地圖綜合智能化研究的發(fā)展與思考

　　摘要：地圖綜合是地圖制圖和多尺度空間數(shù)據(jù)變換的核心與關(guān)鍵技術(shù)。20世紀(jì)60年代以來，數(shù)字地圖數(shù)據(jù)的自動(dòng)綜合研究逐漸展開并取得了長足的進(jìn)步，囿于人工智能技術(shù)的限制，地圖綜合的智能解決方法雖有不少成果，但距離真正的智能化、實(shí)用化仍有一定的距離。近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)應(yīng)用于諸多研究領(lǐng)域并取得顯著成效，地圖綜合的智能化研究也有諸多新的嘗試。首先，在歸納自動(dòng)地圖綜合研究模式的基礎(chǔ)上，闡述了智能地圖綜合研究的必要性;然后，結(jié)合人工智能發(fā)展歷程回顧智能地圖綜合研究，梳理和分析了基于傳統(tǒng)機(jī)器學(xué)習(xí)與基于深度學(xué)習(xí)的智能地圖綜合研究現(xiàn)狀，并歸納了地圖綜合智能化研究的主要方法;最后，圍繞地圖綜合智能化研究中的幾個(gè)熱點(diǎn)問題，探討了智能地圖綜合的發(fā)展趨勢。

　　關(guān)鍵詞：地圖綜合;機(jī)器學(xué)習(xí);深度學(xué)習(xí);智能化

　　地圖綜合的目的是解決縮小、簡化的地圖表象與實(shí)地復(fù)雜現(xiàn)實(shí)之間的矛盾[1]，涵蓋了利用大比例尺地圖派生小比例尺地圖的全過程。20世紀(jì)60年代，計(jì)算機(jī)數(shù)字制圖的開展使得地圖學(xué)界萌發(fā)出利用計(jì)算機(jī)編程實(shí)現(xiàn)自動(dòng)地圖綜合的想法，這一想法成為日后最具挑戰(zhàn)性的研究難題之一。近60年來，地圖綜合效果、自動(dòng)化程度都有了顯著提高，自動(dòng)地圖綜合理論與方法也取得了巨大進(jìn)展。國內(nèi)外學(xué)者已經(jīng)開展過一些對于自動(dòng)地圖綜合研究進(jìn)展梳理、總結(jié)的綜述。

　　例如，通過對早期計(jì)算機(jī)輔助自動(dòng)綜合研究的基本問題進(jìn)行梳理，針對早期點(diǎn)、線、面要素幾何層次的自動(dòng)綜合方法進(jìn)行的回顧和總結(jié)[2];從地圖綜合的定量描述、自動(dòng)綜合的模型算法和知識(shí)、自動(dòng)綜合的人機(jī)交互、自動(dòng)綜合的過程控制和質(zhì)量保證等方面展開重點(diǎn)論述的自動(dòng)綜合研究進(jìn)展[3];回顧1966年—2006年自動(dòng)地圖綜合的發(fā)展歷程，對具有代表性的自動(dòng)綜合模型、自動(dòng)綜合過程、自動(dòng)綜合算子與算法等進(jìn)行的梳理與評述[4];對模型綜合時(shí)代和數(shù)字綜合時(shí)代下具有代表性的自動(dòng)綜合理論、觀念、技術(shù)的演進(jìn)與變化進(jìn)行的分析與總結(jié)[5];按地圖綜合處理流程組織自動(dòng)綜合研究內(nèi)容，系統(tǒng)回顧綜合知識(shí)的分類與獲取、綜合的算子與算法、質(zhì)量評價(jià)、過程建模與控制等方面的地圖綜合研究進(jìn)展[6]等。

　　這些綜述性文獻(xiàn)分別從不同視角對地圖自動(dòng)綜合進(jìn)行了梳理、總結(jié)與展望。近年來，隨著人工智能技術(shù)的快速發(fā)展，利用人工智能理論與方法學(xué)習(xí)、模擬地圖綜合的智能化研究得到展開。本文在分析現(xiàn)有的地圖綜合研究方法的基礎(chǔ)上，指出數(shù)據(jù)驅(qū)動(dòng)的智能地圖綜合研究的必要性;并回顧智能地圖綜合的研究歷程、分析智能地圖綜合研究現(xiàn)狀、歸納智能地圖綜合研究思路，進(jìn)一步探討智能地圖綜合研究的發(fā)展趨勢。

