導語

可能很多人不知道，這幾年流行起來直至人盡皆知的“人工智能”學科已經(jīng)有60年的歷史了。而測繪學科更是一門歷史悠久的老學科。

隨著新技術的發(fā)展，人工智能技術迅猛發(fā)展將對各行各業(yè)造成巨大影響。測繪遙感是一個與人工智能密切相關的領域，在人工智能領域迅速發(fā)展的大環(huán)境下，測繪遙感學科既有很好的發(fā)展機遇，也面臨很大的學科危機。

龔健雅院士在學術論文《人工智能時代測繪遙感技術的發(fā)展機遇與挑戰(zhàn)》中：

首先介紹了人工智能的范疇和與測繪遙感相關的領域

然后介紹了人工智能兩大熱門領域——機器視覺和機器學習在攝影測量與遙感領域的應用進展

最后介紹了基于時空大數(shù)據(jù)的認知與推理研究進展，展示了測繪遙感的時空大數(shù)據(jù)在自然和社會感知、認知與推理的應用前景，希望測繪遙感學科在人工智能時代獲得大發(fā)展。

論文發(fā)表于《武漢大學學報·信息科學版》2018年 43卷 12期，“測繪遙感學科發(fā)展高端論壇專刊”。

引用本文：

龔健雅. 人工智能時代測繪遙感技術的發(fā)展機遇與挑戰(zhàn)[J]. 武漢大學學報·信息科學版, 2018, 43(12): 1788-1796
 

無論在學術界、產(chǎn)業(yè)界或是公眾生活中，人工智能都稱得上當前最熱門的一個話題，也是目前發(fā)展最快的一個領域。

回顧人工智能發(fā)展歷程，1956年達特茅斯會議的召開標志著人工智能研究的開啟，歷經(jīng)60年的發(fā)展，兩起兩落，每次興盛都是人工智能算法有了新的突破，比如50年代神經(jīng)網(wǎng)絡理論的提出，80年代反向傳播算法的出現(xiàn)等。而每次低潮又是計算性能和數(shù)據(jù)規(guī)模的局限不能滿足實際應用的需求，從而導致政府和投資的冷落。

自2013年始，以深度學習為代表的神經(jīng)網(wǎng)絡算法為核心，在大數(shù)據(jù)和圖形處理器(gra- phics processing unit, GPU)大規(guī)模應用的推動下，在語音識別、圖像識別領域達到甚至超過了人類平均水平，迎來了人工智能研究的第三次高潮。

如今，人們不僅能頻繁看到人工智能的研究與技術進展的報道，如AlphaGo打敗了人類圍棋手，波士頓動力公司的機器人做出空翻等高難度動作等，也能不時地感受到人工智能對生活的影響，如家中新添的掃地機器人，高鐵進站的“刷臉”，手機即時翻譯等。

這一切無不宣告世界正進入人工智能時代，而且發(fā)展迅猛，影響深遠。人工智能的迅速發(fā)展對各行各業(yè)將造成巨大沖擊，許多行業(yè)可能在這場變革中消失，一些行業(yè)將獲得大發(fā)展。測繪遙感是一個與人工智能關聯(lián)密切的領域，在這樣的背景下既有發(fā)展的機遇，也面臨很大的危機, 本文將著重討論。

人工智能可以分成6個研究方向。①機器視覺，包括三維重建、模式識別、圖像理解等;②語言理解與交流，包括語音識別、合成，人機對話交流，機器翻譯等;③機器人學，包括機械、控制、設計、運動規(guī)劃、任務規(guī)劃等;④認知與推理，包含各種物理和社會常識的認知與推理;⑤博弈與倫理，包括多代理人(agents)的交互、對抗與合作，機器人與社會融合等;⑥機器學習，包括各種統(tǒng)計的建模、分析工具和計算方法等。

