地理系统是自然与人文要素构成的,分布在地球表层空间中,具有生成、维持或转换物质形态和能量形式,或驱动物质和能量流动等功能的有机整体,表征为自然与人文要素及其相互作用的空间分布、结构、格局、演化和功能。地理系统分层级广泛存在于地球表层空间,是客观现实系统。地理信息系统将地理系统用数字投影到信息世界中,进而考察、分析和制定改造地理系统的方案。由此存在2个地理系统,即现实地理系统和信息地理系统,2个地理系统长期独立存在,各自演化。近些年,融合实时观测和物联网技术,现实地理系统的变化或演变已基本能够实时投影到信息地理系统中,即2个系统不再是独立演化,信息地理系统成为现实地理系统的镜像,现实地理系统一旦发生变化,信息地理系统同步变化。当前,人类科技正以前所未有的速度发展,特别是云服务、大数据、人工智能的异常迅猛发展,使得信息地理系统不再满足于成为现实地理系统的镜像,开始利用人工智能和无人自动控制技术,实现与现实世界的融合,即通过信息地理系统的操作,实现现实地理系统的改变。如此,未来现实地理系统与信息地理系统的界线日趋模糊,直至2个系统完全融合,不再区分现实地理系统和信息地理系统。本文暂且以智能地理系统指征这种融合2个世界的系统,并以南海岛礁的无人值守智能系统为例,展示现实地理系统与信息地理系统的融合与操作交互,实现岛礁地理环境和人工设施监测、保护、应对和操作的无人化和智能化。
随着遥感数据网、传感网、物联网和人工智能的发展,逐渐形成空天地海立体化、集成化和一体化的地理空间传感网。地理空间传感网感知资源呈现出多源、异构和分散的特征,面向多层次用户个性化、即时化和智能化应用需求,存在异构资源共享管理、多协议实时接入、时空无缝感知、自动化感知和精准预测等技术挑战。静态地理信息服务由于无法提供鲜活的地理信息,难以满足地理事件的综合监测、决策预警和聚焦应用需求,急需发展地理空间传感网融合服务技术和实时动态地理信息服务平台。本文围绕信息物理网环境下空天地海观测平台的观测高效共享和融合服务问题,提出了传感网观测共享信息模型和点面观测协同无缝重建模型,突破了观测在线接入、集成管理、星地融合、时空预测和聚焦服务等地理空间传感网融合服务关键技术,研制了包含“感—联—知—控”等功能的传感网时空信息网络感知服务系统GeoSensor,介绍了GeoSensor在流域、海洋和城市等典型应用。未来将进一步发展“人—水—城”智能感知认知理论,突破“空天地海人”群智感知、空间智能和认知服务技术,开展长江经济带应用。
现有基于PIR（Passive InfraRed）传感器数据的人体行为研究主要局限于运动时空分布、聚类等,对行为轨迹的重建和语义特征的解析相对较少,亟需发展新的建模与行为分析方法。本文尝试利用室内区域PIR传感器监测数据进行时空轨迹重构及其所揭示的运动语义特征研究。本文引入几何代数理论方法,构建传感器场景网络,实现了几何代数空间下动态网络的表达与路径计算,分析了人体运动特征及语义特征,建立最小语义单元,实现了空间数据到语义特征的转化,并可对个人和群体运动的空间区域特征和拓扑特征分析提供支撑。论文将传统PIR传感器网络分析从以几何、统计等为主的信号提取,转变为基于几何代数系统中不同类型代数结构的生成与转化问题,为诸如PIR传感网数据分析一类的非确定问题的求解提供了新的思路和数学基础,可为物联网GIS的构建提供借鉴。
