地理信息服务能力。