前3項是類人的外觀，是與外界接觸的部件。類比人的五官(眼、耳、鼻、舌、身)，人工智能的研究方向中包含了其中三官。機器視覺相當于人的眼睛，語音理解與交互相當于人的耳朵，機器人學主要研究智能機器人的運動器官，包括能夠運動的腳、能夠工作的機械手、能夠空翻的身體等等。

而后3項相當于人腦的功能，認知與推理是智能體需要具備的基本能力，它可以是簡單的認知與推理，也可以是復雜的高級的認知與推理，認知與推理過程可以是計算機算法驅動，也可以是已有規(guī)則或者知識的直接驅動;機器學習是一個增加智能體知識、提高智能體認知與推理水平的過程;博弈與倫理則是更高級的智能，它不僅涉及到智能體與智能體之間的協(xié)同，還涉及到人與智能體之間的協(xié)同與融合。一個智能體可能包含一個或者多個方面的智能，如機器翻譯可能僅包含語言理解和機器學習，但人臉識別可能包括機器視覺、機器學習和認知與推理等。

當一個智能體具備以上6個方面的智能時，就可能進入到強智能時代。

什么時候能夠進入強智能時代，強智能時代的標志是什么，筆者給出了一個例子。如果哪一天機器人與人進行一場足球賽并取得勝利，則可以認為強智能時代已來。原因在于，這種比賽要求機器人不僅具有以上6個方面的能力，且各方面能力應高級到足以打敗人類。人工智能要到達這一水平，可能還需要幾十年的時間。

人工智能的發(fā)展過程中許多衍生的技術是可以用于其他領域的，并且有可能推動其他領域的技術變革。智能科技產(chǎn)業(yè)形成從宏觀到微觀的各領域的智能化新需求，將重塑全球經(jīng)濟結構，催生新技術、新產(chǎn)品、新產(chǎn)業(yè)、新業(yè)態(tài)、新模式，打造智能經(jīng)濟、智能社會和智能生活。

測繪遙感是一個與人工智能密切相關的學科領域。

• 攝影測量與遙感和機器視覺有許多概念、原理、理論、方法與技術上的重疊，它們都是用來感知環(huán)境的技術;其區(qū)別是攝影測量與遙感主要是感知地球和自然環(huán)境，而機器視覺主要是感知智能體關注的目標和環(huán)境，但是它們在數(shù)學和物理上的原理基本相同。
• 機器學習，特別是最近幾年快速發(fā)展的深度學習方法，在機器視覺、模式識別、語音理解等方面得到廣泛有效的應用，可說是一個革命性的技術，在攝影測量與遙感領域也得到廣泛應用。
• 認知與推理是一種更廣義的智能，在時空大數(shù)據(jù)挖掘和智慧城市等方面將大有用武之地。本文將討論機器視覺、機器學習和認知與推理在測繪遙感學科的應用。

機器視覺及其在攝影測量與遙感領域的應用

機器視覺或者稱計算機視覺，是一門研究用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等的學科。廣義上，計算機視覺包括圖像處理、目標重建與識別、景物分析、圖像理解等內(nèi)容。狹義上，計算機視覺通常是通過對采集的圖片或視頻進行處理以獲得相應場景的三維信息，即三維重建。

20世紀40年代，貝爾實驗室的Julesz發(fā)現(xiàn)任意視差圖都可恢復立體感，無需事先識別單幅圖像的含義;而此前心理和神經(jīng)學家認為人需要先感知才能產(chǎn)生立體感。由此Marr認識到復雜的神經(jīng)和心理過程可用直接的數(shù)學計算表達，并提出三維重建的計算視覺理論。他在1982年發(fā)表的《視覺：從計算的視角研究人的視覺信息表達與處理》中詳細分析了二維圖像的表達、立體圖像的對應和重建、算法以及硬件的實現(xiàn)，是計算機視覺的開山之作。