　　1智能地圖綜合研究的必要性

　　1.1“自上而下”的經(jīng)典自動(dòng)綜合模式

　　長期以來，自動(dòng)地圖綜合研究采用“自上而下”的研究模式，即通過人為模擬地圖綜合任務(wù)實(shí)現(xiàn)自動(dòng)化應(yīng)用。首先，通過觀察、記錄、分析地圖綜合任務(wù)，人為地提取、總結(jié)、抽象出與地圖綜合任務(wù)相適應(yīng)的、明確的地圖綜合知識(shí);然后，將人為明確的地圖綜合知識(shí)翻譯成計(jì)算機(jī)能夠處理的地圖綜合約束，以此控制、指導(dǎo)方法過程設(shè)計(jì);最后，利用程序語言對構(gòu)建的約束過程進(jìn)行編譯，實(shí)現(xiàn)對地圖綜合任務(wù)的自動(dòng)化模擬。這種模式能夠確保地圖綜合知識(shí)應(yīng)用的有效性和自動(dòng)化過程的可控性，符合人類對任務(wù)模擬的認(rèn)知過程，具有良好的可解釋性，很多經(jīng)典地圖綜合問題都采用此模式進(jìn)行自動(dòng)化研究。

　　例如，分析認(rèn)知規(guī)律、總結(jié)制圖經(jīng)驗(yàn)發(fā)現(xiàn)，人工化簡線要素時(shí)常以彎曲作整體單元進(jìn)行處理，由此產(chǎn)生了很多具有代表性的基于彎曲的線要素自動(dòng)綜合方法[7-11];進(jìn)一步地，結(jié)合具體應(yīng)用場景、顧及編繪規(guī)范，特殊線要素綜合還要顧及專門的幾何約束和地理約束，由此產(chǎn)生了專門針對某些線要素的特殊彎曲綜合方法[12-16]。

　　1.2經(jīng)典自動(dòng)綜合模式中的瓶頸

　　經(jīng)典自動(dòng)地圖綜合模式利用可理解的地圖綜合知識(shí)約束自動(dòng)化過程，通過“知識(shí)—約束—過程—結(jié)果”的層層遞進(jìn)，“自上而下”地模擬地圖綜合。然而，地圖綜合知識(shí)獲取及其在“知識(shí)—約束—過程—結(jié)果”傳遞過程中不可避免的完備性和準(zhǔn)確性損失，導(dǎo)致“自上而下”地實(shí)現(xiàn)自動(dòng)地圖綜合存在瓶頸，主要表現(xiàn)在以下兩個(gè)方面：

　　1)人為明確的綜合知識(shí)難以全面、準(zhǔn)確地描述地圖綜合任務(wù)。地圖綜合知識(shí)體量龐大、錯(cuò)綜復(fù)雜、應(yīng)用靈活，更隱含于制圖員的經(jīng)驗(yàn)認(rèn)識(shí)、主觀感受和具體行為中，即使通過調(diào)查問卷、現(xiàn)場訪談、觀察記錄法、眼動(dòng)實(shí)驗(yàn)等手段能夠?qū)⒉糠帜：�知識(shí)明確化、客觀化，但未必足夠準(zhǔn)確，也幾乎無法窮盡，更難以理清知識(shí)間的相互影響。因此，經(jīng)典自動(dòng)綜合模式要求準(zhǔn)確、完備的地圖綜合知識(shí)和“自上而下”難以清晰、準(zhǔn)確窮盡地圖綜合知識(shí)形成了矛盾，導(dǎo)致了經(jīng)典自動(dòng)綜合模式出現(xiàn)瓶頸。

　　2)地圖綜合知識(shí)傳遞過程中不可避免地存在損失。利用地圖綜合知識(shí)設(shè)計(jì)、實(shí)現(xiàn)約束驅(qū)動(dòng)的地圖綜合自動(dòng)化過程中，受程序員對地圖綜合知識(shí)認(rèn)識(shí)的局限性以及方法過程設(shè)計(jì)的多樣性影響，“自上而下”實(shí)現(xiàn)的自動(dòng)地圖綜合未必對已知地圖綜合知識(shí)進(jìn)行了準(zhǔn)確、全面的利用。因此，經(jīng)典自動(dòng)綜合模式對“知識(shí)—約束—過程—結(jié)果”的嚴(yán)格對應(yīng)要求和“自上而下”難以實(shí)現(xiàn)地圖綜合知識(shí)對自動(dòng)綜合過程的有效指導(dǎo)和準(zhǔn)確約束形成了矛盾，進(jìn)一步導(dǎo)致經(jīng)典自動(dòng)綜合模式出現(xiàn)瓶頸。