地理流被定义为地理对象在不同空间位置间的流动,而地理流通常涵盖了物质、信息、资金、能量等的空间转移。位置之间各种流的出现与强化,改变了以距离衰减效应为基本规律的传统认知。因此,针对地理流的研究将有助于从新的角度理解地理格局及其形成机理。本文认为可采用2种模型对地理流进行表达：① 将地理流抽象为包含起点和终点坐标的四元组（又称地理流正交模型）;② 将其抽象为包含起点坐标、流长度与流方向的模型（又称地理流极坐标模型）。在地理流表达模型的基础上,流空间可以定义为由两个二维空间通过笛卡尔积形成的四维空间。本文给出了流空间中4种距离（最大距离、加和距离、平均距离和加权距离）、不同距离下地理流的r邻域体积以及地理流密度等测度的定义。根据地理流极坐标模型中不同要素随机性的组合方式,将地理流模式分为随机、丛集、聚散、社区、并行与等长6种常见的单一模式,并梳理了不同模式的识别方法。单一模式之间的组合可以形成混合模式,而多类流数据之间可以形成多元流模式。在未来的研究中,地理流的基础统计理论、地理流模式的挖掘方法以及在实际问题中的应用将是其重要的发展方向。
多模态地理大数据时空分析旨在融合地理大数据的多模态信息发现有价值的时空分布规律、异常表现、关联模式与变化趋势,是全空间信息系统的核心研究内容,并有望成为推进地理学人地关系研究的重要突破口。为应对地理大数据时代的新机遇与挑战,本文围绕4类核心的时空分析方法（时空聚类分析、时空异常分析、时空关联分析与时空预测分析）,系统归纳了国内外研究现状,探讨了时空分析中多尺度建模、多视角协同、多特征认知与多特性表达的研究难点。进而,介绍了多模态地理大数据时空聚类、异常、关联与预测分析模型,更加全面、客观、精准地认知与理解时空大数据中潜在的地理知识,并且能够在气象环境监测、公共安全管理、城市设施规划等多个应用领域发挥关键作用。
在大数据时代,高分辨率对地观测技术实现了对地球表层地理现象和地理过程最为真实、量化、全面覆盖又快速更新的数据化记录,可为地理空间认知研究的新发展奠定时空信息聚合与挖掘计算的基准。地理图斑是影像空间映射到地理空间中对于地理实体的抽象化表达,是构建地理场景和承载地理空间各类信息进而开展模式挖掘的最小单元。本文以地理图斑为基本对象,通过分析其中视觉模拟、符号推测等几类机器学习的协同计算机制,从空间、时间与属性等维度构建了集“分区分层感知”、“时空协同反演”、“多粒度决策”三者于一体的地理图斑智能计算模型,并以在贵州息烽县、广西江州区开展的农业种植结构制图与规划决策为应用案例,探索了地理图斑分布、生长以及功能3种模式的挖掘方法,并进一步设计了动态视角下开展图斑动力模式挖掘的研究思路。
作为人工智能的代表性技术,深度学习已经成为大数据等各个领域中最具有突破性发展的新技术。深度学习的成功主要得益于其新颖的数据驱动的特征表示学习能力,这种能力成功地替代了传统建模中基于领域知识人为设计特征的方式。在这些技术推动下,人工智能技术在新一代GIS基础软件技术的研究与应用中发挥着极为重要的作用,而现有人工智能GIS（AI GIS）技术研究整体仍处于初步探索阶段,距离成熟阶段尚有较大距离。作为新一代GIS基础软件的方法和技术,AI GIS已经广泛应用在遥感数据分析、水资源研究、空间流行病学和环境健康等地学领域,与传统GIS模型相比大大提高了对非结构化的遥感或街景影像和文本的地理信息提取和特征理解能力,显示出巨大的价值和发展潜力,但现有研究对AI GIS软件技术体系的梳理和总结尚不够全面。大部分研究只关注地理空间人工智能算法的研究及其特定场景下的应用研究,而对相关的AI GIS软件技术体系关注较少。本文分析了地理智慧的几个层次,并讨论了其与AI GIS的关系,总体介绍了国内外现有人工智能技术与GIS软件相结合的发展现状,进而提出了AI GIS软件技术体系。根据AI与GIS的结合关系提出了AI GIS由地理空间智能算法、AI赋能GIS和GIS赋能AI三部分组成。此外,为深入介绍AI GIS各部分组成,本文以SuperMap为例,探讨了AI GIS软件的设计与实现。最后,探讨了AI GIS的未来发展中亟需解决的问题。本文基于AI GIS软件技术的初步探索,尝试为地理智能的基础GIS软件技术体系的构建提供理论基础,以促进人工智能技术与GIS技术的进一步融合和发展,为实现地理智能提供一个可行的研究方向。