20世紀80年代同時也是計算機視覺的第一段黃金時期。許多經(jīng)典的算法和算子，如Canny邊緣檢測、shape from shading、Hough變換、LoG(Laplace of Gaussian)等都起源于70-80年代。除了圖像處理，早期的計算機視覺同樣關注幾何和三維重建問題。不過，在計算機和數(shù)碼相機還未成熟之前，攝影測量與計算機視覺當時的狀況距離Marr所提倡的三維重建理論依然相去甚遠。

與計算機視覺相似，攝影測量學是一門利用光學像片研究被攝物體的形狀、位置、大小、特性及相互位置關系的學科，簡而言之，攝影測量學是以攝影為工具，以測量為目的。

事實上，攝影測量學的歷史遠早于計算機視覺。19世紀早期，德國教授舒爾茲發(fā)現(xiàn)銀的混合物在日光下會變黑;1839年，法國畫家達蓋爾發(fā)明了銀版攝影法，并制作了世界上第一臺真正的照相機;19世紀中葉，法國測量學家和攝影測量學的先驅Fourcade首先發(fā)現(xiàn)了用立體照片可重建立體視覺，從而促進了攝影測量學的誕生。

在其后漫長的歲月里，相機和照片幫助人們將地球表層地形地物在室內(nèi)重建三維立體，從而將野外測量工作搬運至室內(nèi)。“內(nèi)業(yè)”工作成為主體，照片和攝影測量儀器替代了三腳架、經(jīng)緯儀和標尺，成了主要的研究對象。隨著航空航天技術的發(fā)展，以航空航天飛行器為載體的攝影測量應運而生。

第一次世界大戰(zhàn)中，首臺航攝儀問世，立體坐標量測儀和1318立體測圖儀投入使用，標志著航空攝影測量學的理論、方法與技術體系初步形成。1957年，第一顆衛(wèi)星被發(fā)射到外太空，同時開啟了衛(wèi)星攝影測量時代。

1973年，貝爾實驗室的Boyle和Smith發(fā)明了電荷耦合器件(charge-coupled device，CCD)，促成數(shù)碼相機和數(shù)字攝影測量時代的誕生。以CCD/互補金屬氧化物半導體(complementary l oxide semiconductor, CMOS)數(shù)字成像器件為代表的數(shù)字攝影技術開啟了數(shù)字攝影測量理論與方法的研究。

從此，計算機成為測量的主要工具，數(shù)字影像和攝影測量算法替代了膠片和攝影測量儀器成為主要研究對象，形成了目前的數(shù)字攝影測量理論、方法與技術體系。與此同時，計算機視覺也得到迅猛發(fā)展，并成為計算機領域的一個熱門方向。

90年代后，兩個領域都得到數(shù)碼成像技術和計算機技術的強大推動。僅幾何而言，兩門學科具有同樣的理論基礎，即小孔成像和雙目視覺原理。但在應用和技術細節(jié)上，兩者存在區(qū)別。

如數(shù)字攝影測量主要用于相對靜態(tài)的地形地物測繪，使用航空和航天平臺，所用的相機通常為專業(yè)量測相機;而計算機視覺主要以普通相機、手動和車載移動平臺為主，用于運動目標的實時重建與識別，應用領域包括人臉識別、機器人和無人駕駛車等大眾應用領域。

在技術方法上，如相機檢校，攝影測量一般布設有高精度三維檢校場，而計算機視覺常采用二維平面棋盤。在空中三角測量方面，攝影測量一般用嚴密的光束法區(qū)域網(wǎng)平差，而在計算機視覺中一般稱為從運動恢復結構(structure from motion, SfM)，除了用全局的光束法平差，也采用一些非全局解法，如增量式的局部平差、濾波等;這些差異源于攝影測量需要更高的測量精度。

此外，還有一些近似等價的概念，由于學科的發(fā)展而具有不同的稱呼。如平差中的粗差探測，攝影測量中稱為選權迭代的方法，在計算機視覺中則稱為權衰減法;又如為了處理法方程系數(shù)陣(即Hessian矩陣)接近奇異的問題，計算機視覺中常用L-M(Levenberg-Marquardt)算法，而攝影測量中常用嶺估計法。