　　1.3“自下而上”的智能地圖綜合模式

　　人為提取、解釋、利用地圖綜合知識(shí)的不完備和不準(zhǔn)確導(dǎo)致“自上而下”地實(shí)現(xiàn)自動(dòng)地圖綜合出現(xiàn)瓶頸，利用人工智能技術(shù)從地圖綜合成果中學(xué)習(xí)、模擬地圖綜合成為突破瓶頸的關(guān)鍵。這種數(shù)據(jù)驅(qū)動(dòng)的“自下而上”的智能地圖綜合模式，即利用人工智能技術(shù)從地圖綜合成果中發(fā)現(xiàn)地圖綜合知識(shí)、學(xué)習(xí)地圖綜合任務(wù)，使學(xué)習(xí)后的智能體能夠?qū)Φ貓D綜合任務(wù)進(jìn)行自動(dòng)化模擬。該模式減少了人的主觀干預(yù)，增強(qiáng)了自動(dòng)地圖綜合的客觀性和適應(yīng)性。特別是，人工智能技術(shù)拉近了從人工地圖綜合到自動(dòng)地圖綜合距離。

　　人工智能技術(shù)既能夠從數(shù)據(jù)成果中發(fā)現(xiàn)機(jī)器可理解的地圖綜合知識(shí)，又能夠利用這些知識(shí)指導(dǎo)地圖綜合的學(xué)習(xí)模擬;既緩解了人為提取地圖綜合知識(shí)的不完備性，又降低了人為設(shè)計(jì)約束過程的主觀性;既發(fā)揮了其對解決非線性問題的優(yōu)勢，又利用了其對人類心智、行為活動(dòng)的學(xué)習(xí)模擬能力。因此，數(shù)據(jù)驅(qū)動(dòng)的智能地圖綜合研究具有理論必然性。

　　2智能地圖綜合的研究歷程

　　人工智能起源于1956年的達(dá)特茅斯會(huì)議，發(fā)展歷程跌宕起伏[17]，其中，深度學(xué)習(xí)的提出[18]具有里程碑意義，引發(fā)了前所未有的人工智能研究浪潮。人工智能與地理信息科學(xué)研究相結(jié)合，形成以GeoAI為代表的諸多研究成果[19]，也引發(fā)了智能地圖制圖的諸多思考[20-22]。這里以深度學(xué)習(xí)為分界點(diǎn)，系統(tǒng)梳理基于傳統(tǒng)機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的智能地圖綜合研究成果，歸納當(dāng)前智能地圖綜合的兩種研究思路。

　　2.1基于傳統(tǒng)機(jī)器學(xué)習(xí)的智能地圖綜合研究

　　人工智能的提出到深度學(xué)習(xí)的應(yīng)用，60多年的人工智能研究中涌現(xiàn)出很多經(jīng)典機(jī)器學(xué)習(xí)方法[23]。傳統(tǒng)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)便捷、效果穩(wěn)定，已應(yīng)用于地圖綜合研究的各個(gè)方面。本文從地圖綜合知識(shí)獲取、算子和算法、過程控制和質(zhì)量評價(jià)4個(gè)方面，回顧基于傳統(tǒng)機(jī)器學(xué)習(xí)的智能地圖綜合研究成果。

　　2.1.1基于傳統(tǒng)機(jī)器學(xué)習(xí)的地圖綜合知識(shí)獲取研究

　　地圖綜合知識(shí)獲取旨在識(shí)別、發(fā)現(xiàn)地圖綜合知識(shí)。利用傳統(tǒng)機(jī)器學(xué)習(xí)方法，能夠從地圖數(shù)據(jù)成果中發(fā)現(xiàn)影響地圖綜合的數(shù)據(jù)特征知識(shí)和綜合過程知識(shí)。數(shù)據(jù)特征知識(shí)包含影響地圖綜合的形態(tài)特征、分布特征和語義特征。例如，利用K-Means進(jìn)行非監(jiān)督學(xué)習(xí)，可實(shí)現(xiàn)對不同形態(tài)特征線要素的識(shí)別與區(qū)分[24-25]，為線要素綜合算法選擇和設(shè)計(jì)提供了必要的形態(tài)特征知識(shí)。

