GeoAI 的4个主要应用领域

地理空间人工智能 (GeoAI) 是一门新兴的科学学科，它结合了空间数据科学、机器和深度学习中的方法，从空间大数据中提取知识（Janowicz 等人，2019 年）。它是一个活跃的研究领域，在许多领域都有应用，例如：灾害管理、城市规划、物流、零售、太阳能等（Ballesteros 等人，2021 年）。与此同时，卫星的可用性和质量迅速提高，最近无人机图像、其易用性以及消费者和专业无人机的实惠价格正在使这些技术融合。

人们可能会认为 GeoAI 将大量算法应用于高空图像分析，但事实是这些算法仅总结为四种，它们是称为人工神经网络 (NN) 的通用函数的变体。神经网络是由人工神经元组合而成的分层结构。NN 的研究称为深度学习，它们作为输入 X 和输出值之间的映射函数 Y = F(X)。

本文简要介绍了这些算法及其应用。

1.图像分类

图像的对象或多对象分类，警告输入图像中特定对象组的存在与否，而无需计算对象在图像中的位置。卷积神经网络 (CNN) 是用于解决图像分类问题的默认网络架构，这些神经网络在移动内核和图像像素值之间执行标量积。标量积也称为卷积，允许根据位置、角度或大小对图像中的对象进行分类。使用了许多内核或过滤器，并且网络的权重或参数由网络自动计算并重新计算，使用通过层的反向传播中的预期值和获得值之间的比较。第一层计算物体的一般几何特征，如对角线和垂直线等，下一层定义更复杂和聚合的形式，最后，根据对象类的数量，网络的输出对应于可伸缩的神经元数量。图 1 显示了此架构的示例 [1]。

         

图 1. 查看图像中上部的 6x6、3x3 和 4x4 内核。[1]

有一个图像分类的扩展版本，这是当网络而不是概率输出用于命名图像中现有对象的文本时。这称为图像说明。

2. 物体检测或识别

以与图像分类类似的方式，检测模型在图像中找到对象，但它们的位置由矩形区域框起来。此外，还提到了每个特定对象存在的概率。

图 2. 人体检测数据集。图片由作者提供

图 3. 交通标志检测数据集。图片由作者提供

3.图像语义分割

语义分割是对图像的每个像素进行分类。像素以颜色编码的类别分开。执行此任务的深度学习模型使用颜色掩码作为感兴趣对象的标签，或者在只有一个类分割的情况下使用二进制掩码（黑色和白色）。由于这是像素级别的分类，因此它是一种比以前的算法对计算能力要求更高的算法。科学家们比较了不同的人工神经网络架构，目的是找到最佳性能。U-Net [2] 最初是为医学图像开发的，在过去几年中一直在语义分割的指标得分中名列前茅。

图 4.U-Net。修改自 [2]

图 5. 多类语义分割数据集，Drone Deploy Benchmark

 

图 6. 二元掩码，Massachussets Road 数据集

4.图像生成

图像生成是从随机空间中获取图像的过程，即获取与一组图像的现有分布特征似是而非的合成图像。图像生成的主要应用是为模型训练、计算机图形学和设计等创建合成数据（Isola 等人，2017 年）。图像生成通常由生成模型执行，这些模型有两种，无论是明确编程还是使用监督学习创建。最新的使用了两个 CNN，一个在像素级别对输入图像进行分类（一种语义分割），另一个对第一个进行的像素分类过程进行限定。这两个网络以对抗方式工作，这就是它们被称为“生成对抗网络 (GAN)”的原因。

 图 7. 图像到地图的转换

图像的应用、领域和类型

图 8 总结了四种算法的统计比例、它们的应用领域以及所使用的传感器或图像类型 [3]。

图 8. 修改自 [3] 的图像

结论

GeoAI 主要使用四种算法来分析高空图像，它们是：图像分类、目标检测、语义分割和图像生成。

所有四种重新审视的算法及其架构都基于 CNN，CNN 是一种人工神经网络，使用卷积来应用于像素，卷积是移动窗口标量积。

GeoAI 的大部分论文都是针对对象检测（~54%），然后是分割（~41%），图像分类（~5%），最后是图像生成（不到 1%）。

主要应用领域是环境（46%）、城市（27%）和农业（26%）、其他（1%）。

大多数用于分析的图像是 RGB (52%)、多光谱 (24%)、高光谱 (18%) 和激光雷达 (6%)。