一般而言，計算機視覺中理論的嚴密性要高于攝影測量，算法發(fā)展也非常迅速，當然，反過來說，攝影測量在工程和實用性方面可能更占優(yōu)勢。

計算機視覺中的同時定位與地圖構建(simul-taneous localization and mapping, SLAM)已經(jīng)成為一個重要研究支流，是機器人和無人駕駛車的必備技術。

早期的SLAM以激光掃描儀為主，這也是SLAM中Mapping的由來;后來基于視覺的SLAM(Visual SLAM)成為主流，并與攝影測量特別是實時攝影測量在各個研究點上(匹配、平差、定位和重建)都有共同之處。

實際上，Visual SLAM的原理與攝影測量的空中三角測量類似。空中三角測量與SLAM的明顯區(qū)別在于，前者是通過連接點構建航帶，確定航攝儀的6個外方位元素，即攝站定位;而后者在定位的同時生成密集點云。

早在21世紀初，美國為了精確測量“勇氣號”和“機遇號”火星探測器的具體位置，就采用了空中三角測量區(qū)域網(wǎng)平差的原理，根據(jù)每天獲得的火星表面的序列影像，通過匹配同名點，建立“航帶”模型，以此精確計算每個攝站點的坐標位置，以糾正遙測定位產(chǎn)生的誤差。該項目的首席研究員是時任俄亥俄州立大學測量系教授的李榮興博士。

圖1 采用區(qū)域網(wǎng)平差方法為火星機器人導航定位

圖 1所示為“勇氣號”火星探測器基于序列影像采用區(qū)域網(wǎng)平差對火星探測器進行精確導航與定位的示意圖，藍色為遙測的位置，紅色為糾正后的位置。這一實例說明，攝影測量工作者早就采用了區(qū)域網(wǎng)平差的方法為火星機器人導航定位，即Visual SLAM。

由此可見，攝影測量與計算機視覺在原理、方法和應用上都有很多相通的地方。在進入21世紀后，兩者的融合速度又得到進一步提升，它們之間的技術交叉點是無人機和車載移動平臺。攝影測量的一個重要發(fā)展方向是地面移動測量系統(tǒng)，它可以用來采集道路和街景;而計算機視覺同樣關注道路信息的提取與重建，并應用于機器人、城市地圖、智能交通和自動駕駛汽車中。同時，無人機航攝技術除了是攝影測量中的一個方便快捷的測量技術，也是計算機視覺所關注的未來焦點。

由于計算機視覺領域研究學者云集，應用領域又很廣泛，發(fā)展了大量新理論和新方法。攝影測量工作者應在這場技術變革中擁抱新技術，學會跨界融合，并發(fā)揮自己的優(yōu)勢，貢獻自己的智慧，方能使自己的學科立于不敗之地，同時與其他學科一起推動智能科學的發(fā)展。

為了促進測繪遙感學科與計算機視覺的交叉融合，緊跟人工智能領域的技術潮流，國內(nèi)學者組織了專門的人工智能研究團隊，積極行動。圖 2為武漢大學研發(fā)的無人駕駛汽車和機器人。

無人駕駛汽車技術除了可以用于無人駕駛的交通通行以外，一個重要應用是用于無人測繪。無人駕駛汽車上裝載的各種傳感設備除了用于汽車本身的導航定位以外，還可以自動獲取道路及周邊環(huán)境信息，進行自動測量。智能機器人也將廣泛應用于室內(nèi)外測量，特別是一些困難和危險地區(qū)，如煤礦井下測量等。一方面，測繪遙感學者在人工智能大潮中參與人工智能技術的發(fā)展，另一方面，人工智能技術的進步將推動測繪遙感技術更深層次的變革。

