GIS最新热点以及未来发展热门

2018 年 3 月 29 日 人工智能学家

来源:测绘地信、知乎用户测绘小河马


GIS是空间技术和信息技术的交叉学科,相关领域的研究热点都有可能成为GIS的发展趋势。GIS的技术环节无外乎数据获取、数据分析、数据呈现三个方面,从近年的发展情况看,GIS可能在这三个方面都有着激动人心的前景。


一、数据获取


数据是GIS的基础,数据获取技术是GIS的技术之源。在已有存量数据的基础上,GIS的增量数据源大体有卫星遥感、定位信息、摄影测量等,数据获取的发展关键在于增量数据源的发展。


1.1倾斜摄影测量


倾斜摄影测量是这两年蓬勃发展的一项技术,相对于竖直航空摄影在地物立面信息获取方面的缺陷,倾斜航空摄影可以快速获取大范围区域地表物体三维立面信息,可以支持对摄影区域的三维测量。倾斜摄影测量有着非常高的高程测量精度,可以实现快速的大场景建模与地物测量,能够生成接近真实的地表三维场景。



倾斜摄影测量示意图


1.2近景摄影测量


近景摄影测量与倾斜摄影测量有着相似的技术背景,区别在于倾斜摄影测量一般利用空基航摄仪进行,近景摄影测量则是采用地面或近地面短距摄影测量设备进行。相对于倾斜摄影的大范围和较高精度,近景摄影测量更注重于对单个地物的超高精度测量,可以获得具有极高精度和分辨率的精细地物模型,可以完美还原如雕塑、文物、景观等复杂地物。


对石窟内佛像的三维精细扫描测量


1.3影像智能识别


随着遥感手段的发展,获取的遥感影像分辨率越来越高,数据量越来越大,基于影像采集的矢量要素也越来越多,累积了大量的采集经验和解译样本。在人工智能技术的加持下,对这些影像解译样本开展深度学习,计算机自动从影像提取要素的能力会越来越强,精度也越来越高,未来有望实现自动利用卫星影像生产矢量地图。


卫星照片中美军基地战机清晰可见


1.4智能数据匹配


近年来以谷歌地图、百度地图等为代表的基于位置服务(Location Basde Service,LBS)应用已经走入每个用户的手机中,深刻得影响着互联生活。LBS应用的对数据的鲜活性要求极高,尤其是对道路、地名变化的响应能力对用户体验影响很大。智能数据匹配是利用搜索引擎获取的海量网络信息进行筛选,获得与地理位置相关联的信息,并与地图数据进行匹配,达到快速发现变化,自动进行更新的目的。随着AI的不断发展,对海量信息的分析匹配能力不断增强,数据匹配的准确性和自动化程度也会越来越高。


亚米级高精度位置服务


1.5定位技术发展(室内、高精度、小型化)


智能手机让每个人都有了感知地理位置的能力,然而,目前的定位还存在很多局限。


例如,室内、野外还有很多卫星定位盲区,定位精度还不够高,高精度定位设备不够便携等。现在,室内定位、差分定位、网络定位等技术发展很快。不远的将来,仅用一部手机甚至手表,就可以实现随时随地精准定位至厘米水平。定位信息的迅速发展,会对位置服务的应用带来深远的影响。


精准的室内定位技术


1.6空间信息扩展(地下、深海、深空)


目前空间信息在很多人的概念中依然是地面或者近地面的信息,随着探索和测量手段的不断发展,人类活动的范围已经扩大到了地下空间、深海、外太空甚至地外行星,观测尺度从空间更是扩展到了时空。更广袤的时空信息不断涌现,催生着GIS上天入地,谈古论今,这样未来只能说眼界限制了我们的想象。


BAE公司将为美国研发深海定位导航系统


1.7为我们的世界建模


十多年前曾经有本GIS的书叫《Modeling Our World》,在当时,还显得有些诗意和概念化。而如今,这样的前景已经非常清晰。未来,在各种探索和测量手段的支持下,整个世界甚至是外太空都可以被装进虚拟的世界,每个人都可以自由出入于虚拟与现实之间。进可纵观天下,退可田园诗意,一起为我们的世界建模。



二、数据分析


GIS之所以是一门学科而不仅是技术,在于其智慧的一面。如果说数据是其生命力,那么智慧就是空间数据的分析能力。数据分析的发展与大数据、人工智能、云计算等信息技术有着密切的联系。