　　利用隨機(jī)森林來區(qū)分影響建筑群綜合的不同空間分布模式[26];基于道路網(wǎng)眼特征分別構(gòu)建SOM、DT、PCA分類器[27-29]，或基于離散化弧段特征學(xué)習(xí)構(gòu)建SVM分類器[30]，用來識(shí)別道路網(wǎng)的網(wǎng)格分布模式;通過構(gòu)建NBM分類器，用來區(qū)分河網(wǎng)的主支流分布[31]等，這些方法都為建筑群、路網(wǎng)、河網(wǎng)綜合提供分布特征知識(shí)。而利用SVM、DT識(shí)別不同建筑群的功能類型[32]，利用SOM提取平行道路[33]，基于SVM識(shí)別天橋主橋[34]，則為居民地、道路網(wǎng)綜合提供了必要的語義信息支撐。

　　綜合過程知識(shí)是指影響地圖綜合過程中涉及的約束、原則以及它們的組織、結(jié)構(gòu)、順序等。文獻(xiàn)[35]認(rèn)為利用DT學(xué)習(xí)地圖綜合過程知識(shí)具有可行性，文獻(xiàn)[36]利用DT、SVM等傳統(tǒng)機(jī)器學(xué)習(xí)方法從數(shù)據(jù)成果中挖掘居民地選取中的隱含原則，實(shí)現(xiàn)了地圖綜合過程知識(shí)的推理發(fā)現(xiàn)。

　　2.1.2基于傳統(tǒng)機(jī)器學(xué)習(xí)的地圖綜合算子和算法研究

　　不同學(xué)者劃分的地圖綜合算子并不相同，本文圍繞地圖綜合最常用的選取、化簡、移位算子[6]梳理基于傳統(tǒng)機(jī)器學(xué)習(xí)的地圖綜合算子和算法研究現(xiàn)狀。

　　1)選取選取算子通過有選擇地刪除一些對象達(dá)到綜合、概括的目的，選取可以看作是個(gè)體依據(jù)其包含的地圖綜合相關(guān)特征執(zhí)行的取舍二分類任務(wù)。機(jī)器學(xué)習(xí)方法適于處理分類任務(wù)[23]，特別是傳統(tǒng)機(jī)器學(xué)習(xí)算法在二分類任務(wù)應(yīng)用于廣泛、效果良好。因此，基于要素幾何、拓?fù)�、語義等特征，利用傳統(tǒng)機(jī)器學(xué)習(xí)方法構(gòu)建、學(xué)習(xí)、擬合要素取舍決策的選取算子研究相對較多，在點(diǎn)群、面群、線網(wǎng)選取中都有所嘗試。例如，針對點(diǎn)群要素選取，有基于GA的點(diǎn)群選取模型[37]，基于BPNN的水深選取監(jiān)督學(xué)習(xí)方法[38]，以及利用SOM實(shí)現(xiàn)的點(diǎn)狀居民地選取的非監(jiān)督學(xué)習(xí)方法[39]。

　　針對面群要素選取，以面狀居民地為研究對象，有分別利用DT、K-NN、PCA學(xué)習(xí)構(gòu)建的面狀居民地選取模型[40-42]，以及DT、K-NN、NBM、SVM等經(jīng)典機(jī)器學(xué)習(xí)方法在面狀居民地選取中的應(yīng)用效果研究[43];類似的，傳統(tǒng)機(jī)器學(xué)習(xí)方法在設(shè)計(jì)面狀湖泊群選取算子[44]中也有所應(yīng)用。針對線網(wǎng)選取，以道路網(wǎng)為研究對象，有基于道路特征構(gòu)建BPNN、DT的取舍模型[45-46]，基于Stroke特征構(gòu)建的BPNN、SVM取舍模型[47-48]，這些方法分別實(shí)現(xiàn)了對道路取舍的監(jiān)督學(xué)習(xí);而道路取舍的非監(jiān)督學(xué)習(xí)則有學(xué)者利用SOM來實(shí)現(xiàn)[49];至于不同學(xué)習(xí)方式的諸多傳統(tǒng)機(jī)器學(xué)習(xí)方法對道路取舍的學(xué)習(xí)模擬效果，也有學(xué)者對其進(jìn)行了驗(yàn)證比較[50-51]。類似地，傳統(tǒng)機(jī)器學(xué)習(xí)方法在河網(wǎng)選取[52]中也有所嘗試。

