从信息化向智能化前进:人工智能在自然资源系统的应用

2020-10-27 14:02   来源: 互联网

中国经济社会发展和人民生活的改善比以往任何时候都需要更多的科技解决办法,更需要加强创新的第一推动力。近年来,"大数据" 时代的鲜明特点和日益增长的 "信息流" 促进了自然资源科学技术与人工智能的快速融合,并逐渐应用于地质调查制图、矿产资源预测、遥感图像解译、地质灾害防治、自动驾驶仪地图等领域。那么,人工智能在自然资源领域应用中存在的问题是什么,它的发展趋势和方向是什么?


从信息化到智能化:人工智能在自然资源系统中的应用


智能地质知识促进现有工作方式的转变


人工智能是用机器模拟人类的识别、认知、分析和决策能力。近年来,人工智能的普及正以前所未有的方式改变着人类的生活。


随着计算能力的突破、数据洪流的爆发和算法的不断创新,在具有明显 "大数据" 特征的自然资源领域,以深度学习为代表的人工智能也显示出活力,帮助政府实现自然资源的智能化管理,形成科学准确的决策。


人工智能 "在深度学习、自然语言处理、计算机视觉、智能机器人、自动编程、数据挖掘等方面具有优异的性能,正在成为地质调查工作升级和演变的重要主导力量。" 自然资源部主要工艺信息创新小组组长李兆玲告诉记者,该小组的地质调查智能研究始于 2014 年。近六年来,中国地质勘探局发展研究中心与中国地质大学(武汉)等多个单位,开展了基于 "人工智能 + 大数据 + 云计算" 的新一代全数字化地质调查技术体系、方法和过程的研究。


经过近五年的关键问题和实验,我们基本形成了基于测绘单元和地质路线数据深度学习的地质图预报技术、方法、过程、软件系统和应用平台。


不久前,为了检验该技术方法的能力水平,李兆岭小组与沈阳地质调查中心联合开展了纳马拉吉、朱里河、河野哈达等 15:5 万地图测绘工作,取得了令人满意的成果:人工智能获得的地图与野外地质学家获得的地图基本一致,表明该模型在各种地质体预测和评价中的准确性。


在这一技术突破之后,将进一步改变现有的地质调查工作模式,形成 "优化地质路线 + 地质知识图 + 地质大数据 + 深度学习算法" 的地质填图新模式。


近年来,依托人工智能在视觉领域的优势,李朝玲团队还应用知识地图和深度学习技术,初步建立了我国岩层深度学习与识别的基本模式。目前,该模型已覆盖手部标本岩石分类 1.5 万种,识别准确率达 98% 以上,正在开展泛化能力和感知能力向认知能力突破的研究。”识别模型完成后,可为移动终端提供相关的人工智能服务,如岩石类型识别、岩石地质年代、填图单位和产地等。”


 


地质调查智能空间建设体现了更为成熟的应用。经过近 7 年的持续研发,团队建立了地质调查智能空间云平台的非结构化和碎片数据挖掘技术框架,以及基于空间定位和地质对象关联的地质知识服务模式框架及相关技术,提供人工智能环境下数据密集型地质调查的新模式,并已得到应用。




地勘工作正从数字化、信息化向智能化迈进。同样,地质勘探、绿色矿山建设、地质填图等也在与人工智能发生着明显的“化学反应”。如中南大学有色金属成矿预测与地质环境监测重点实验室在深入学习的基础上,建立了山东省大营各庄金矿床深部三维预测模型。通过与几种人工智能模型的比较,验证了人工智能模型的准确性。




近期,李朝玲团队在找矿预测方面的验证工作也已启动。地质勘探队正利用团队形成的地质对象的深度学习技术和方法,对东天山地区基性超基性杂岩和铜镍矿床的特殊性进行深度学习实验。




中国科学院院士、中科院大学教授翟明国曾说过,在大数据时代,地质学家需要改变传统的思维方式,更加重视和研究如何应用人工智能,推动地质事业进入一个革命性发展的新阶段。


从信息化向智能化迈进 ——人工智能在自然资源系统的应用


国际地球科学联合会主席、中国科学院院士程秋明撰文指出,以机器学习为代表的数据驱动技术正在重新激活和提升传统学科解决新问题的能力。大数据技术将从根本上改变地学研究的方向,最终实现地学研究范式的转变。


基于这一认识,由中国科学家牵头,国际地球科学联合会批准的 "深时数字地球" 国际科学计划从去年开始实施。来自世界各国的科学家将共同用 10 年时间,建立链接地学信息的研究平台,整合全球地球演化数据,共享全球地学知识,在大数据驱动下重构生命,地理,物质和气候的演化,以达到精确重构地球和生命演化历史,识别全球矿产资源和能源宏观分布规律,推动地球科学研究转型的目的。目前,地质调查系统多家单位也积极参与其中,普遍认为与知识图等内容相关的研究将极大地推动人工智能技术在地质领域的应用和深化。"。


