太阳成8722(中国)有限公司-GREEN NO.1

本文是《中国测绘》对学院艾廷华教授的专访文章，全文摘自《中国测绘》（第2023年第12期）。

——太阳成8722艾廷华教授谈智能化测绘

作为引领新一轮科技革命和产业变革的战略性技术，人工智能（AI）是当下全球科技和产业竞争的焦点。在过去的数年间，人工智能几乎渗透到科技创新和产业发展的每一个角落，测绘地理信息也在与人工智能的融合发展中，从数字化、信息化测绘时代快步迈进智能化测绘时代。

近年来，随着新一轮科技革命和产业变革的深入发展，智能化转型已经成为大势所趋。人工智能大模型成为人工智能迈向通用智能的里程碑技术，将加速与测绘地理信息技术深度耦合。中国工程院李建成院士就曾提到，人工智能时代，测绘技术的特点是智能化，大数据智能化必将带来测绘学的再次发展。

武汉⼤学资源与环境科学学院艾廷华教授

地图是国际上三大通用语言（音乐、绘画、地图）之一，也是测绘工作最重要的成果和服务形式之一。作为地图制图与地理信息领域的资深学者，太阳成8722艾廷华教授认为，在互联网、大数据、人工智能、可视化等新型技术驱动下，地图制图的内涵与外延已得到极大拓展，产生了诸如泛地图、场景学等新的认知。地图制图的范畴也已从传统的现实世界向虚拟世界、网络空间等泛空间拓展，地图受众对象正从面向人类服务朝着同时面向智能机器方向发展，产生了全息高精度导航地图的概念。

一、智能化时代，测绘与AI “双向奔赴”

步入智能化时代，人工智能已经被视为多种新兴技术和产业转型升级的重要驱动力。其实早在计算机诞生之初，关于机器学习、人工智能的设想和探讨就从未断绝，但直到通用大模型的出现和发展，人工智能技术进入了大模型时代，其巨大生产力才得以被广泛认知。

人工智能是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，从1956年达特茅斯会议上提出人工智能的概念以来，产生了多种智能表达与智能计算模型。先是基于规则推理的“符号主义”，后来出现了模仿相关智能性生命过程、物理过程的“行为主义”，目前发展到模仿神经元复杂结构的“连接主义”。作为AI的专业应用领域，地图制图在AI发展的不同阶段，对AI相关技术成果的应用都有积极响应，并展示出地图学独特的空间型智能技术。

艾廷华认为，智能化测绘既是在人工智能大模型技术冲击下所产生的新的测绘技术体系和生产方式，也是测绘地理信息技术自身向外拓展服务所必须经历的发展阶段。人工智能大模型的学习、理解和推理能力，凸显了其理解和认知垂直领域问题的巨大潜力，对测绘地理信息数据生产与应用的智能化、泛在化具有重要的启发和指导意义。

智能化测绘可以理解为通过人工智能的机器学习等能力、大模型算法等基础工具应用到测绘地理信息领域后，再结合测绘地理信息领域的专业知识、原理，诸如影像解译波谱特征、空间变换尺度效应、时空分析相关性原则等，从而形成的更加智能化的生产体系和更加泛在和普适的应用服务方式。

“当然，智能化测绘并不是AI和测绘机械式、简单化的相加，也不能说智能化测绘是AI发展的附属产物，更应该看到双方的互相结合与双向赋能。AI技术的引入为测绘地理信息提供了新的生产工具，大模型算法、地理信息大数据、测绘专业知识原理等都是智能化测绘不断发展的重要驱动力。此外，地理信息大数据和测绘专业知识的引入也弥补了AI通用大模型对专业领域认知和理解的不足，拓展和衍生了AI大模型的应用服务范围。”艾廷华解释说。

艾廷华教授和学生们在一起

“其实测绘地理信息在发展演进过程中，有诸多特点与AI技术是趋同的。”艾廷华介绍，测绘地理信息和AI技术都呈现出数据密集的特点，数据都是他们的重要驱动力。以地图制图为例，地图制图在AI发展的不同阶段，对AI相关技术成果的应用都有积极响应，并展示出地图学独特的空间型智能技术。

在人工智能“符号主义”早期阶段，认为人的决策、推理等智能行为是基于知识规则的演绎，而规则是由一系列最基础的逻辑单元符号构成。基于数理逻辑理论，构建了由规则库、推理机、用户界面组成的专家系统，是“符号主义”智能表达的典型代表。