　　2)化簡化簡算子相對復(fù)雜，包含幾何形態(tài)化簡及其基礎(chǔ)上的空間結(jié)構(gòu)化簡。幾何形態(tài)化簡研究相對較多[6]，當(dāng)前基于傳統(tǒng)機(jī)器學(xué)習(xí)的幾何形態(tài)化簡算法研究大體分為矢量思路和柵格思路兩種。矢量思路通過對構(gòu)成待化簡對象矢量單元處理過程的學(xué)習(xí)模擬，設(shè)計(jì)、實(shí)現(xiàn)化簡算法。根據(jù)矢量單元處理過程不同，還可進(jìn)一步細(xì)分：

　　(1)將化簡過程抽象為頂點(diǎn)、彎曲的取舍過程，利用傳統(tǒng)機(jī)器學(xué)習(xí)方法擬合取舍任務(wù)，例如，利用GA[53]、ACO[54]、SVM[55]學(xué)習(xí)擬合頂點(diǎn)或彎曲取舍任務(wù)實(shí)現(xiàn)化簡;

　　(2)將化簡過程抽象為頂點(diǎn)、彎曲的聚類過程，利用傳統(tǒng)機(jī)器學(xué)習(xí)算法解決聚類問題，例如，利用SOM實(shí)現(xiàn)基于頂點(diǎn)特征的自適應(yīng)聚類達(dá)到化簡的目的[56]。柵格思路利用機(jī)器學(xué)習(xí)在柵格數(shù)據(jù)處理中的優(yōu)勢，基于矢柵轉(zhuǎn)換、從柵格層次學(xué)習(xí)模擬化簡過程，設(shè)計(jì)、實(shí)現(xiàn)化簡算法。

　　例如，有學(xué)者利用移動(dòng)窗口追蹤居民地輪廓、截取柵格圖像，利用BPNN學(xué)習(xí)構(gòu)建從局部圖像到窗口移動(dòng)方向的映射，通過追蹤移動(dòng)窗口實(shí)現(xiàn)單個(gè)居民地輪廓化簡[57]�？臻g結(jié)構(gòu)化簡以合并、典型化為主，當(dāng)前基于傳統(tǒng)機(jī)器學(xué)習(xí)的空間結(jié)構(gòu)化簡算法研究集中于居民地的結(jié)構(gòu)化簡。合并將地圖綜合知識(shí)約束下的多個(gè)相似個(gè)體聚類成一個(gè)整體，實(shí)現(xiàn)空間結(jié)構(gòu)的簡化。

　　例如，考慮合并過程中鄰近距離約束的基于智能體的居民地合并算法[58];基于SOM聚類居民地的無監(jiān)督學(xué)習(xí)合并算法[59];顧及空間認(rèn)知理論量化影響合并的居民地特征，利用SVM所實(shí)現(xiàn)的基于居民地特征的監(jiān)督學(xué)習(xí)合并算法[60]等。典型化通過具有相同空間結(jié)構(gòu)的少量新對象實(shí)現(xiàn)對原始對象典型結(jié)構(gòu)的簡化表達(dá)，基于機(jī)器學(xué)習(xí)的聚類方法具有自適應(yīng)性，利用結(jié)構(gòu)特征保持，可用于典型化算法的設(shè)計(jì)。例如，將SOM、鄰近傳播等聚類算法應(yīng)用于建筑物的典型化研究[61-62]。

　　3)移位移位算子通過調(diào)整對象位置以達(dá)到避免沖突、良好表達(dá)的可視化要求。移位的影響具有傳遞性，具有自適應(yīng)優(yōu)化能力的機(jī)器學(xué)習(xí)方法適于對象移位的調(diào)整和優(yōu)化。一些傳統(tǒng)機(jī)器學(xué)習(xí)中的優(yōu)化算法已用于移位算法研究，如利用梯度下降、模擬退火來設(shè)計(jì)和優(yōu)化移位算法[63]、利用遺傳算法及其改進(jìn)方法[64-66]等。

　　2.1.3基于傳統(tǒng)機(jī)器學(xué)習(xí)的地圖綜合過程研究

　　地圖綜合過程研究旨在把零散的綜合算法有效地組織起來。從算子層次看，利用傳統(tǒng)機(jī)器學(xué)習(xí)方法能夠自適應(yīng)地協(xié)調(diào)、控制同一綜合算子的不同綜合算法，得到更優(yōu)的綜合結(jié)果。例如，利用BPNN實(shí)現(xiàn)對建筑物化簡算法進(jìn)行最優(yōu)選擇的監(jiān)督學(xué)習(xí)[67]，利用K-Means實(shí)現(xiàn)對曲線弧段與恰當(dāng)化簡算法匹配的非監(jiān)督學(xué)習(xí)[68]，基于案例推理而實(shí)現(xiàn)的對不同化簡算法的參數(shù)尋優(yōu)[69]等，這些研究通過協(xié)調(diào)化簡算法、控制化簡過程優(yōu)化了化簡算子。