智能决策对遥感影像解译图的影响显著


在自然资源领域,人工智能是最早和应用最广泛的遥感图像解释、提取和分析。


遥感图像数据的体积、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,目前,基于卷积神经网络的思想,通过神经网络的训练,建立了图像底层特征与高层语义之间的映射关系,开发了多种深度学习的遥感图像检索方法,实现了土地利用监测、自动岩性分类、水污染建模、生态指数计算等任务,弥补了以往人工检索和判读过程中的诸多不足。


武汉大学教授艾廷华讲述了这样一个案例:在建设全国土地调查多层次数据库时,面对数据压缩后土地利用格局与各类土地利用面积保持平衡的问题,采用了土地利用图点的机器学习,经过典型样本的训练,很好地解决了这一问题。


自 2016 年以来,中国测绘研究院的深入学习和科研队伍一直在研究深入学习和遥感解译的算法,并与青海国家条件监测研究所、北京测绘研究所等业务部门进行了生产性实验,探索人工智能能够直接为自然资源监测和调查服务的技术支持。目前,半自动人机合作视觉解释技术已经形成。


今年,针对自然资源遥感图像变化检测实际应用场景对自动识别精度的要求,大大减轻了人工判读的工作量,我们通过 "自然资源不变检测与成果转化实用软件的研究与开发" 等重点项目,创新性地开展了自然资源不变检测方法和人工智能模型软件的研究。摄影测量与遥感研究所副所长宁晓刚说。


地图产业一直沿着人工智能技术的发展道路前进。




“目前,深度学习表现出超乎想象的智能效果。如果地图行业坐上这辆公交车,也将驶入智能快车道。艾廷华告诉记者,地图深度学习已经开始在探索地图空间知识规则、参与空间导航、选址等智能决策行为方面发挥积极作用。




据他介绍,深度学习使地图在设计、生产和应用分析方面表现出智能化。




在地图设计与制作中,包括地图数据的智能化处理和视觉表达的优化决策,以最大限度地满足地图受众的应用目标和个性化体验;在地图应用分析中,基于大量现有地图数据库案例,通过典型区域环境特征训练,使地图具有自决策分析能力,完成了新的地理环境数据空间格局分析和地学知识提取,在空间规划方面展示了地图的智能功能,功能区划分和环境管理。其中,通过对各种地理场景的学习,使地图具有应对突发情况、自预测时空过程演变趋势、对地理环境中的交互作用进行自我判断的能力,从而提高自动驾驶的安全性,提高应用效率新一代地图技术。




地质灾害监测、识别、分析和预警能力全面提高。为加快“人防工防”联合监测模式建设,实现“抵御自然灾害达到现代化水平”的目标,我国地质灾害防治技术也加快了人工智能应用的步伐。




“资源、环境、陆地空间信息的数据积累和时空管理,极大地丰富了我们对地球表面灾害发生机理的认识;北斗第三代卫星导航技术发展、人工智能,自然资源部地质灾害技术指导中心教授陈红旗说:“物联网和先进制造技术使智能化风险调查、隐患排查、预警预报成为可能。”。




目前,中国地质调查局地质环境监测所开发推广的地质灾害智能预警系统在实际应用中已取得明显效果,准确预警湖北省秭归县卡门子湾滑坡、云南省腾冲市古铜井滑坡等地质灾害。




“滑坡变形是一个能直接反映滑坡变形演化过程的综合变量。利用地表变形监测的时间序列数据、降雨监测时间序列数据和降雨预报数据,采用微分积分滑动平均自回归模型、极值梯度提升等统计方法,对滑坡地表位移进行时间序列分析和动态预测,长短期记忆人工神经网络、机器学习和深度学习算法,探索该方法对不同类型滑坡的适用性Ⅰ型滑坡变形智能预测模型马娟,中国地质调查局地质环境监测所高级工程师,告诉记者,近年来,自然资源部地质灾害技术指导中心专家组在首席科学家殷跃平的带领下,致力于人机结合风险预警研究,在监测预警中,为结构化和非结构化数据提供风险预警模型,初步建立起与决策模式和技术流程相结合的“人机”模型,最大限度地提高滑坡预警决策的准确性。




滑坡在我国南方山区汛期地质灾害中十分突出。为此,江西省测绘地理信息工程技术研究中心建立了基于深卷积神经网络模型的滑坡演化定量评价模型和预警系统,用于浅层滑坡灾害的机理和模式分析。成都科技大学部分科技人员开展了基于深度学习的滑坡检测算法研究,应用了常用的机器学习优化算法和逃逸局部最优策略,基于高光谱遥感数据特征和滑坡目标遥感特征,完成了深度学习在地质灾害领域的典型应用。


为解决公路滑坡无人机空中监测图像模糊不清的问题,深圳大学采用暗道消雾算法和超分辨率重建算法相结合的图像优化增强实验,进行了基于移动机器视觉和深度学习的地质灾害监测评价方法,实现了滑坡的非接触式安全评价。


泥石流也是山区常见的地质灾害,泥石流的形成过程分为三个阶段:初始阶段、流动阶段和沉积阶段,泥石流形成过程的模拟是泥石流研究的一个重要课题。近年来,一些科学家基于物理模型和数据驱动方法,将机器学习技术引入泥石流敏感性分析和泥石流形成过程模拟中。


