“自然資源大腦”構建關鍵技術及應用設想

蘭 銳，陳慧玲，童楊輝

（1.自然資源部國土空間大數據工程技術創新中心江蘇分中心，南京 210017；2.南京國圖信息產業有限公司，南京 210036；3.江蘇省國土資源信息中心，南京 210017；4.江蘇省國土資源動態監測中心，南京 210017）

0 引言

“城市大腦”于2016 年提出，以人工智能技術為科技引擎，在經濟、政治、文化、社會、生態等領域快速開展應用，目前已形成“531”（一張網、一朵云、一個庫、一個中樞、一個大腦，政府內部互通、系統內部互通、需求供給互通，1 個新的城市基礎設施）邏輯體系架構[1]。自2019年《自然資源部信息化建設總體方案》印發以來，各地自然資源部門先后構建了國土空間基礎信息平臺、規劃行業管理平臺、建設用地報批平臺、“慧眼守土”綜合監管執法平臺等各類型信息化管理平臺，形成了“兩基礎、三環節、四保障”（產權基礎、空間基礎，源頭保護、過程監管、末端管制，制度保障、法律保障、監管保障、公服保障）的自然資源制度體系，但仍存在一些問題：

（1）數據資源標準不一，冗余問題嚴重。各平臺由于建設時間、政策要求、開發廠商等差異，易出現標準不一、底圖不一、算法不一等問題，加大了平臺對接關聯及自然資源三維立體“一張圖”建設的難度；不斷的平臺運行導致同類數據冗余問題嚴重，這使得用戶對有價值信息的辨識、數據關系的挖掘、趨勢的把握變得愈加困難，如何科學、高效、便捷地開展數據治理工作成為數據資源利用的前提保證。

（2）智能化需求日益遞增。近年來，人工智能技術為用戶提供了便利，同時也對自然資源行業提出了新的智能化要求（如知識圖譜、智能輔助審批等）。如何為行業內各類系統安裝“人工智能（artificial intelligence，AI）大腦”，使得已有平臺獲得智能化躍遷，成為質變突破的關鍵核心。

基于以上分析，本文借鑒“城市大腦”的成功經驗，探索建設一套“自然資源大腦”體系。該體系主要通過“數據超市”、AI 中臺等功能模塊，構建行業知識圖譜、智能客服、智能輔助審批、智能監管等應用場景，從而推動自然資源管理的“數智化”升級轉型。

1 基本思路

通過構建“自然資源大腦”，本文將自然資源行業各類智能化技術集成為有機整體，創建實際應用場景，為自然資源行業裝上“AI 大腦”。以國土空間基礎信息平臺為基底，借助感知設備獲取“天、空、地、網”數據資源，利用數據治理能力和AI 中臺的各類智能算法模型，構建智能政務、智能監管、輿情監控等智能應用場景。“自然資源大腦”設計思路如圖1 所示。

圖1 “自然資源大腦”設計思路

1.1 總體架構

“自然資源大腦”以“天、空、地、網”的智能感知網絡為數據來源，建立統一標準、統一底圖、統一算法的數據服務體系，利用大數據、人工智能等技術手段和行業信息化應用平臺，構建各類業務場景。在制度規范、運營運維、安全防控、考核評估等保障體系下服務社會公眾，總體架構如圖2 所示。

圖2 “自然資源大腦”總體架構

1.2 關鍵技術

1.2.1 數據治理

數據治理將各類多源異構數據通過數據治理平臺進行整合服務，挖掘并建立自然資源行業內部數據資源池，通過數據規范、數據清洗、數據交換、數據集成等方法進行處理，形成各類別數據資產目錄，并按照各類主題進行共享應用[2]。

（1）數據規范為多源異構數據建立一套標準化體系規范，包括規則處理和代碼標準映射。規則處理即數據元標準制定，定義各類數據，達到數據字段認知和識別的目的。代碼標準映射即基于通用的規范建立行業字典庫，關聯各個數據對應的代碼名稱。

（2）數據清洗將受到侵擾的“臟”數據進行識別并修復，包括屬性錯誤檢測、屬性錯誤清洗、不完整數據清洗和相似重復清洗等基本方法。

（3）數據交換是將一個源模式數據轉換為目標模式數據的過程，主要包括協議式交換和標準化交換。協議式交換通過一個已制定的交換協議完成數據交換；標準化交換通過統一的標準實現跨平臺數據共享交換。

（4）數據集成是將不同數據集成在一起并支持訪問數據源的技術，主要包括模式集成和數據復制兩種技術。模式集成可以利用統一查詢接口，通過中介模式在原始數據庫中獲取數據。數據復制將可能用到的數據復制到統一的數據源，通過單一訪問實現數據獲取。