機器學習及其在攝影測量與遙感領域的應用

當前人工智能發(fā)展的一個重要方向是機器學習。從1955年John McCarthy提出人工智能的概念以來，機器學習就作為人工智能的一個重要方向。機器學習的基本原理是尋找某種函數(shù)，能從數(shù)據(jù)與類別之間得到正確或最佳的映射?；诮y(tǒng)計學習的思想不僅長期應用于機器學習，在攝影測量與遙感領域也得到廣泛應用，如監(jiān)督和非監(jiān)督目標識別與分類方法?；趥鹘y(tǒng)統(tǒng)計學習的遙感影像的監(jiān)督與非監(jiān)督分類以及經(jīng)典的神經(jīng)元網(wǎng)絡方法的研究進展一直很慢，目標識別的準確度和分類精度難以大幅提高，機器學習有效地改變了這一現(xiàn)狀。

2006年，Hinton的研究表明，采用一種逐層的貪心算法可實現(xiàn)深度神經(jīng)元網(wǎng)絡的訓練，深度學習的概念由此浮出水面。

深度學習算法的突破來自于LeCun Yann、Bengio Yoshua和Hinton Geoffrey 3位科學家在深度卷積網(wǎng)絡方面的杰出工作。他們通過多層的深度卷積處理抽取圖像的抽象特征，而這原本深度依賴算法設計者的經(jīng)驗。目前的研究進展已經(jīng)有能力訓練一個深度網(wǎng)絡，根據(jù)目標任務的不同來選取不同的特征，實現(xiàn)了人工智能方法和實踐上的突破。

2012年，在ImageNet挑戰(zhàn)賽中，深度學習的方法奪得第一，并一舉超過傳統(tǒng)機器學習方法10個百分點;而第二至第四名相差不超過1%，顯示了傳統(tǒng)方法的天花板。隨后的大量實驗表明，無論在圖像分類、物體識別、語音識別、遙感應用等關于學習和語義的研究領域，深度學習都占據(jù)上風，深度學習的時代由此開啟。

除了自然語言處理(natural language processing, NLP)以外，深度學習最重要的應用是在視覺圖像上，如手寫字體識別、自然圖像分類[18]和目標檢索等等。深度學習在計算機視覺領域得到廣泛應用，推動了人臉識別、機器人和無人駕駛車等相關技術的蓬勃發(fā)展。由于攝影測量的研究對象也是視覺圖像，因此攝影測量也成為深度學習發(fā)展最受益的學科之一。

攝影測量的兩個主要任務是目標幾何定位和屬性的提取，包括從二維像片重建三維幾何以及地物要素分類。將深度學習應用于幾何定位目前還未進入攝影測量研究領域，但已經(jīng)出現(xiàn)在密切相關的計算機視覺領域，如SfM與SLAM。然而，深度學習方法的定位精度目前尚不能同傳統(tǒng)的方法相比，約相差一個數(shù)量級。對于三維重建中的關鍵技術——密集匹配，深度學習已經(jīng)取得很好的應用效果。如在KITTI等標準數(shù)據(jù)集上，前10名的方法都是深度學習方法，展現(xiàn)了深度學習方法的應用潛力。

深度學習在攝影測量領域的另一個主要任務，即影像的語義提取方面，則取得了重要進展，并開始普及應用。

基于圖像的建筑、道路網(wǎng)等地物的提取數(shù)十年來一直是熱門課題。雖然經(jīng)典方法取得一定的效果，但距離實用、市場、商業(yè)軟件尚有一定的距離。卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)目前已成為道路網(wǎng)提取的主流方法。

表 1為肖志鋒等開發(fā)的基于深度學習方法的遙感影像內(nèi)容檢索系統(tǒng)。從表 1可以看出，這里采用的基于深度級聯(lián)降維網(wǎng)絡的遙感圖像特征提取方法(deep convolutional neural network, DCNN)的查全率和精度大大高于傳統(tǒng)的LBF-HF(local binary pattern histogram Fourier)和EFT-HOG(the elliptic Fourier transform-histogram of oriented gradients)方法，其精度高出了20%~30%。

