在空間信息領(lǐng)域，Esri自然少不了在這方面的積極參與和布局。
在今年3月在美國加州舉辦的第十三屆Esri全球開發(fā)者大會上，Esri高級分析主管奧馬爾﹒馬赫演示了ArcGIS平臺結(jié)合人工智能機(jī)器學(xué)習(xí)算法對猶他州每個路段每小時的事故概率進(jìn)行預(yù)測。
他談到，引起一場交通事故的原因有很多種，比如溫度、風(fēng)速、能見度、雪的深度、道路寬度、限速等，類似的變量可能會有幾十種。如果想對累積了7年的交通數(shù)據(jù)進(jìn)行手動分析并做出預(yù)測，這其中涉及40萬起交通事故和50萬個路段，想必任何一個人都難以做到。但是，現(xiàn)在我們可以把這些數(shù)據(jù)都交給機(jī)器，讓它來幫助我們尋找其中的規(guī)律，并預(yù)測可能出現(xiàn)的風(fēng)險(xiǎn)。
馬赫指出，ArcGIS早就提供了機(jī)器學(xué)習(xí)的工具，這些工具大致分為三類：分類、聚合和預(yù)測。其中，可以利用預(yù)測類工具來預(yù)測全球氣候變化對當(dāng)?shù)貧鉁氐挠绊?，用時空立方體工具箱進(jìn)行熱點(diǎn)分析和時空模型挖掘，用影像分類工具對影像中的建筑物、道路、植被、水體等進(jìn)行識別。
尤其是在今年年初發(fā)布的ArcGIS 10.6中，更是集成了Microsoft CNTK、TensorFlow深度學(xué)習(xí)框架。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的進(jìn)階，ArcGIS 10.6提供了系列工具可對影像進(jìn)行分類和識別。具體操作為，通過ArcGIS Pro生成訓(xùn)練樣本，用這些樣本對TensorFlow或者CNTK框架構(gòu)建的模型進(jìn)行訓(xùn)練，再把模型導(dǎo)入到ArcGIS Pro中，就可對數(shù)據(jù)進(jìn)行分類和可視化了。在上面的例子中，通過類似的操作，結(jié)果顯示，在猶他州的高速公路、洲際公路以及部分拐彎路段均屬于事故高發(fā)路段。
人工智能在GIS里另一個有趣的案例是使用機(jī)器學(xué)習(xí)算法預(yù)測駕駛時間，通過挖掘歷史數(shù)據(jù)，根據(jù)每條道路在每天各個時刻的擁堵情況，預(yù)測未來某一天在某個地方開車3分鐘能到達(dá)的區(qū)域。除此之外，其它類似應(yīng)用還包括對象檢測、ETA預(yù)測、自動化數(shù)字化道路等。
{{item.content}}