1.2.2 智能化訓練

智能化訓練主要利用各類算法模型，形成集成化的樣本處理中心與模型訓練中心，搭建集算法構建、智能標注、模型訓練于一體的智能化服務體系。

（1）基于開源軟件庫TensorFlow 的訓練與部署。利用TensorFlow 機器學習框架，實現機器學習和深度學習算法的訓練與部署。在訓練模型部分，首先，需要完成訓練數據的讀取與標準化處理，將其傳遞到高等級機器學習算法庫并進行訓練。然后，通過設置TensorFlow 計算分配方法，選擇訓練的計算處理器如中央處理器（central processing unit，CPU）或圖形處理單元（graphics processing unit，GPU）。最后，將訓練好的策略模型進行保存，并在多種應用場景中部署通過訓練保存的神經網絡模型。

（2）建立AI 分析模型中心。利用基礎測繪數據、地理國情普查數據和監測數據，構建時空信息、多數據源、多尺度的樣本庫。基于TensorFlow2.0 框架，利用TensorFlow Lite 進行模型轉化，并采用深度學習方法進行模型訓練，主要包含遙感影像場景訓練和視頻監控場景訓練。遙感影像場景訓練通過影像分割方法，例如多尺度分割、均值漂移（mean shift）分割等進行精準提取。利用影像光譜特征、形狀特征、紋理特征等進行地物識別，包括但不限于地塊、道路、房屋、特殊地物識別。通過對比兩期遙感影像，采用AI 自動化技術提取變化的圖斑。

視頻監控場景訓練通過建立AI 分析模型庫，開展挖掘機、堆土堆磚、大型車輛等多對象識別工作，并創建圖像識別原型，從而對各種土地違法行為進行特征分析。

基于多種AI 算法訓練得到不同的神經網絡、概率圖或其他機器學習模型，封裝成AI 中臺應用并放于各個訓練環境[3]。此外，還為中臺配備算法自更新、識別類型自增加、識別精度自提升等能力算法，提升AI 中臺的自迭代更新能力。

（3）智能光學字符識別（optical character recognition，OCR）技術。智能OCR 技術基于深度學習方法對傳統OCR 技術進行改良[4]，利用卷積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural network，RNN）等技術實現。針對低分辨率、強光影、大角度傾斜，能夠實現自動定位和整行文字識別，通過結構化處理輸出結果[5]。

（4）地理知識圖譜。地理知識圖譜作為一種具有顯著時空特征，并與地學作用機理、地理空間人工智能（GeoAI）與知識圖譜有機結合的科學，以“人-機”可理解、可計算、可推理的知識體系為研究內容，利用地理科學與人工智能科學，提升對各類地理事物動態感知和智能推理的能力[6]。通過知識圖譜建立各類關聯關系、明確各項語義規則、構建行業關系網絡，同時借助深層次語義挖掘技術，形成從“概念”到“規則”再到“分類體系”的知識表達模型。

1.3 功能設計

1.3.1 “數據超市”

“數據超市”在數據治理技術基礎上，圍繞數據標準、數據抽取、數據成果、數據更新、數據應用等內容，對行業數據進行規范管理及加工、包裝等處理，從而形成體系、類別的數據產品，為客戶通道提供一套流程[7]，如圖3 所示。

圖3 “數據超市”架構

1.3.2 AI 中臺

AI 中臺集信息與通信技術（information and communication technology，ICT）為一體，將可重復使用的AI 模型和AI 服務沉淀共享，快速組合、組裝并產出一套成熟的模型架構。主要通過創建行業樣本庫、模型庫，結合人臉識別、智能OCR 識別、深度學習等 AI 通用服務技術，集成算法、模型等AI 能力，封裝搭建AI 中臺，從而實現自然資源行業的場景應用。AI 中臺主要包括樣本中心、模型中心、管理中心和展示中心，具體架構如圖4 所示。

圖4 AI 中臺架構

（1）樣本中心。針對現階段數據樣本采集難、效率低，訓練數據量大、數據稀缺，標注數據多、成本高，缺乏統一樣本格式、數據質量差等問題，樣本中心具有豐富開放的數據管理、高質量的數據加工、高效率的數據處理、安全可靠的數據服務等優勢，可通過智能數據樣本采集、智能標注、智能清洗等操作提供一站式服務。

（2）模型中心。針對已有和所需的行業特殊場景模型算法，模型中心對所有模型進行統一管理、訓練、共享和轉換，支持多種本地化和第三方模型導入管理。通過模型共享與轉換，可實現不同組織或項目間的模型共享，同時能夠輕松獲取端計算模型軟件開發工具包（software development kit，SDK），適配多種芯片和操作系統。

（3）管理中心。管理中心提供數據管理、權限管理、資源管理、運維管理等服務，對AI 中臺所需的各項功能進行管理統籌。

（4）展示中心。展示中心主要針對用戶所需服務進行具體功能模塊展示，將開發模型結合應用場景，創建可視化展示、在線解譯、比對核查等具體應用服務。

2 場景應用

場景應用基于數據治理和AI 中臺能力，結合自然資源具體業務，從態勢感知、數據挖掘、監測預警、決策優化角度出發，構建多專題行業場景體系。

2.1 行業知識圖譜

行業知識圖譜圍繞不動產登記等自然資源行業業務，基于數據治理成果，建立統一的數據庫，掛接自然資源實體的位置、界限等信息，通過知識抽取、知識融合、知識推理和應用等形成行業知識圖譜，在數據預處理、模型訓練中提供知識規則，創建“人-地-房”于一體的行業知識圖譜庫[8]。設計知識圖譜問答系統，基于知識圖譜組件和腦庫時空構建組件，將空間和非空間數據結合，實現具體案件的空間推理和具體場景的應用，具體框架如圖5 所示。

