Революция в ГИС с помощью глубокого обучения и ArcGIS

Пересечение искусственного интеллекта (ИИ) и геоинформационных систем (ГИС) открывает беспрецедентные возможности. Глубокое обучение, подмножество ИИ, стремительно развивается, достигая и даже превосходя человеческую точность в таких задачах, как распознавание изображений и перевод текста. Эта синергия трансформирует наше понимание мира и взаимодействие с ним, расширяя возможности в точном земледелии, анализе закономерностей преступности и прогнозировании стихийных бедствий. В этой статье рассматривается, как глубокое обучение меняет ГИС, особенно в рамках платформы ArcGIS.

Машинное обучение давно является неотъемлемой частью пространственного анализа в ГИС. Инструменты и алгоритмы применяются для геообработки с целью классификации, кластеризации и прогнозирования. Например, алгоритмы векторных машин создают классификации землепользования, а модели географически взвешенной регрессии моделируют пространственно изменяющиеся взаимосвязи. Однако эти методы часто требуют экспертного вмешательства для выявления факторов, влияющих на результат. Глубокое обучение, вдохновленное человеческим мозгом, автоматизирует идентификацию признаков непосредственно из данных, предлагая значительный прогресс по сравнению с традиционными методами машинного обучения. Глубокое обучение использует сгенерированные компьютером нейронные сети для решения проблем и прогнозирования.

Рост глубокого обучения обусловлен тремя основными факторами: доступностью огромных наборов данных, увеличением вычислительной мощности и усовершенствованием алгоритмов. Интернет, датчики и спутники генерируют огромные объемы данных. Облачные вычисления и мощные графические процессоры (GPU), разработанные для игровой индустрии, предоставляют необходимые вычислительные ресурсы. Алгоритмические усовершенствования также позволили более эффективно обучать глубокие нейронные сети.

Компьютерное зрение, способность компьютеров «видеть», является ключевой областью, в которой преуспевает глубокое обучение. Это бесценно для ГИС, учитывая огромный объем спутниковых, аэрофотосъемочных и беспилотных изображений. Глубокое обучение облегчает такие задачи, как классификация изображений (категоризация геотеговых фотографий), обнаружение объектов (поиск объектов на изображениях для картографирования инфраструктуры) и семантическая сегментация (классификация каждого пикселя изображения для анализа землепользования). Например, глубокое обучение может обнаруживать бассейны в жилых районах или с высокой точностью классифицировать землепользование. Сегментация экземпляров, более точная форма обнаружения объектов, может улучшить базовые карты, добавляя контуры зданий или реконструируя 3D-здания по данным LiDAR. Сотрудничество Esri с NVIDIA по автоматизации создания 3D-моделей зданий для округа Майами-Дейд является примером этой возможности.

Глубокое обучение значительно улучшает создание цифровых карт, автоматизируя извлечение дорожных сетей и контуров зданий из спутниковых снимков. Представьте себе применение обученной модели глубокого обучения к большой территории и создание карты со всеми дорогами, что позволяет строить маршруты движения. Это особенно полезно в развивающихся странах или быстро развивающихся регионах. Модели сегментации экземпляров, такие как Mask R-CNN, облегчают сегментацию контуров зданий без ручного оцифровывания. Такие инструменты, как Regularize Building Footprint в ArcGIS Pro, затем могут уточнить эти контуры для повышения точности.

ArcGIS предоставляет комплексные инструменты для каждого этапа рабочего процесса науки о данных, от подготовки данных до обучения моделей и пространственного анализа. Пользователи могут использовать контент из ArcGIS Living Atlas of the World от Esri для обогащения своего анализа. ArcGIS Pro включает инструменты для подготовки данных и развертывания обученных моделей. ArcGIS Image Server в ArcGIS Enterprise 10.7 предлагает возможность масштабируемого развертывания моделей глубокого обучения. Модуль arcgis.learn в ArcGIS API for Python упрощает обучение моделей глубокого обучения. ArcGIS Notebooks предоставляет готовую к использованию среду, а ArcGIS включает встроенные функции растровых вычислений Python для обнаружения объектов и классификации с использованием различных библиотек глубокого обучения. Python с такими библиотеками, как TensorFlow и PyTorch, является основным языком для глубокого обучения, что делает ArcGIS API for Python и ArcPy естественным выбором для интеграции.

Помимо изображений, глубокое обучение применимо к структурированным данным, таким как показания датчиков, для таких задач, как прогнозирование вероятности несчастных случаев и прогнозирование продаж. Esri активно инвестирует в эти технологии, включая создание нового научно-исследовательского центра в Нью-Дели, специализирующегося на ИИ и глубоком обучении на спутниковых снимках и данных о местоположении. Этот центр направлен на развитие науки о данных, глубокого обучения и геопространственных ИИ-решений в рамках платформы ArcGIS, стимулируя будущие инновации в этой области.