基于深度學習的方法除了可有效地用于遙感影像的地物分類與目標檢索以外，在其他攝影測量與遙感數(shù)據(jù)處理方面也有廣泛用途。例如，胡翔云等采用深度學習方法進行激光雷達(light detection and ranging, LiDAR)點云數(shù)據(jù)處理。山地林區(qū)的點云數(shù)據(jù)濾波，從點云數(shù)據(jù)提取數(shù)字高程模型，自動化很難實現(xiàn)，一般需要人機交互作業(yè)，耗費大量人力物力。目前該小組采用機器學習方法，在人機交互作業(yè)過程中進行訓練，學習到知識，然后再應用于點云數(shù)據(jù)的自動處理中，自動處理的準確率達到95%以上，大大提高了作業(yè)效率。

圖 3所示為廣東某地的點云提取的地形斷面，可以看出，該地區(qū)相當復雜，但是用深度學習獲取的地面模型斷面還是相當準確的(紅色曲線)。這說明深度學習方法在點云數(shù)據(jù)自動處理方面有很好的應用前景。同理，深度學習方法在測繪領域的其他方面，特別是需要人機交互數(shù)據(jù)處理等方面，如影像變化檢測、地圖綜合，也將發(fā)揮重要作用，使之更加智能化和自動化。

基于時空大數(shù)據(jù)認知與推理

人機物三元世界(物理世界、人類社會、信息空間)是一個多人、多機、多物組成的動態(tài)開放的網(wǎng)絡社會，如圖 4所示。

在這個三元世界中：

一方面，人們采用測量、遙感、野外調查和最近興起的傳感網(wǎng)技術獲取物理世界的信息;

另一方面，人們應用社會調查以及近幾年興起的互聯(lián)網(wǎng)、智能手機、導航設備、可穿戴設備和監(jiān)控視頻等工具獲取人類社會經(jīng)濟信息。這些信息形成了多種多樣的海量時空大數(shù)據(jù)。這些數(shù)據(jù)成為對物理世界和人類社會認知與推理的源泉，這也是人工智能的使命之一，而且是用于輔助決策的高級智能。

與計算機視覺和深度學習等人工智能領域具有的比較完善的理論與方法不同，對物理世界和人類社會認知與推理的人工智能的理論與方法目前還很不成熟，并且不成體系。但是這并不妨礙人們在人工智能的框架下采用大數(shù)據(jù)分析方法開展智慧城市、智能社區(qū)的研究與應用。

經(jīng)過幾十年的發(fā)展，地理信息系統(tǒng)已經(jīng)有了比較完善的空間分析理論與方法體系。但是，加入了傳感網(wǎng)和社會感知設備的時空數(shù)據(jù)分析與挖掘的理論與方法還不夠成熟，目前正處于快速發(fā)展之中。

時空數(shù)據(jù)可分為兩類不同類型，一類來自測繪遙感及地面?zhèn)鞲芯W(wǎng)的反映地球表層及環(huán)境特征的時空數(shù)據(jù);另一類是來自社會感知設備，包括互聯(lián)網(wǎng)、智能手機、導航設備、可穿戴設備、視頻監(jiān)控設備以及社會調查獲取的時空數(shù)據(jù)，它主要反映人為活動及社會經(jīng)濟形態(tài)特征。第一類數(shù)據(jù)比較規(guī)范，適于數(shù)值分析與計算，所以通常采用數(shù)學模型來進行模擬及預測分析。

例如，陳能成等采用航空航天遙感與傳感網(wǎng)集成技術建立了長江流域對地觀測傳感網(wǎng)系統(tǒng)，該系統(tǒng)除包含航空航天遙感數(shù)據(jù)、基礎地理信息數(shù)據(jù)以外，還包含了氣象、水文、航標、土壤濕度等32種共上萬個地面?zhèn)鞲芯W(wǎng)實時數(shù)據(jù)。通過這些實時動態(tài)數(shù)據(jù)，能對流域內(nèi)的水庫和河流的水位、水量、泥沙、河道進行分析和預測，實現(xiàn)水利的智能調度，為蓄水發(fā)電和防洪抗旱等提供決策支持。圖 5為長江流域天空地對地觀測傳感網(wǎng)示意圖。

