导读
通过人工智能技术对地表“建水土生地”等要素进行自动提取与分析制图，是开展各领域精准化信息应用服务的时空基准。日前，中国科学院大学教授骆剑承在天津大学举办的“非城非乡•对话”讲座上，从空间、时间、属性三个维度分析了遥感大数据的粒结构特征，并结合相关研究探讨了如何利用人工智能等新技术手段，快速、精确、低成本的从遥感影像中提取有效信息。
以前的遥感相对比较宏观，分辨率较低，看不到地面细节，很难用于城乡规划领域。但是近年来，中国高分遥感发展很快，可以从影像上清楚看到地球表面的建筑、道路等地物细节。我们最初做遥感主要研究生态、林业、农业等方面，今天和大家汇报一下如何利用人工智能等新技术手段，快速、精确、低成本的从遥感影像中提取有效信息。作用到城乡规划领域，最基础的信息就是城市中的每一栋楼，需要精确识别其建筑形态、功能属性、指标属性等信息。
地理时空与遥感大数据与普通大数据的区别在于其数据位置的精准性。地理时空与遥感大数据在平面上具有精准坐标，同时还可以与时间等属性进行融合。目前，已在苏州建立了高分遥感数据生产处理基地，可以将数据通过专线传入苏州，依托IPM，建立“几何-辐射-有效-合成”四位一体的综合处理流程。
对于城乡规划领域来说，基本用到米级高分辨率影像即可看到建筑细节，我国最高分辨率可达到亚米级（0.8米）。目前卫星数据已经逐步替代传统航空数据，不仅可以获取高分遥感影像，还可获取测绘数据，呈现地面的三维信息。针对地面的局部细节可利用无人机获取，最高分辨率达到公分级，同时还可以利用倾斜摄影技术实现超高分倾斜航空三维建模。
粒结构模型是指把影像数据划分为几个粒度，一个楼即为一个粒度，同时还划分为时间粒度、属性粒度，将影像问题结构化，把复杂问题转化为若干个简单问题，最后通过机器学习一步步呈现。
土地利用与土地覆盖变化（LUCC）是随遥感信息提取技术发展而产生的概念。其中，土地利用图斑主要通过对地观测，对地物进行形态提取、类型判别与结构关联；土地覆盖变化则是将土地利用图斑与功能、指标、状态等各类外部数据关联，最终得出外动力趋势。由于影像的复杂性，主要采取分层的方式，识别建（建筑物）、土（类耕地）、生（林草）、水（面体）、地（岩土）信息，根据影像特征差别设计不同模型，实现多源数据协同。
归纳起来要做4个方面的工作：
01
02
03
定量，对建筑物的底面、材质、屋顶形式、光温热水条件等指标进行定量分析；
04
定制，通过与规划图叠加，分析其灾害承载力等决策性内容，为规划提供数据支撑。
主要通过机器学习的办法进行整个工作，眼睛看到的视觉感知主要采用深度学习的技术方式，眼睛看不到的主要采用外部数据迁移学习的方式，最后进行人工补充调研，反复迭代更新提高精度，进行增强学习。
通过模拟人的视觉行为、数据融合与推理判别以及数据迭代增强学习，进行分层感知器模型、时空协同计算模型以及多粒度决策器模型的研究，从空间、时间、属性3个维度将土地利用制作出来，运用到城乡规划领域。
接下来介绍一下目前的成果，即如何利用人工智能技术进行精准土地利用信息提取，具体过程如下：
分区控制网提取，通过提取道路控制网、水系控制网以及地形控制网，组合形成工作区网络结构，进一步将工作区分解成为独立的block（街区），分层智能提取建、水、土、生、地等；
图斑功能模式挖掘，通过迁移学习、时序分类、类型推测、语义关联等方式结合外部数据进行类型判别；
将土地利用现状与规划图相结合，进行LUCC机器学习产品定制；
与人工补充调研相结合，得到LUCC人工精修产品。
相关成果应用主要是将地形地貌、高程、土壤、环境温度、社会经济等多源数据融合并关联到每块地上，建立分层感知器模型、精准土地利用信息生产模型、时空协同反演模型、多粒度决策器模型等相关模型。目前成果涉及农业规划内容较多，已应用于苏州、南京、淮南、昆山、常熟、息烽等多个地区，未来这些成果将更多应用到城市层面。
遥感数据可以为城乡规划提供基础数据支撑，主要包括视觉模式（每一个单体建筑的位置、形态、高度及其屋顶变化判别）、功能模式（建筑物的材质、利用类型及光温热水等自然资源与环境影响指标）、内动力模式（建筑组团结构及网络关系；宏观信息的结构化；地价估值；灾害承载力分析）以及外动力模式（人流、物流、信息流等流信息的分布式动力模型；事件过程模拟、预警、响应决策）。
目前已应用于资源配置优化、社会经济时空运行、灾害发生风险响应、城市大脑行为运营以及突发事件响应处置等方向，希望未来可以更多和城乡规划领域的问题结合起来。