在“符号主义”智能化技术驱动下，20世纪90年代地图制图领域也开展了地图制作、分析的专家系统研究，探讨了地图投影决策、空间数据到地图符号转换、地图符号设计等研究，国内地图制图学科最早的一批博士论文研究也集中在该问题的探索上，还推出了专题地图制图专家系统，具备地图色彩自动设计、符号选择等功能。

然而，地图制图专家系统并没有实质性地解决智能化制图问题，地图制图规则、知识提取和建立与人脑完成同样行为的真正的专家知识相去甚远，仅通过地图制图图式规范、专家口述调查和有限的案例分析，无法建立起完善的地图制图规则库。缺乏深层次的非形式化表达的规则描述工具，同时基于数理逻辑的推理机制在规则演绎上也显得力不从心。

人工智能“行为主义”则在控制论思想影响下，认为生命过程、物理过程的进化、控制行为可以用于智能的模拟，将神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来，模拟自寻优、自适应、自镇定、自组织和自学习等智能行为，推出了一系列模拟生命进化过程、物理控制过程的最优化算法。

地图制图技术与“行为主义”智能模型结合，开展了地图制图中符号设计、图面配置、图形综合化简等不确定性问题的优化决策研究，在遗传、蚁群、免疫、模拟退火等一系列优化算法思想上进行了地图空间决策研究，用于诸如地图空间用地选址、时空现象发展趋势预测、空间格局最优化配置、地图注记自动配置等问题的解决。

这些智能决策研究比较零碎，针对不同决策行为采用了不同“行为主义”智能算法，缺乏系统地解决地图制图中智能问题的完整的策略，而且这种行为过程的智能化模拟缺乏可解释性，不能从机理上揭示优化控制的逻辑联系。

人工智能“连接主义”则是通过对复杂神经元结构的模拟，重点关注神经元之间的讯号传输连接，提出了一种当前最有活力的人工智能方法，产生了以深度学习为代表的机器学习方法，在影像地物识别、自然语言处理等领域展示出深度学习的强劲的智能模拟功效。

“连接主义”智能模型运用了梯度下降、局部相关、特征降维等算力增强的策略，实现了对智能行为复杂系统的高效率模拟计算。地图制图与深度学习的结合在前期研究取得了一些成果，这表明深度学习在地图制图领域的时空大数据特征识别、复杂制图过程的决策推理、地图空间模式的智能化认知、地图设计中的艺术创意迁移等方面都有很好的发展前景，在发掘地图空间知识规则、参与自动驾驶导航、高精地图快速构建中可发挥积极作用。

“不难看出，人工智能和地图制图的发展轨迹总是相互关联的，地图制图与深度学习的结合也将是地图学智能化发展的必然途径。”艾廷华总结说，总而言之，智能化测绘是AI与智能化测绘相互结合、深度融合的产物，它既是测绘地理信息智能化转型的必然趋势，也是AI技术从通用模型走向行业应用的必然过程。AI通过深度学习、大模型算法、影响识别等工具和能力，加速了测绘地理信息的智能化进程，而精准时空数据和地理信息知识规则也赋予了AI技术时空属性和时空智能。

二、智能制图与智慧分析，AI+地图的转型趋向

作为长期从事地图综合与空间数据挖掘方面研究的科技工作者，艾廷华对于AI+地图的融合发展有着深入的思考。他告诉记者，地图制图包括地图制作与地图应用两大分支任务，前者完成从数到图的转换，后者完成从图到数的分析应用(地图的应用分析表现为基于地图的处理获得由数表达的空间知识)。这两大分支任务都可与深度学习结合，提升各自智能化水平。

地图的设计制作是一项复杂的系统工程，涉及各种类型数据源的集成加工、空间特征分析提取、地图投影变换、尺度变换与特征抽象概括、符号设计与可视化表达等任务过程。如何寻求新技术的应用，提高计算机制图系统的智能化水平，一直是地图制图领域追求的目标。

“文本处理神器ChatGPT的问世，为文本制图开辟了新路”，艾廷华结合他刚刚完成的一个工作谈到，“使得利用地方志、新闻报道、非规则地名等资料快速制作地图成为可能，我们团队研制的“地名寻诗图”和行政公文的“喂文吐图”就实现了ChatGPT嵌入地图制图技术链，产生了新的地图制图方法。