　　從整體上看，地圖綜合過程需要多算子的協(xié)同參和協(xié)調(diào)控制。具有自治性、社會(huì)性、反映性、能動(dòng)性的經(jīng)典人工智能研究成果——智能體(Agent)，為協(xié)同算子、控制綜合過程提供了研究思路。20世紀(jì)90年代法國地理信息學(xué)會(huì)聯(lián)合多家機(jī)構(gòu)設(shè)置了利用Agent建模、控制多要素、多算子協(xié)同綜合的過程研究項(xiàng)目[70]，產(chǎn)生了一些具有代表性的研究成果，如避免沖突的Agent協(xié)作機(jī)制[71]、基于多Agent協(xié)同綜合模型[72]等。除Agent技術(shù)外，有學(xué)者設(shè)計(jì)了一種基于監(jiān)督學(xué)習(xí)的線要素綜合過程控制策略，基于DT協(xié)調(diào)了化簡、夸大、光滑等線要素綜合過程[73]。

　　2.2基于深度學(xué)習(xí)的智能地圖綜合研究

　　深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的深層次發(fā)展[17]，具有更深的層次、更復(fù)雜的結(jié)構(gòu)和更強(qiáng)的學(xué)習(xí)能力�？梢哉J(rèn)為深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，它使用了多層次的非線性信息處理和抽象，用于有監(jiān)督或無監(jiān)督的特征學(xué)習(xí)、表示、分類和模式識(shí)別�；�于深度學(xué)習(xí)的智能地圖綜合研究剛剛起步，主要集中于地圖綜合知識(shí)獲取和地圖綜合算子研究。

　　2.3智能地圖綜合的兩種研究思路

　　基于以上梳理和分析可知，智能地圖綜合大體有兩種實(shí)現(xiàn)思路，一種是特征學(xué)習(xí)思路，即通過學(xué)習(xí)人為抽象出與任務(wù)相關(guān)的量化特征擬合地圖綜合任務(wù);另一種是數(shù)據(jù)學(xué)習(xí)的策略，即通過學(xué)習(xí)結(jié)構(gòu)化數(shù)據(jù)擬合地圖綜合任務(wù)。特征學(xué)習(xí)需要人為提取、抽象、量化與地圖綜合任務(wù)相關(guān)的特征，具有一定的主觀性和不完備性;但緩解了機(jī)器學(xué)習(xí)的難度，強(qiáng)化了智能地圖綜合的可控性和可解釋性;且人為抽象的特征種類不會(huì)很多，利用成熟穩(wěn)定、效率較高的傳統(tǒng)機(jī)器學(xué)習(xí)算法即可有效擬合。

　　因此，特征學(xué)習(xí)思路常見于基于傳統(tǒng)機(jī)器學(xué)習(xí)的地圖綜合研究。數(shù)據(jù)學(xué)習(xí)避免了人為抽象特征的主觀性和不完備性影響，通過學(xué)習(xí)大量結(jié)構(gòu)化的數(shù)據(jù)成果擬合地圖綜合任務(wù)，充分發(fā)揮機(jī)器學(xué)習(xí)能動(dòng)性和數(shù)據(jù)驅(qū)動(dòng)主體性;但學(xué)習(xí)難度很大，需要采用學(xué)習(xí)能力很強(qiáng)的深度學(xué)習(xí)模型;且過于依賴深度學(xué)習(xí)模型，導(dǎo)致智能地圖綜合的可控性和可解釋性都較弱。因此，數(shù)據(jù)學(xué)習(xí)思路常見于基于深度學(xué)習(xí)的地圖綜合研究。

　　3智能地圖綜合研究的幾點(diǎn)思考

　　人工智能研究中激蕩著各種觀點(diǎn)，以人工智能為支撐的智能地圖綜合研究也出現(xiàn)了很多熱點(diǎn)議題，下面圍繞“基于什么數(shù)據(jù)”“選擇什么方法”“采用什么策略”幾個(gè)焦點(diǎn)議題探討智能地圖綜合發(fā)展趨勢。

　　3.1矢量數(shù)據(jù)、柵格數(shù)據(jù)和時(shí)空大數(shù)據(jù)

