7.2 AI 与 GIS 融合

7.2 AI 与 GIS 融合

本节摘要：AI 让 GIS 从"看图"走向"智能识别和预测"。本节讲深度学习遥感、空间预测、GeoAI——AI 给 GIS 装上大脑。

你能学到什么

阅读完本节，你应当能够：

1. 理解 AI 在 GIS 的应用
2. 知道遥感深度学习
3. 了解空间预测模型

概念脉络

一、AI 给 GIS 带来什么

传统 GIS 靠人工解译、规则分析，AI 让 GIS 自动识别和预测：

• 遥感解译：自动识别建筑/道路/作物
• 目标检测：影像中找车辆/船舶
• 地物分类：土地利用自动分类
• 空间预测：房价/犯罪/疾病空间分布预测
• 地理 NLP：地址解析、地名实体识别

二、遥感深度学习

图 7-2 AI 与 GIS 应用

遥感深度学习主要任务：

三、遥感 AI 框架

• TorchGeo：PyTorch 遥感扩展
• RasterVision：遥感深度学习管线
• PaddleRS：百度遥感套件
• ArcGIS Learn：商业集成

# RasterVision 训练建筑提取
from rastervision.core.rv_pipeline import RVPipeline
config = RVPipeline.build_config(...)
​

四、空间预测

空间预测用空间统计和机器学习：

• GWR（地理加权回归）：系数随空间变化
• 空间滞后/误差模型：考虑空间自相关
• 空间机器学习：特征加空间坐标/距离，用 XGBoost 等
• 时空预测：LSTM/Transformer 预测时空序列

# GWR 地理加权回归
from mgwr.gwr import GWR
model = GWR(coords, X, y, bw=1000).fit()
​

空间预测关键：考虑空间自相关（ Tobler 第一定律），不能像普通回归假设独立。

五、地理 NLP

• 地址解析：文本地址转结构化
• 地名实体识别：文本中识别地名
• 地理问答：自然语言查地图

# 地址解析
from addrparser import parse
result = parse("北京市海淀区中关村大街1号")
# {province: '北京市', city: '北京市', district: '海淀区', street: '中关村大街', number: '1'}
​

六、AI+GIS 挑战

• 标注数据：遥感标注成本高
• 模型泛化：跨区域/跨时相泛化难
• 空间自相关：传统 ML 假设独立不成立
• 可解释性：黑盒模型空间决策要解释
• 尺度效应：不同尺度结果不同

七、GeoAI 平台

• Google Earth Engine：遥感+ML 云平台
• ArcGIS AI：商业集成
• 开源：PySAL（空间统计）、TorchGeo、RasterVision

⚠️ 常见坑：用普通 ML 做空间预测不考虑空间自相关——样本不独立，结果有偏。用空间统计（GWR/空间滞后）或加空间特征。

💡 关键直觉：AI 让 GIS 自动识别和预测。遥感用 CNN（U-Net/YOLO），空间预测用 GWR/空间 ML（考虑空间自相关），文本用 NLP。GeoAI 框架：TorchGeo/RasterVision/Earth Engine。

八、遥感影像的训练数据准备

遥感深度学习的成败七成在数据准备。一张大影像不能直接喂给模型，要切成小图块：

# 用 GDAL 切图块（示意）：把影像切成 256x256 带重叠的样本
from osgeo import gdal
ds = gdal.Open('image.tif')
width = ds.RasterXSize
for x0 in range(0, width, 256 - 64):  # 64 像素重叠，避免边缘对象被切断
    ds2 = gdal.Translate(f'tile_{x0}.tif', ds, srcWin=[x0, 0, 256, 256])
​

切块要点：重叠窗口保证边界处的地物完整；样本要覆盖不同区域和季节，避免模型只认识训练区；标签（如建筑轮廓）要和影像严格配准，像素级偏差会显著拉低精度。数据增强（旋转、翻转、亮度抖动）能提升泛化，但旋转时注意地物的方向性（道路方向不是随意的）。

九、一个语义分割的训练循环

用 PyTorch 做地物语义分割的骨架代码：

import torch
from torch.utils.data import DataLoader

model = UNet(in_channels=3, out_channels=5)  # 5 类地物
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
loss_fn = torch.nn.CrossEntropyLoss()

for epoch in range(30):
    for images, masks in train_loader:
        pred = model(images)
        loss = loss_fn(pred, masks)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    print(f'epoch {epoch} loss {loss.item():.4f}')
​

完整项目建议直接用 RasterVision 或 TorchGeo 这类框架，它们内置了数据加载、切块、评估、推理流程，比从零搭省很多事。训练集和验证集要按"区域"划分而不是随机划分，否则相邻样本高度相似，验证精度虚高——这是遥感 AI 最容易犯的错误。

十、精度评估与上线

模型评估用 IoU（交并比）而不是只看准确率：地物类别不平衡（背景占 90%）时准确率没意义。上线方式有两条路：

1. 批量推理：离线对全区域影像跑一遍，生成分类结果图层，再人工抽检修正。
2. 在线推理：接入服务接口，前端请求时实时解译，适合小范围或交互式应用。

无论哪种，都要保留人工复核环节。遥感自动解译达到 90% 以上精度后，最后 10% 的边界模糊区域仍需质检员把关，人机协同是当前主流做法。

十一、空间预测的模型选择

预测问题（房价、犯罪、疾病）比分类更依赖空间结构。选型建议：

用普通模型时也要把坐标、距离最近设施、周边 POI 密度等空间特征加进去，相当于给模型"补空间知识"，比纯位置编码更可解释。

要点速记

• AI 价值：自动识别和预测，替代人工解译和规则。
• 遥感深度学习：U-Net 分割、YOLO 检测、孪生变化检测。
• 框架：TorchGeo、RasterVision、PaddleRS、ArcGIS Learn、Earth Engine。
• 空间预测：GWR 地理加权、空间滞后、空间 ML、时空 LSTM。
• 地理 NLP：地址解析、地名识别、地理问答。
• 挑战：标注成本、泛化、空间自相关、可解释、尺度。
• 关键：考虑空间自相关（Tobler 定律），不能假设独立。

下一节讲数字孪生和三维 GIS。