艾廷华介绍，深度学习技术可贯穿从数据加工、图形设计到地图成果输出的多个环节。地图制作包括制图数据处理与图形生成两个方面，在图形生成中要完成地图制图三大技术过程：地图投影、地图综合和地图符号设计。这些分支任务都可不同程度地融入深度学习方法完成分析决策与智能化处理。

在制图数据处理方面。目前，大数据环境下，各种对地观测数据、社会感知数据、专业传感数据、网络自媒体数据等，为地图制图提供了大量的数据源。这些数据形式多样、类型繁多、结构组织复杂，同时隐藏丰富的信息内容，传统的数据处理方法难以胜任大数据处理的挑战。针对制图数据的分类、特征提取、图形识别等带有决策、判断行为的加工处理，是AI深度学习应用的重要切入点。

“其实，地图除了表达地理现象的空间定位分布，回答‘在何处？’‘有何物？’问题外，正逐渐转向与地学领域知识结合，从空间特征机理、空间因果逻辑上回答‘怎么样？’‘为什么？’的问题。”艾廷华介绍说，这拓宽了地图表达的外延，同时，制图数据源加工处理与地学领域知识的深度结合，将是带有决策、判断能力的AI深度学习模型新的用武之地。此外，运用AI深度学习模型对空间数据做综合判断、关联分析与趋势预测，进而制作空间知识表达的新型地图，将是未来地图制图技术发展的一个重要趋势。

地图综合是地图制作中的重要技术环节，也是地图独有的抽象化空间思维表现形式，地图综合被认为是具有空间抽象思维的高度智能化行为，在地图制图技术体系中，它与AI技术的结合最为活跃。基于大量尺度表达的案例学习训练，可以获取图形简化、信息抽象、特征概括的规则知识，然后通过学习模型实施输入新数据的尺度变换。在大量训练样本下，模型算法通过学习自动获取各种图形特征、结构关系与上下文环境下的地图综合表达规则，只要案例样本的代表性与规模化足够，理论上是可以穷尽不同地图综合规则条件的。

地图制作是具有艺术创意设计的加工过程，地图符号的写意、地图幅面的风格、空间图形组织的态势都蕴含了地图艺术创意设计的内容。地图的表达除了体现空间投影模型与地学知识的科学性、数据处理图形生成的可操作与高效率的技术性外，还要顾及受众的美学感受与视觉认同的艺术特性，科学、技术与艺术三维度统一是地图学的学科特点。

Ai深度学习能够在视觉信息、听觉信息处理中用学习的方法提取图像、音频中的风格模式，因此，基于深度学习不仅可以在图像中发现艺术家的创作风格，还可迁移到新的艺术创作中，用模仿的手段设计类似风格的作品，模拟表达特定文化时代的创作特色。

深度学习技术的应用，使得地图设计在保证内容科学性条件下引入奇特的艺术表现形式，为科学性与艺术性的结合寻找到一条新途径。另外，地图可视化符号的适宜性选择，也可在深度学习支持下完成。在长期的地图设计中积累产生大量地图符号模板、多样的统计图表形式，再针对特定的制图数据从众多的符号样式中选择适宜的可视化符号，是一个典型的决策问题。通过样本的训练应用深度学习实现符号选择，是大数据背景下地图设计的一个新思路。

地图应用分析是地图制图技术的另一项任务，涉及大量识别、判断、推理等决策分析过程，是AI深度学习在地图学中应用的另一个结合点。深度学习模型支持下的地图分析过程有赖于地学领域知识和地图特征样本库的支持。

地图样本库作为学习训练的基础，在地图分析深度学习模型中扮演重要角色。地图样本类型包括不同空间分布特征的空间模式、用地类型、分布格局以及地理学上划分的地貌类型、湿地类型、经济功能区、城市功能区等。其中典型的、具有一定规模的样本训练后深度学习模型具备自我决策能力，能够对新输入的数据自行判别其分区、类型、特征等。

基于地图的决策分析与地学领域知识的结合层次与深度的不同，可以分别完成几何模式、主体特征、空间格局、区域相关等的决策分析；或者基于专业地学知识，实现对地学领域的专业化分析，诸如功能区划分、时空过程趋势预测、地学规律提取等专业应用和服务。

“可以说，AI深度学习能力及大模型算法的引入，为地图制图打通了智能化的技术路径，也为地图分析与应用打开了更广阔的作为空间。”艾廷华不无感慨地说道，当然，目前无论从AI技术的应用还是从地图制图学自身的发展来看，双方要走向深度耦合，还面临着诸多难题。