　　數(shù)字制圖環(huán)境下的地圖綜合旨在處理矢量數(shù)據(jù)，隨著圖像處理技術(shù)的進(jìn)步和數(shù)據(jù)轉(zhuǎn)換技術(shù)的成熟，矢柵轉(zhuǎn)換基礎(chǔ)上的柵格數(shù)據(jù)處理技術(shù)也應(yīng)用于地圖綜合研究[95-98];進(jìn)一步的，隨著深度學(xué)習(xí)技術(shù)在圖像處理中的不斷突破，直接實(shí)現(xiàn)從遙感影像到地圖瓦片、到多級瓦片的柵格地圖變換研究也得到嘗試[99-102]，從矢量、還是柵格層次研究智能地圖綜合值得探討。

　　矢量數(shù)據(jù)便于計(jì)算分析，適用于特征學(xué)習(xí)的智能地圖綜合研究;柵格數(shù)據(jù)方便與眾多圖像處理深度學(xué)習(xí)模型結(jié)合，推動(dòng)了數(shù)據(jù)學(xué)習(xí)的智能地圖綜合研究。大多數(shù)的智能地圖綜合研究都是對矢量數(shù)據(jù)的學(xué)習(xí)模擬，即使通過矢柵轉(zhuǎn)換、進(jìn)行柵格數(shù)據(jù)學(xué)習(xí)的智能地圖綜合研究基本也會(huì)回到矢量要素。矢量數(shù)據(jù)的學(xué)習(xí)處理符合數(shù)字地圖自動(dòng)化生產(chǎn)的整體流程，在可預(yù)見的未來仍是智能地圖綜合研究的出發(fā)點(diǎn)和落腳點(diǎn)。

　　柵格數(shù)據(jù)作為中間數(shù)據(jù)或補(bǔ)充數(shù)據(jù)，也能使快速升級的圖像處理深度學(xué)習(xí)模型應(yīng)用于智能地圖綜合研究[103]�；�于柵格數(shù)據(jù)學(xué)習(xí)的多級瓦片地圖生成為快速制圖提供了新思路，雖然在制圖效果和地圖應(yīng)用上都有局限，但也值得期待。多源時(shí)空大數(shù)據(jù)中，各類數(shù)據(jù)來源不一，格式多樣，特別是尺度繁多，給尺度表達(dá)帶來了新挑戰(zhàn)。傳統(tǒng)地理空間數(shù)據(jù)的系列比例尺概念(如1:1萬、1:5萬、1:25萬等)已經(jīng)不能滿足時(shí)空大數(shù)據(jù)尺度表達(dá)要求。時(shí)空大數(shù)據(jù)需要任意尺度表達(dá)、多尺度共存的新局面。

　　3.2傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法

　　傳統(tǒng)機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法在地圖綜合智能化研究中都有所應(yīng)用，隨著機(jī)器學(xué)習(xí)向深度學(xué)習(xí)進(jìn)階，地圖綜合智能化研究中深度學(xué)習(xí)是否能夠取代傳統(tǒng)機(jī)器學(xué)習(xí)值得思考。通常認(rèn)為深度學(xué)習(xí)優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)，特別是在特征提取、模式識(shí)別中深度學(xué)習(xí)應(yīng)用效果良好。60多年的地圖綜合研究明確了不少地圖綜合問題的影響因素，當(dāng)綜合問題的特征描述足夠準(zhǔn)確時(shí)，簡單的機(jī)器學(xué)習(xí)方法即可取得不錯(cuò)的學(xué)習(xí)模擬效果，深度學(xué)習(xí)在消耗大量計(jì)算資源后未必能進(jìn)一步優(yōu)化綜合效果。

　　地圖綜合智能化不僅要依賴于深度更深、結(jié)構(gòu)更加復(fù)雜的深度學(xué)習(xí)模型，還要思考如何利用已知綜合知識(shí)、綜合規(guī)律、綜合方法實(shí)施更加可靠的特征工程。因此，無論是傳統(tǒng)機(jī)器學(xué)習(xí)、還是深度學(xué)習(xí)都可能在地圖綜合智能化中起到良好效果。