圖5 自然資源知識圖譜框架

2.2 智能客服

依托AI 智能引擎，利用語言識別、關鍵字導航等能力，開發自助交互式、場景代入式、線上線下人機交互的一站式智能客服，為企業和群眾提供7×24 h 在線咨詢與溝通服務，助力行業業務辦理智能化、便民化，具體架構如圖6 所示。

圖6 智能客服架構

2.3 智能輔助審批

智能輔助審批基于行業知識圖譜，通過創建業務辦理標準化流程，利用AI 中臺智能化識別與解譯能力，針對具體業務進行規則輔助，從而構建智能輔助審批“六步曲”，即提出申請、清單確認、上傳錄入、OCR 識別、智能判別、電子制證。

（1）提出申請。用戶根據需求，選擇業務審批類型（手動輸入、語音錄入）。

（2）清單確認。根據用戶所選的業務類型，系統自動匹配所需的材料列表清單。

（3）上傳錄入。用戶進行電子材料上傳。

（4）識別分析。系統利用OCR 等技術進行智能識別，并與標準化模板進行疊加分析。

（5）智能判別。系統根據識別分析結果，智能判別合規性，自動將審批流程流轉至對應責任人或責任單位。

（6）電子制證。責任人或責任單位確認后，系統可進行智能化電子制證。

2.4 智能監管

智能監管主要通過遙感衛片AI 監管和視頻監控AI 預警兩種方式，將其應用至自然資源行業具體的監管業務（如“非農化”“非糧化”監管）。

2.4.1 遙感衛片AI 監管

基于各類日常遙感衛片，開展影像分割提取、目標識別檢測、區域變化檢測、圖斑核查下發等衛片智能監管工作。

（1）影像分割提取。對所選區域內耕地、建設用地、農房、林地等各類地塊進行智能識別檢測和提取。

（2）目標識別檢測。通過不同目標的光譜特征、形狀特征、紋理特征等診斷指標，對區域內目標開展識別檢測。

（3）區域變化檢測。支持不同時期影像變化對比，對變化區域進行智能標注。

（4）圖斑核查下發。根據違法行為監測結果，審核人進行相應類型結果復核，最終將其轉發至對應的現場執法人員終端。

2.4.2 視頻監控AI 預警

結合當下視頻監控優勢，該方式接入行業視頻探頭信息，利用AI 中臺模型訓練能力，添加各類違法行為識別場景和無關地物分割模型[9]，針對“非農化”“非糧化”、批后監管、森林防火等具體場景開展視頻監控識別預警，并將識別結果進行區別分類，人工審核完成后將其下發至執法人員。具體流程如下：識別違法行為，從AI 中臺樣本中心及模型中心選擇所需地物識別類型及場景；分割無關地物，對監管區域外的無關地物進行剔除，降低無效預警率，提升預警實際效能。

2.5 輿情監控

輿情監控利用AI 中臺的爬蟲抓取、采集處理技術，對當前互聯網、自媒體中的自然資源行業相關信息進行監測監管，實時掌握本行業熱點事件，設置自動預警閾值，超前處置各類公共輿論危機事件。

（1）爬蟲識別。針對當前各類流行的社交媒體平臺，創建行業輿情熱詞，對目標平臺進行多維度識別。

（2）智能預測。將爬蟲識別內容進行熱度排行，對輿情事件的發展脈絡、特征分布、風險等級進行自動總結，利用大數據能力提供趨勢智能預測，設定輿情預警閾值。

（3）警報處置。如果輿情數值超過閾值，平臺自動推送預警信息，對當前各類輿情信息進行關聯分析，并通過AI 中臺自動生成危機解決方案。利用行業知識圖譜將方案下發至相應的處置責任人或責任單位，從而實現公共輿論危機事件的超前預知與超前處置。

3 結論

當前，大數據和人工智能戰略背景下搭建的“自然資源大腦”旨在為行業“數智化”轉型邁出重要一步。本文所提及的“自然資源大腦”建設體系主要依托大數據治理、人工智能等ICT技術，探索形成以空間數據治理為基礎、AI 中臺為支撐、場景應用為核心的整體架構。“自然資源大腦”可以在行業知識圖譜、智能客服、智能輔助審批、智能監管、輿情監控等行業場景發揮智能化作用。目前，自然資源行業內的智能算法尚不能實現全精準，仍然需要不同程度的人機交互與人工復核。未來，隨著各類智能算法的不斷迭代更新，整個體系也將不斷更新完善，這樣才能真正實現本文提出的“自然資源大腦”建設構想。

致謝

特別感謝中國科學院精密測量科學與技術創新研究院任棟對本文寫作的指導與幫助！