交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD（Anchor-free Traffic Sign Detection）。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。
有效分析城市不同经济水平人群的分布特征和活动模式对优化城市资源配置和揭示空间隔离现象有着极高的价值。但人群活动和社会经济等级数据较敏感,使得以往研究仅停留在宏观层面,难以合理划分人群经济等级并对其空间分布和活动模式进行定量分析。本研究以深圳为研究区,基于空间位置关联分析方法,耦合手机信令数据和细尺度房价数据实现了人群经济水平的准确划分,通过计算活动指标定量的分析了不同经济水平人群的空间分布和行为活动特征。研究表明：深圳市不同经济水平人群活动分布与各行政区经济发展相关,呈现“南高北低,西高东低”的格局;深圳市不同经济水平人群之间活动模式存在差异,活动范围、出行距离、出行速度与经济水平存在正向相关;高经济水平人群职住地点相距较远,存在跨行政区分布的现象。本研究分析了城市不同经济水平人群的空间分布特征和活动模式,对城市规划和解决社会不平等问题具有重要的参考价值。
可达性是在空间分布格局、设施约束等综合条件下的空间决策问题,等时线模型为该决策分析可提供方法支持,它是以时间地理为框架,用时间成本来衡量时空可达性的重要模型。面向兴趣点（Point of Interest, POI）可达性分析通常包括2种形式：① 基于“供给”角度从特定POI出发的服务可达分析;② 基于“需求”角度从任意空间位置出发获得最近服务的便利度分析。目前的研究从“供给”角度探求特定POI的服务范围居多,对“需求”角度的等时线分析关注不够。本研究针对这一缺陷,开展面向服务需求的兴趣点可达性等时线分析,考察任意位置达到某类服务设施最近点的时间代价。在几何度量方法上,本研究利用了网络空间Voronoi图模型,与传统欧氏空间Voronoi图相比,本方法顾及了街道网络对空间通达的直接影响。本研究发现了等时线的形态、坡度等特征能够反映POI的疏密分布和道路网的通达性。
中国空气污染问题日益严重,为获得连续的PM2.5浓度空间分布,现有研究建立了多种基于统计回归的PM2.5估算模型。然而,由于PM2.5回归关系显著的空间非平稳性和复杂的非线性特征,如何实现高精度、高合理性的PM2.5浓度空间大面估计仍然面临挑战,尤其在地形变化复杂、覆盖范围广阔的中国地区更为突出。本文引入了一种将普通线性回归（OLR）和神经网络结合的地理神经网络加权回归（GNNWR）模型,通过集成遥感数据、气象数据和地理信息数据建立了基于GNNWR的PM2.5浓度空间估算方法。文章以中国2017年PM2.5年平均浓度估算为例,开展了该模型与OLR、地理加权回归（GWR）的比较实验。实验结果表明,基于GNNWR的PM2.浓度估算性能指标均明显优于OLR和GWR,且预测精度显著高于GWR。此外,GNNWR获得的PM2.5浓度空间分布也更为合理,较为细致地刻画了中国地区PM2.5浓度的局部空间变化和细节层次。
随着信息通讯技术的发展,手机成为人类日常生活不可缺少的一部分,人类活动逐渐从现实空间延伸至网络空间,在移动互联网时代,网络空间的上网行为与现实空间的出行行为密不可分。当前个体出行行为预测建模较少考虑上网行为与出行行为间的关系,本文提出一种融合上网行为特征的手机用户停留行为预测模型,通过时空约束定义手机用户的停留行为,在考虑个体出行行为时空偏好的同时,融合手机用户使用的APP组合、上网流量、上网次数等上网行为特征以及天气信息等外部特征,从时间、空间的角度进行特征交叉,构建从特征到模型均具有高可解释性的手机用户停留行为预测模型。实验证明：本文模型预测准确率为80.31%,且在融合上网行为特征、天气等外部因素后,比仅使用个体出行特征进行手机用户停留行为预测提升了12.08%。