　　4結(jié)語

　　總體而言，對地圖綜合來說，人工智能并不是一個(gè)新事物。地圖綜合本身就需要人類的抽象、概括、歸納等智能化行為。人工智能作用于地圖綜合的最終目的，是實(shí)現(xiàn)全自動(dòng)綜合，也就是說智能綜合發(fā)展的終極目標(biāo)是地圖自動(dòng)綜合。目前的人工智能還處于感知智能階段，這是一種大數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)學(xué)習(xí)方法，因此當(dāng)前地圖綜合智能化研究大都集中于識(shí)別、分類等基礎(chǔ)感知任務(wù)的學(xué)習(xí)模擬，表現(xiàn)為面向地圖綜合的數(shù)據(jù)特征識(shí)別研究相對較多，還需要在地圖綜合樣本提取[106]、樣本庫構(gòu)建維護(hù)機(jī)理[107]、智能綜合效率效果的平衡等方面進(jìn)行深入探討。如今的深度學(xué)習(xí)對于感知(相對簡單的比對和識(shí)別)而言雖然是成功的，除了需要大規(guī)模人工標(biāo)注的高質(zhì)量樣本數(shù)據(jù)，而且缺乏高級認(rèn)知能力如推理、解釋能力等。

　　隨著下一代人工智能(認(rèn)知智能)的發(fā)展，其核心將向推進(jìn)統(tǒng)計(jì)與知識(shí)推理融合、與腦認(rèn)知融合的方向發(fā)展，因此，高質(zhì)量超大規(guī)模知識(shí)圖譜的構(gòu)建、具有知識(shí)理解能力的面向認(rèn)知的深度學(xué)習(xí)算法，是未來研究的重點(diǎn)。地圖綜合作為一種復(fù)雜的專業(yè)心智行為，更需要對演繹、推理等高級認(rèn)知任務(wù)的擬合。深度學(xué)習(xí)與知識(shí)圖譜結(jié)合能夠強(qiáng)化智能方法的推理能力，使研究更加高級的具有認(rèn)知智能的地圖綜合成為可能[108-110]。

　　堅(jiān)持跨界(學(xué)科)學(xué)習(xí)與合作，結(jié)合腦神經(jīng)科學(xué)[111]研究地圖綜合認(rèn)知機(jī)理，并改進(jìn)、創(chuàng)造適合地圖綜合認(rèn)知智能方法，期待從被動(dòng)借鑒其他領(lǐng)域智能方法到主動(dòng)設(shè)計(jì)地圖綜合智能方法能夠取得突破。當(dāng)前，人工智能的研究還在繼續(xù)發(fā)展，還遠(yuǎn)沒到達(dá)人類智能的高度。不管是人工智能，還是地圖綜合，都需要齊頭并舉，既要借助人工智能外部力量，也要進(jìn)一步加強(qiáng)地圖綜合新理論、方法和技術(shù)的內(nèi)生基礎(chǔ)創(chuàng)新。

　　參考文獻(xiàn)：

　　[1]WangJiayao,SunQun,WangJiangxia.TheoriesandMethodsofCartography[M].2nded.Beijing:SciencePress,2014(王家耀,孫群,王江霞.地圖學(xué)原理與方法[M].2版.北京:科學(xué)出版社,2014)

　　[2]BrasselKE,WeibelR.AReviewandConceptualFrameworkofAutomatedMapGeneralization[J].InternationalJournalofGeographicalInformationSystems,1988,2(3):229-244

　　[3]WangJiayao.TheProgressandTrendofAutomaticGeneralizationofSpatialData[J].JournalofGeomaticsScienceandTechnology,2008,25(1):1-7(王家耀.空間數(shù)據(jù)自動(dòng)綜合研究進(jìn)展及趨勢分析[J].測繪科學(xué)技術(shù)學(xué)報(bào),2008,25(1):1-7)

　　[4]LiZL.DigitalMapGeneralizationattheAgeofEnlightenment:AReviewoftheFirstFortyYears[J].TheCartographicJournal,2007,44(1):80-93

　　[5]CebrykowP.CartographicGeneralizationYesterdayandToday[J].PolishCartographicalReview,2017,49(1):5-15

　　[6]WuFang,GongXianyong,DuJiawei.OverviewoftheResearchProgressinAutomatedMapGeneralization[J].ActaGeodaeticaetCartographicaSinica,2017,46(10):1645-1664(武芳,鞏現(xiàn)勇,杜佳威.地圖制圖綜合回顧與前望[J].測繪學(xué)報(bào),2017,46(10):1645-1664)　

　　[7]LecordixF,PlazanetC,LagrangeJP.APlatformforResearchinGeneralization:ApplicationtoCaricature[J].GeoInformatica,1997,1(2):161-182

　　作者：武芳1杜佳威1，2錢海忠1翟仁健1

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/29790.html