新一代人工智能驱动下
地图学研究的机遇与挑战

2.1 地图学研究的人工智能传统

人工智能是指在机器中模拟人类智能，其发展可以追溯到20世纪50年代，经历了多次发展与兴衰。2011年以后进入了深度学习和大数据发展时期，大多数的深度学习模型都是基于人工神经网络（ANN）发展起来的，例如卷积神经网络（CNN）、对抗神经网络（GAN）等。自2020以来又进入了AI时代和生成人工智能时期，transformer构架的大语言模型不断涌现。

人工智能技术应用在制图领域并非一个新话题，吴忠性就认为地图学的发展可分为三大阶段：第一个阶段是建立现代地图学的科学体系；第二个阶段是出现了计算机辅助制图；第三个阶段将人工智能与专家系统应用到制图领域。早在20世纪80至90年代，国内外学者就开始探讨人工智能在地图学中的应用。

专家系统的实现难度在于首先需要收集地图专家的知识经验，总结成可供计算机使用的知识库的形式（例如决策树），然后需要为计算机系统设计一套推理的流程。在许多时候，地图学中的知识无法通过简单的IF语句、决策树或数学公式表达，这就导致了针对某些制图学问题的知识库难以构建和推理流程难以构建，这是专家系统未能取得突破性成功的重要原因之一。总而言之，早期研究专注于使用人工智能方法应用到传统的地图学任务中，尝试实现部分制图过程的自动化。

2.2 地图内容生产的智能化发展

内容生产的发展通常可以分为3个阶段：专家生成内容（Professionally Generated Content，PGC）、用户生成内容（User Generated Content，UGC）、及AI生成内容（AI Generated Content，AIGC），地图内容从产生模式同样也可以分为：PGC地图阶段、UGC地图阶段、AIGC地图阶段。

总的来说，目前地图内容的产生仍处于专家生成内容和用户生成内容的阶段为主，正在向人工智能生成内容阶段发展。

生成式人工智能新技术的发展为地图学带来了新的机遇与挑战。生成式人工智能在现阶段可以通过3种形式产生地图内容，分别是文本生成地图（txt2map）、地图生成解释（map2txt）、地图风格迁移（map2map）。

很显然由于这些功能并非针对地图，而是针对图像数据的所设计和研发，尽管借助人工智能方法或工具已经可以在一定程度上完成地图生成和地图解释，但目前AI生成的地图所生成的地图虽然快速但是较为随机且不稳定，并非像地图那样是真实世界的映射；AI读图做出的解释缺乏上下文信息和针对性；地图风格的迁移更像艺术地图，而非科学地图，缺乏实用性。此外，目前基于AI的智能读图和智能制图大部分是黑箱模型，人们无法对其机理进行解释和说明。

3.1 地图传输模型

地图的制作和应用是地图学的2个核心问题和任务。地图传输模型（Map Communication Model）借鉴了信息论的观点，描述了地图信息的创造和传播的整个过程，把地图视为一种交流工具，以优化地图的效率。地图作为传输方式的思想是Keates在1964年在伦敦的会议上引入的，但最早的地图传输模型是由Moles在1964年所设计，对地图传输模型发展最有影响力的早期贡献是由Koláčný在1969年提出。

Koláčný以制图者对现实有选择性的观察为模型的起点，通过地图符号的语言，实现了现实多维知识模型向地图信息的转化，这些信息被读图者读取并理解，形成对现实世界的认知，整个地图传输模型的过程的核心概念是地图信息的传递。总而言之，地图传输模型描述了制图者把对客观世界的认识加以选择、分类、简化等信息加工并经过符号化，通过地图传递给用图者，用图者经过符号识别，同时通过对地图的分析和解译形成对客观世界的认识的过程。

与20世纪60年代和70年代的地图制作过程相比，今天的地图学在制图者与地图之间以及地图与用户之间都显得更有交互性。随着数字制图的发展，今天的地图制作和编辑过程对用户和制图者的审美判断更加敏感，审美也不足以区分专业制图人员和业余人员。换言之，制图学的门槛在新兴数字制图工具的引领下降低了，也使制图效率得以提高。除此之外，许多新型地图产品也陆续出现，如多媒体地图、三维地图、增强现实地图等，这些产品区别于传统意义上的地图。总而言之，数字时代的发展和数字地图的出现改变了传统的地图学的范式，传统的地图传输模型各个环节的内涵也发生了重大改变。因此，需要提出一种新的地图传输模型来适应数字化时代。

3.2 智能地图传输模型

随着地图学的发展已经进入了智能化时代，人工智能可以在地图传输模型的各个环节结合，这些结合也是地图学未来智能化发展的方向。在传统的地图传输模型中，制图和读图的主体都是人。在经历了传统地图时代、数字地图时代后，人与机器共同成为制图的主体。进入智能化时代，人与机器都将成为制图与读图的主体，智能制图与智能读图应运而生。

Koláčný所提出的经典地图传输模型在AI的加持下衍生为智能地图传输模型，包括4个环节：

4.1 制图智能信息获取

进入智能化时代，我们可以更加便捷和高效地利用地理空间智能方法从现实世界采样和提取更加精确的信息。目前，制图信息获取智能化实现主要体现在遥感图像的目标检测、地理大数据挖掘等方面。

深度学习技术已经被用于卫星图像解译、卫星图像分析等任务。一些过去无法想象的全球尺度制图数据获取，如全球的树木检测、全球的建筑制图成为可能。人们还利用深度学习从其他来源的地理空间图像提取信息，例如街景照片、扫描历史地图、情绪制图等。

此外基于某种移动设备（如机器人、无人机、手机等）的SLAM（Simultaneously Localization and Mapping）技术可以实现从一个未知环境里的未知地点出发，在运动过程中通过传感器（如激光雷达、摄像头等）观测定位自身位置、姿态、运动轨迹，再根据自身位置进行增量式的地图构建，从而达到同时定位和地图构建的目的。

4.2 智能制图

众多研究者对智能制图的理论和方法进行了广泛的探讨，包括：地图风格迁移(map style transfer)、使用ChatGPT等人工智能工具制图、制图综合等。

4.3 智能读图

地图读图和解读通常包括阅读地图并确定地图所描绘的内容以及制图者如何制图的过程，这包括识别描绘地理对象的特征、现象、使用的符号和标签，甚至包括不在地图中显式表达的地图信息。

杨启和等很早就提出地图模式识别的概念，通过地图模式识别使计算机实现人对地图的阅读和理解，采用机器模拟人类视觉系统，模拟人脑对视觉信息的分析判决过程。周熙然等从地图内容提取与识别、地图语义分析两个层次，探讨了支持泛源地图图像大数据识别的理论与技术框架。

Li等提出了一种地名信息的智能地图阅读方法，该框架将深度学习技术和地名录相结合，对地图的内容进行自动准确的理解。这个框架通过深度学习方法检测地图文本，基于图形的分割和聚类分离文本单元，使用OCR引擎进行字符识别，实现基于数字地名录的地图内容理解。