2.1高效的数据管理


空间数据库一直是GIS的一个基础理论,却也是一直发展不够成熟的一个领域。因为GIS的数据确实太多太复杂了,这些数据有不同的形状(如湖泊、道路、房屋、河流),不同的性质(如线划地图、卫星地图、街景地图),不同的轨迹(如行驶的汽车、空中的飞机、奔流的洪水、隐蔽的洋流),它们很难用一个统一的模型来描述,进而对数据分析时的数据使用效率带来很大局限。


现在,数据管理技术由于NoSQL、分布式存储、空间数据模型等的发展,GIS数据的管理模型有望获得统一,为更好的应用数据打下坚实的基础。


数据库运维服务


2.2跨行业数据透视


空间数据分析和挖掘一直是GIS最强大的武器,但它却没有得到充分利用。随着大数据、云计算的发展,数据进入了一个爆炸的时代,GIS数据能够与很多行业数据进行交叉,产生奇妙的化学反应。随着研究人员的不断努力,现在很多行业的评价、统计、分析指标都加入了位置参数,GIS开始走出家门,说百家话,穿万家衣。



2.3空间尺度衍伸(宏观、微观)


GIS一直以来在做分析时都离不开一张内容复杂的地图,地图的边界就成为了GIS想象力的局限。在数据大爆炸的时代,数据挖掘后形成的多层次指标,让GIS信息冲破了这一边界。向上,伴随指标不断的概括与综合,GIS可以参与到各类宏观决策当中,突破区域、时间的限制;向下,GIS可以具象每一个细小的抽象空间,进入物质内部,描述每一个微小的位置变化。


宏观和个体结合GIS分析自行车系统


2.4迅捷的处理速度


毫无疑问,计算技术的发展一定会让GIS的分析速度更快。这种变快是量变到质变的过程,随着单位时间能处理的数据量的极速增长,我们获得有效信息的时间被大大缩短,进行更复杂计算的可能性也在大大增加。这让数据分析出现两个趋势,一是实时化,结合全世界建模的概念,可以让一个人随着运行轨迹实时的计算出场景变化(例如自动驾驶);二是深度化,计算可以覆盖的面越来越广,涵盖的信息越来越多,可能会获得更多抽象的、内涵丰富的数据加工产品(例如基于真实场景的游戏)。


无人驾驶正向我们驶来


2.5从计算到决策


不得不再次请出人工智能。现在的GIS依然还停留在你想要什么我给你分析什么的阶段,人工智能在GIS领域的不断学习真逐渐的揭示出一种新前景,我给你什么你才想到什么。这样的前景是不是很令人激动,GIS真正从一个工具成为了助手,一个聪明的、懂你心意的、精确无比的助手。


人工智能与智慧城市


三、数据呈现


GIS的精彩与其数据呈现能力密不可分。可以说,一般公众对于GIS的理解大多停留在数据呈现环节,广义的数据呈现包括但不限于地图、图表、手机APP、Web应用程序等,它不仅仅是指可视化效果,而更应视为触及最终用户的各种功能。数据呈现与互联网、计算机视觉等领域息息相关。


3.1无限扩张的三维空间


依然回到为我们的世界建模这个话题,既然建模了就要展现出来,一个真实的、无延迟的三维空间才是最酷的。现在的三维受限于硬件机能、建模技术等因素,大多将场景限制在一个不大的范围内。未来,建模范围都那么大了,展示能力也会提高。场景一天天的变大,模型越来越接近真实,直到有一天,边界会消失,模型会如实景一模一样。


福鼎市三维数字城市


3.2VR和AR


在三维技术的加持下,VR和AR如两个兄弟并肩发展。VR是将真实的人放进虚拟的场景里,终极目标是人忘记了自己在一个虚拟的世界里;AR是将虚拟的场景放进真实的世界中,终极目标是人无法分辨什么是真实,什么是虚拟。VR和AR注定是阶段性的技术,未来会走向同一个终点。



3.3精彩纷呈的Web地图


也许,我用Web来形容地图已经受到了我想象力的限制。但我想表达的是,未来的电子地图会内容更丰富、更好看、更艺术,同时我们不再会受到硬件机能和网速的困扰,想看什么就看什么,想查什么就查什么,喜欢什么风格的地图就能让地图变得那么漂亮。


HT for Web整合OpenLayers实现GIS地图应用


3.4潜力无限的手机APP


坚持要把电子地图分为Web地图和手机APP两种,是因为APP代表了另一个方向,那就是随时随地。也许未来智能手机都成为了古董,可能是头盔?眼镜?眼前的一团空气?总之,把世界随身携带,让人无限期待。



