从感知到认知的飞跃 智能gis技术再升级-k8 viet

近年来，人工智能与gis的结合越来越受到业界重视，mapgis 10.5 igserver—s智能gis产品也在人工智能方面取得了技术突破，可以为城市的智慧化运营提供决策支持，实现从感知到认知的飞跃。
      mapgis智能gis产品igserver-s集成了tensorflow、pytorch等ai计算环境，提供机器学习开发全流程管理的能力，包含数据管理、模型开发、模型训练、模型管理、服务管理等。开发流程如下所示：

随着ai技术越来越成熟，“ai gis”的技术融合在越来越多的实际项目中得到应用，为应对地理信息行业对深度学习的智能需求，mapgis 10.5对智能gis的全流程管理进行了提升。
      遥感影像空间信息提取能力增强
      随着遥感数据采集分辨率提升，为满足行业数据智能化、自动化解译的发展需要，mapgis智能gis产品针对深度学习智能应用算法模型进行优化提升和丰富。
      在模型功能提升方面，丰富了遥感信息提取的特征，支持多波段、植被指数、dsm等遥感特征；丰富了语义分割模型支持的地物，新增对道路、水体、大棚，以及大范围下城中村的支持。

引入了新的网络算法模型：新增土地利用全要素分割模型，对自然资源全要素进行分割（如下方左图所示：0表示背景，1人工用地，2农业用地，3林地，4草地）；新增对象检测网络模型，能够对车辆、棕榈树等地面目标做检测。

图片u-net是较早的使用全卷积网络进行二分类语义分割的神经网络算法之一，由于其参数少，较容易收敛，对小样本的语义分割效果较好，因此应用较为广泛，但在遥感影像语义分割方面，直接只用原生的算法模型，随着迭代次数增多，精度较难提升。mapgis经过自己的调优，添加了attention gate机制和resnet残差机制对算法进行改进，针对某市的遥感影像数据进行分割，精度提升显著。

提供python的二次开发能力
      mapgis智能gis产品内置了mapgis objects python空间机器学习开发库，提供了空间机器学习全流程开发相关接口。
      提供数据集预处理相关接口，主要提供训练数据集制作、样本标准化转换和图像处理增强等功能接口，如格式转换、随机掩码、随机旋转角度和随机噪声等。
      提供丰富的深度学习算法模型，主要提供常规的主干网络模型alexnet、densenet、googlenet、inception、mnasnet、resnet、shufflenet、squeezenet、vgg等神经网络模型，提供原生和调优的classify、unet、fasterrcnn、maskrcnn等模型。
      提供深度学习算法模型训练、转换、预测等相关接口，主要用于算法模型训练提升精度等开发场景，桌面和移动端模型转换的能力，满足不同平台间的应用。
      提供数据科学能力 
      数据科学就是数据科学家利用数据来辅助决策、解决实际面临的问题，其要想完成复杂而又繁琐的数据收集、存储、分析处理工作，就必须借助统计学工具和编程语言，比较流行的有python、r等语言，传统的数据科学已经应用许多强大工具和算法，但空间数据处理的方法和工具并不多，mapgis智能gis产品继承mapgis空间地理方面的优势，为数据科学提供空间数据处理的工具。
      mapgis智能gis产品集成了jupyter，提供集成化的python开发环境及notebook工具，为数据科学领域用户提供强有力的技术工具支撑，主要用于web端多用户交互式构建原型模型，编写分享模型代码，进行探索性数据分析协作开发的场景。

notebook集成化开发环境中内置主流tensorflow、pytorch、caffe、keras深度学习框架，内置mapgis空间机器学习库，以及numpy、scikit-learning、rasterio、opencv、proj4、matplotlib等大量的第三方python数据处理、机器学习、数据可视化方面的库，从而不仅支持地理数据，且支持视频、文本、图片等多种非地理数据类型，可用于数据分析挖掘、深度学习、机器学习等以数据为驱动的应用场景，为用户提供便捷的交互式计算设计工具，促使数据科学分析变得容易。 
      人工智能技术近年来突飞猛进地发展，与各大领域技术跨界融合，正逐步落地到更为广泛的场景中，让我们的生产生活更加智能。mapgis将继续加强关键核心技术攻关，以gis与ai的融合推动空间感知到空间认知的智能化跨越，为城市的智慧化运营提供决策支持。