据中南财经政法大学信息与安全工程学院教授张敬东介绍,地面塌陷也是一种较为常见的地质灾害,会导致道路走线,道路污染,居民用地和水系变化,而地面塌陷可以通过遥感技术很好地识别。针对传统地面塌陷识别方法效率低的问题,提出了一种基于深度学习的地面塌陷遥感识别方法。通过大量实验比较分类精度和 Kappa 系数调整深度信念网络模型参数,得到了适合地面塌陷识别的参数设置,证明了遥感影像地面塌陷识别方法的可行性和高效性,为今后地面塌陷识别提供了新思路。"。


十四五 " 期间,我们将更加清楚地看到智能地质灾害监测、识别、分析和预警的具体方向。建议有关科研队伍应立足于我国地质灾害的空间分异,加强案例的积累和挖掘,开发更多的自适应监测和传感采集设备,探索更准确的预测预警模型和算法,为优质的防灾减灾服务奠定基础。陈鸿基说。


在自然资源的智能化管理中仍有许多难题需要解决。


目前,随着图像分类、目标检测、图像语义分割、场景文本识别、图像生成、视频分类、度量学习等技术的进步,人工智能已成为政府实现自然资源智能化管理和形成科学、准确决策的重要手段,在土地利用变化过程的监测和效果分析、复杂海洋现象预测模型的建立、古生物化石图像的自动分类、木材的准确识别等方面取得了突破。


对于人工智能在现阶段的应用和未来发展,科学家们的观点是相当辩证的:一方面要深刻认识到人工智能是未来大国博弈的核心 "制高点",随着科学技术的不断突破,人工智能在自然资源领域的应用价值也将逐步释放;另一方面,人工智能并不是万能的,各种人工智能技术都有一定的适应性,需要与自然资源知识紧密结合,才能发挥更好的作用。



艾廷华认为,人工智能与科技在自然资源领域的结合需要注意两点:一是建设深度学习样本数据库,针对地理信息等自然资源数据,建立若干光谱数据库、光谱数据库、案例库。"中国地域辽阔,地域性强,典型代表性样本数据库的建设是一项基础性工作"。二是加强地质学领域数据科学和知识的结合,通过各种先进技术的集成和创新,更好地考虑如何将优秀的理论、传统技术、知识图形和人工智能更紧密地结合起来。


李卓玲等人认为,从人工智能发展的四个要素 -- 知识、大数据、算法、计算能力 -- 来看,人工智能在自然资源领域的开发和应用还存在许多问题。


人工智能不仅仅是简单地建立数学模型,而是将地质知识转化为可计算的知识图,通过建模使其具有认知能力,实现从 "感知智能" 到 "认知智能" 的转变,显然还有许多关键技术有待攻克。


二是大数据应用不够顺畅,专业调查和海空立体监测方法的现代化和多样性,积累了自然资源领域大量的数据,是自然资源工作的基础和优势,但在实际应用中,原始数据的获取将受到诸多限制,相关部门迫切需要支持数据的公开和解密。


第三,自然资源系统缺乏一定规模的计算环境。计算是人工智能发展的基石。在我国,只有 BAT 企业具备建设大型人工智能计算能力平台的资金和能力。人工智能在自然资源领域的应用需要配备相应的计算环境才能继续创新,但目前不同的项目组都在单独作战,计算能力非常有限,许多单位建立的高估计算中心更侧重于逻辑计算,如果借助社会计算能力,数据上传和存储保密性问题无法得到解决。


第四,人工智能领域的人才极度短缺,人工智能人才很受欢迎,由于治疗等原因,很难引进自然资源领域的人工智能专业技术人员,通过该项目培养的年轻人才往往无法留下来,这显然不利于人工智能的发展和应用。


此外,该算法在世界上属于开放源码的状态,目前,自然资源等领域的应用基本上是对国外原有算法的改进,在原算法 "从 0 到 1" 方面还没有取得突破。


人工智能正在从根本上改变人们的思维和行为,形成一种新的范式。在可预见的未来,自然资源产业与人工智能的结合将越来越丰富。


人工智能 " 作为新一轮产业变革的核心力量,将重塑生产、分配、交换和消费等经济活动的各个方面,产生新的企业、新的模式和新的产品。鉴于这一趋势,还应在自然资源领域努力研究相关政策和技术,形成新的智慧势头。


李兆灵等人希望,在 "十四五" 期间,自然资源管理部门将从行业的角度对人工智能的开发和应用进行研究和高层设计,发布相关规划,制定一系列政策,真正支持和促进自然资源工作和人工智能的深入整合和快速发展。




责任编辑:萤莹香草钟
分享到:
0
【慎重声明】凡本站未注明来源为"5G科技网"的所有作品,均转载、编译或摘编自其它媒体,转载、编译或摘编的目的在于传递更多信息,并不代表本站赞同其观点和对其真实性负责。如因作品内容、版权和其他问题需要同本网联系的,请在30日内进行!