來自社會感知設備的時空數(shù)據(jù)是一種新型數(shù)據(jù)，它的結構和形式更加多樣。例如互聯(lián)網(wǎng)數(shù)據(jù)主要以多媒體的文本數(shù)據(jù)為主，導航軌跡數(shù)據(jù)是流式的點坐標數(shù)據(jù)，視頻監(jiān)控數(shù)據(jù)是圖像數(shù)據(jù)，而智能手機數(shù)據(jù)則有文本、點坐標和圖像等多種數(shù)據(jù)。

這些數(shù)據(jù)復雜多樣，有些時空標簽明顯，有些則需要經(jīng)過分析處理才能添加時空標簽。目前多個領域的學者，包括計算機應用、測繪遙感、地理信息科學、城市規(guī)劃與管理等，都對社會感知的時空數(shù)據(jù)感興趣，認為該數(shù)據(jù)是社會科學與信息領域交叉的新興學科，是建設智能城市和智慧社區(qū)的有效手段。

社會感知時空數(shù)據(jù)包含了多源、異構、海量的數(shù)據(jù)的同時包含了復雜的社會網(wǎng)絡關系。針對社會感知的時空數(shù)據(jù)分析方法主要包含以下方面:

①數(shù)據(jù)預處理：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)歸約、數(shù)據(jù)變換;

②時空分析：時間序列分析、空間自相關分析、空間聚類分析;

③網(wǎng)絡分析：網(wǎng)絡的構建、學習與發(fā)現(xiàn);

④時空挖掘：文本挖掘、特征建立、學習與知識模式的提取。

通過時空數(shù)據(jù)分析與挖掘來揭示人類社會活動及行為規(guī)律。圖 6為方志祥等使用深圳市民手機移動位置信息勾畫了深圳人活動空間的主要范圍和熱點區(qū)域(圖 6(a))，并探測出社區(qū)的邊界(圖 6(b))。利用社會感知時空大數(shù)據(jù)揭示城鎮(zhèn)居民社會行為及活動規(guī)律是比人臉識別、三維建模、語言翻譯等更加復雜、更高級的人工智能。

結語

人工智能正在掀起一場技術革命和產(chǎn)業(yè)革命，測繪遙感既是人工智能技術的受益者，又是人工智能技術的貢獻者。攝影測量從靜態(tài)走向動態(tài)與實時，并將與計算機視覺深度融合;遙感應用人工智能技術解決影像解譯、信息自動提取問題;互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、傳感網(wǎng)獲取的海量時空數(shù)據(jù)是人工智能的血液，為機器學習、智能抉擇與服務提供支撐。

本文首先回顧了攝影測量與機器視覺的歷史，并分析了兩者間的緊密聯(lián)系。然后，介紹了深度學習以及卷積神經(jīng)元網(wǎng)絡的基本思想;分析了攝影測量與遙感、計算機視覺、機器學習等領域的相關發(fā)展，以及深度學習在遙感影像目標檢索與激光測高數(shù)據(jù)處理中的應用;最后，分析了測繪遙感與社會感知方法獲取的時空數(shù)據(jù)對自然和社會認知與推理的潛力，介紹了基于時空大數(shù)據(jù)的流域與城市智能管理和分析中的應用。

面對人工智能的迅猛發(fā)展，攝影測量工作者是僅跟蹤應用計算機視覺成果，還是主動作為;是僅應用現(xiàn)有的深度學習方法，還是構建新的遙感深度學習網(wǎng)絡;社會感知信息如何與測繪遙感信息融合用于揭示自然物理空間發(fā)展和人類社會行為及活動規(guī)律，發(fā)展更高級更復雜的人工智能;這些是測繪遙感工作者面臨的新任務和新挑戰(zhàn)。