GeoAI

GeoAI - это интеграция искусственного интеллекта (ИИ) с пространственными данными, наукой и геопространственными технологиями в целях лучшего понимания и решения пространственных проблем. GeoAI предполагает применение традиционных методов искусственного интеллекта для получения пространственных данных путем извлечения, классификации и обнаружения информации из структурированных и неструктурированных данных. GeoAI - это также использование пространственно-ориентированных методов искусственного интеллекта, которые предназначены для решения пространственных задач посредством анализа пространственных данных и заключают в себе методы обнаружения закономерностей, составления прогнозов, пространственно-временного прогнозирования и др.

Ключевые понятия

Следующие термины помогут вам лучше понять GeoAI в ArcGIS Pro.

  • Пространственный анализ - это процесс изучения местоположений, атрибутов и взаимосвязей в пространственных данных с помощью ряда методов, от простых наложений до расширенной пространственной статистики и других аналитических методов.
  • Искусственный интеллект (ИИ) - способность машины (например, компьютера) выполнять задачи, которые традиционно требуют человеческого интеллекта, такие как восприятие, рассуждение и обучение. Мы видим приложения искусственного интеллекта повсюду в нашей повседневной жизни - в умных помощниках в наших телефонах, в рекомендациях в лентах социальных сетей, а также в самоуправляемых автомобилях и роботах. Искусственный интеллект включает в себя как машинное обучение, так и глубокое обучение.
  • Машинное обучение (ML) - разновидность искусственного интеллекта, относящаяся к набору методов, которые позволяют компьютерам изучать закономерности в данных и приобретать знания не будучи явно запрограммированными. Методы ML обычно представлены в форме статистических методов или управляемых данными алгоритмов, которые решают задачи классификации, кластеризации и прогнозов (например, регрессия/прогнозирование). Считайте ML одним из способов достижения ИИ.
  • Глубокое обучение (DL) - совокупность ML, использующая обучаемые алгоритмы в виде искусственных нейронных сетей. Многослойная архитектура этих сетей навеяна тем, как работает человеческий мозг - люди познают и понимают окружающий их мир как вложенную иерархию понятий. Вы можете думать об алгоритмах DL как о функционирующих подобно человеческому мозгу, в котором компьютер изучает сложные модели и понятия, соединяя воедино более простые понятия. Необработанные входные данные анализируются на разных уровнях сети, причем каждый последующий уровень изучает и регистрирует определения более сложных и специфических свойств и закономерностей в данных.

Искусственный интеллект, машинное обучение и глубокое обучение

GeoAI встроен в ArcGIS с помощью множества инструментов геообработки и исследовательского анализа. Алгоритмы машинного обучения в ArcGIS используются при анализе пространственных данных для выполнения кластеризации, прогнозирования (классификации и регрессии), а также для пространственно-временного прогнозирования. Глубокое обучение используется в ArcGIS для получения геопространственной информации на основе данных датчиков (включая изображения и облака точек) с использованием методов и инструментов для классификации пикселов и сегментации изображений, обнаружения объектов и извлечения характеристик, отслеживания объектов, обнаружения изменений и моделирования изображений. Глубокое обучение также используется для получения геопространственных данных из неструктурированного текста с использованием различных методов обработки естественного языка (NLP). Глубокое обучение также может быть использовано для анализа пространственных данных с целью составления прогнозов. Однако многие из наших наиболее сложных проблем требуют объединения GeoAI и других эффективных методов пространственного анализа как для понимания, так и для эффективного решения этих задач.

Диаграмма Венна для искусственного интеллекта и пространственного анализа

Решение задач

GeoAI может играть важнейшую роль в решении пространственных задач в широком спектре областей применения.

Важным аспектом GeoAI является применение традиционных методов искусственного интеллекта при получении пространственных данных путем извлечения, классификации и обнаружения информации из/в структурированных и неструктурированных данных. К этим данным относятся табличные данные, данные дистанционного зондирования (включая растры, изображения, облака точек лидара, видео и др.) и даже текстовые данные. При получении пространственных данных требуется решать такие задачи, как поиск и систематизация объектов на изображениях, создание 3D-данных с помощью лидара или извлечение информации о местоположении из неструктурированного текста для последующего геокодирования. ArcGIS также содержит набор предварительно подготовленных моделей глубокого обучения, которые сокращают некоторые из наиболее трудоемких и ресурсоемких аспектов процесса обучения. Использование глубокого обучения для автоматизации этих ранее утомительных процессов извлечения и создания пространственных данных имеет большое значение во многих рабочих процессах и может привести к значительной экономии времени и ресурсов. Эти пространственные данные также могут стать ценным вкладом в последующие рабочие процессы - от управления пространственными данными до расширенного пространственного анализа закономерностей и отношений.

Смотрите пример глубокого обучения, используемого для автоматизации извлечения объектов из изображений

Другим ключевым аспектом GeoAI является применение методов машинного обучения и глубинного обучения, включая пространственные статистические методы и методы машинного обучения, при анализе пространственных данных для таких прикладных задач, как обнаружение пространственных закономерностей и составление прогнозов, включая пространственно-временное прогнозирование. Использование новых инструментов машинного обучения и глубокого обучения с пространственными данными дает специалистам-практикам новые возможности для изучения сложных проблемных пространств. Использование методов машинного обучения на пространственных данных, а также включение пространственно-ориентированных моделей, которые включают некоторые географические аспекты (местоположение, форму, близость и др.) непосредственно в алгоритм, могут не только сделать модели более эффективными, но, зачастую, и более точными, отражающими ту реальность, которую мы стремимся смоделировать. Эти методы могут быть использованы для распределения ресурсов на основе значимых пространственных закономерностей, для выявления тенденций и аномалий в пространстве и времени, а также для включения пространственных отношений в прогнозы.

Смотрите пример методов машинного обучения, которые применяются к пространственным данным

В конечном счете, концепции GeoAI используются в инструментах, которые лучше всего работают в руках вдумчивых аналитиков и специалистов по обработке данных. Как и другие инструменты, аналитик должен обладать глубоким пониманием проблемы, стремлением повторять и совершенствовать анализ, а также прозрачностью в процессе предоставления информационного продукта лицу, принимающему решение. Использование GeoAI не меняет этих принципов и фактически делает необходимость добросовестного анализа более важной, чем когда-либо. ArcGIS Pro обладает мощными средствами для использования инструментов GeoAI, оценки их результатов и эффективного и ответственного общения с заинтересованными сторонами.

Подробнее

Для получения более подробной информации обратитесь к следующим ресурсам.