3.5叹为观止的专业化应用


在专业领域面前,大众消费品有时会显得非常普通。既然世界都已在掌握,那么各个行业肯定也会充分应用。未来的工厂里、机床上、飞机中,有可能随时都会呈现出所需的空间信息,让专业人员随时掌握对象的空间要素,不会遗漏每一个细节。行业实在是太多了,这里只能留给各领域的大神自己发挥想象啦。


路由分析


四、结尾


首先,我更关注gis技术而非行业,我看好的很多技术前景未必会由gis行业来实现,事实上,谷歌地球和地图就曾深刻地影响了我们这个行业。眼下,站在变革的十字路口,行业未来如何很难预料。但是gis技术会一直发展下去,会与更多的领域交叉融合,这是一定的。



再者文中提及的大多数技术热点并不是空中楼阁,有的已经广泛应用,有些已有了明晰的技术前景,个别内容略有想象但仍有现实基础。


例如倾斜,近景,高分遥感,室内定位,便携式差分定位等等应用都非常广泛了,市场也逐渐培育了出来;空间分析方面随着地理国情监测这两年的发展,已在很多行业发展出了特有的指标体系,上升到宏观层面是自然而然的趋势;终端应用方面,互联网公司应用gis的规模很大,当然他们更愿意称之为位置服务。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

登录查看更多
10

相关内容

数据获取是指利用一种装置,将来自各种数据源的数据自动收集到一个装置中。
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
基于视觉的三维重建关键技术研究综述
专知会员服务
160+阅读 · 2020年5月1日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
239+阅读 · 2020年4月18日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
2019中国硬科技发展白皮书 193页
专知会员服务
81+阅读 · 2019年12月13日
2019年人工智能行业现状与发展趋势报告,52页ppt
专知会员服务
120+阅读 · 2019年10月10日
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
【深度学习】深度学习技术发展趋势浅析
产业智能官
11+阅读 · 2019年4月13日
深度学习技术发展趋势浅析
人工智能学家
27+阅读 · 2019年4月11日
【学科发展报告】无人船
中国自动化学会
26+阅读 · 2019年1月8日
对比激光SLAM与视觉SLAM:谁会成为未来主流趋势?
人工智能学家
8+阅读 · 2018年11月13日
【机器学习】机器学习:未来十年研究热点
产业智能官
16+阅读 · 2018年11月4日
机器视觉技术的农业应用研究进展
科技导报
7+阅读 · 2018年7月24日
深度相机应用全面梳理:多点开花,定点爆破
计算机视觉life
6+阅读 · 2017年12月13日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Embedding Logical Queries on Knowledge Graphs
Arxiv
3+阅读 · 2019年2月19日
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Arxiv
8+阅读 · 2018年6月19日
Arxiv
5+阅读 · 2018年5月22日
VIP会员
相关VIP内容
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
基于视觉的三维重建关键技术研究综述
专知会员服务
160+阅读 · 2020年5月1日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
3D目标检测进展综述
专知会员服务
191+阅读 · 2020年4月24日
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
239+阅读 · 2020年4月18日
新时期我国信息技术产业的发展
专知会员服务
69+阅读 · 2020年1月18日
2019中国硬科技发展白皮书 193页
专知会员服务
81+阅读 · 2019年12月13日
2019年人工智能行业现状与发展趋势报告,52页ppt
专知会员服务
120+阅读 · 2019年10月10日
相关资讯
自动驾驶汽车技术路线简介
智能交通技术
15+阅读 · 2019年4月25日
【深度学习】深度学习技术发展趋势浅析
产业智能官
11+阅读 · 2019年4月13日
深度学习技术发展趋势浅析
人工智能学家
27+阅读 · 2019年4月11日
【学科发展报告】无人船
中国自动化学会
26+阅读 · 2019年1月8日
对比激光SLAM与视觉SLAM:谁会成为未来主流趋势?
人工智能学家
8+阅读 · 2018年11月13日
【机器学习】机器学习:未来十年研究热点
产业智能官
16+阅读 · 2018年11月4日
机器视觉技术的农业应用研究进展
科技导报
7+阅读 · 2018年7月24日
深度相机应用全面梳理:多点开花,定点爆破
计算机视觉life
6+阅读 · 2017年12月13日
相关论文
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Embedding Logical Queries on Knowledge Graphs
Arxiv
3+阅读 · 2019年2月19日
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Arxiv
8+阅读 · 2018年6月19日
Arxiv
5+阅读 · 2018年5月22日
Top
微信扫码咨询专知VIP会员