三、面向深度融合难题，培养多层次复合人才

伴随着深度学习和大模型等工具的日趋成熟，AI+地图或AI+测绘的广阔图景令人期待。但测绘地理信息和地图涉及诸多专业的地学和空间信息学知识体系，目前通用大模型和深度学习能力还不足以完美理解和分析，这在一定程度上制约了AI+和测绘+的应用服务步伐。

艾廷华认为，从技术视角看，目前“深度学习+地图制图”受地图制图技术特定的专业特征、应用环境的影响，在地图数据组织的非规范性、地图目标样本标注的专业性、地理特征与几何特征的集成、学习模型的适宜地图尺度选择等方面存在着难题和挑战。

一是地图数据组织的非规范性。

地图的数据内容是由结构化的地物实体构成，地理要素的类型丰富、结构关系复杂，用于地图存储的数据组织缺乏像图像组织那样规范的像元矩阵结构。

二是地图⽬标样本标注的专业性。

样本库是深度学习的基础，正是具有代表性特征的一定规模的样本训练、学习才使得模型具有自我决策能力。在地图领域建立深度学习模型所依赖的样本的选取、标注需要依赖人的智能决策判断，有些还要一定专业知识支持，难以在短期内建立大规模的样本库。地图样本标注的专业知识需求、典型特征识别的不确定性，增加了地图与深度学习结合的难度。

三是地理特征与几何特征的集成。

地图是地理特征现象的图形化表达，不是一般几何图形的可视化，其中蕴含着深层次的地学领域知识。在地图深度学习模型建立时，既要考虑空间的几何结构，还要顾及地学领域知识。在地图分析中，空间认知对模式识别、特征提取发挥重要作用，而认知参量的定义与度量具有较强的不确定性，寻找合适的模式规则表达的参量也是一个挑战。

四是学习模型的适宜地图尺度选择。

尺度是地图表达的重要特征，它反映了地理空间抽象概括的层次。在地图深度学习模型建立时，尺度特征尤其是数据表达粒度是一个重要影响因素。面向特定智能决策目标，选择何种尺度表达的地图、何种层次的数据粒度作为学习模型的数据处理对象是一个挑战性问题。

“‘千言万语不如一张图’是对地图空间表达能力的一种诠释。为实现该目标，只有将地图与智能技术结合，让地图具备智能化分析、理解的能力，将隐藏在地图背后的知识挖掘出来。”艾廷华说道。

科技、人才、创新，是当下中国经济发展实现高质量增长的关键词，也是中国实现跨越式发展的关键词。而科技创新难题归根到底是人才培育的难题，作为从教多年的资深教育工作者，艾廷华对此也深有感触。他认为，智能化测绘的发展不是能够一蹴而就的，需要从人才这个根本上抓起。

智能化测绘是一个转型升级的历程，也是学科交叉融合的过程，因此要破解智能化测绘难题，就要培育宽口径、强专业的复合型人才。

从学科知识结构上看，人工智能与测绘的结合无疑给学生横了一道高门槛，尽管测绘作为典型的理工科都会要求学生掌握扎实的数学知识，但面对深度学习、知识图谱的众多模型、算法的复杂公式，还是让大部分学生望而生畏。

“在学科交叉融合的背景下，作为教师，首先要做的是培养和重构自己的交叉融合知识体系；其次是引导学生破除对于跨学科知识的恐惧，引导学生走进综合、融合以及复合的知识体系大门里；最后，我认为比较重要的一点是，要分层次、分阶段地去引导学生去探索跨学科知识领域，像‘剥洋葱’一样分层次地去引导性教学，培养面向不同层级、不同方向的多层次人工智能复合型人才。在地理信息人工智能教学中，我告诫学生如果你能深钻到机器学习模型内核可以做‘系统架构师’，掌握了ChatGPT之类LLM工具的垂直开发可以做‘提示工程师’，此外，还可以做样本‘语料喂养师’或者‘样本标注师’。总之要投入到人工智能的潮流中，别担心抢饭碗的事，新技术开启的新机会更多。”艾廷华分析道。

人工智能大模型是信息时代的产物，测绘地理信息以及地图制图更是数据密集和知识庞杂、专业的领域，二者的深度耦合任重而道远。要使得计算机制图系统的创意设计能力向人的大脑行为逼近，让地图分析系统具备类似人脑的智能水平，可谓道阻且长，它有赖于大数据和专业知识的双向驱动，更需要测绘地理信息乃至地学领域的诸多同仁同向共行，不懈求索。