面向智能化測繪的空間信息智能處理課程設計

陳一祥 秦昆 苗立志 吳超 黃毅

摘要：當前，人工智能技術的快速發展及其在各領域的滲透，正促使傳統測繪地理信息產業的智能化轉型和升級，并推動測繪高等教育教學改革。面向智能化測繪，一些高校為測繪類本科專業的高年級學生開設了專業選修課空間信息智能處理。文章以南京郵電大學該課程的建設為例，首先介紹課程開設背景，然后探究建設目標和教學內容，最后針對課程實施提出一系列建議。該課程的開設，將為測繪類專業培養具有“人工智能+”特色的測繪地理信息創新人才提供參考。

關鍵詞：人工智能;智能化測繪;測繪工程教育;空間信息智能處理;教學內容

中圖分類號：P20;G642 文獻標識碼：A 文章編號：1004-9436（2022）17-000-04

隨著物聯網、大數據、人工智能和高性能計算等新一代信息技術的快速發展及其在各領域的滲透，以GNSS（Global Navigation Satellite System）、RS（Remote Sensing）和GIS（Geographic Information System）為核心技術的地球空間信息學也正面臨著智能化轉型的機遇與挑戰。泛在測繪[1]、對地觀測腦[2]、“通導遙一體化”智能遙感衛星[3]、地理空間智能[4]、時空大數據智能處理與服務[5]等一系列具有智能特色的新概念、新思想、新領域和新技術被提出和論述，為智能化測繪數據獲取、處理和服務提供了堅實的理論支撐，也為智能測繪的快速發展指明了前進方向。

人工智能與測繪地理信息智能化發展的新形勢以及學術界和產業界對智能測繪人才的新需求，推動了測繪工程高等教育教學改革[6]。測繪類專業本質上屬于觀測科學和數據科學[7]，人工智能與這些學科的融合發展極大地豐富和拓展了測繪學科的內涵和外延，其包含的智能化學科內容明顯增多[8]。在整個測繪技術體系中，測繪地理信息的自動化、智能化處理，是實現其空間智能服務的關鍵。因此，智能信息處理的理論方法的教學應列入測繪類專業高等教育的人才培養體系中，使該專業的學生能夠系統學習和掌握人工智能領域的基礎理論方法和先進技術。為此，南京郵電大學的測繪工程和地理信息科學兩個本科專業開設了空間信息智能處理這門新課程，為培養具有“人工智能+”特色的測繪地理信息創新人才提供了有效的課程支撐。

1 課程建設目標

智能化測繪是人工智能與測繪地理信息深度融合的結果。對于測繪類專業的學生，在對測繪、遙感和地理信息等專業課學習的基礎上，還需要進行人工智能相關課程的學習和實踐，才能夠具備從事智能化測繪所需要的知識、素質和技能?？臻g信息智能處理課程的開設，旨在向測繪類高年級的學生系統介紹人工智能領域的基礎知識、基本原理方法、關鍵技術以及重要的模型和算法，使學生能夠初步建立起人工智能的理論框架和算法體系。同時，通過測繪、遙感和地理信息領域典型應用實例的學習和實踐，使學生能夠有效建立起測繪專業知識與人工智能算法的有機關聯，初步具備利用地理空間智能的思維、模型和工具來分析和解決測繪遙感和地理信息領域復雜科學與工程問題的能力。

2 課程教學內容探討

2.1 課程教學現狀分析

空間信息智能處理是地球空間信息學與人工智能的交叉學科，代表了測繪地理信息的科技發展前沿。但對于智能化測繪專業人才的培養，該類課程目前還存在以下問題。

（1）測繪類專業課程體系中，體現“智能”元素的課程不足。當前，各高校測繪類專業的課程體系大多是根據教育部2018年頒布的《普通高等學校本科專業類教學質量國家標準》中的《測繪類專業教學質量國家標準》制定的，該標準未對體現“智能”元素的課程做具體要求。為滿足智能化測繪人才培養的社會需求，一些高校開始在培養方案中設置體現智能測繪的課程模塊，但這類課程仍然偏少，不足以滿足培養智能化測繪人才的課程需求。

（2）直接設置計算機/人工智能專業的相關課程，缺少與測繪地理信息技術知識的結合。在測繪類專業的課程體系中，一些高校開設了計算機和人工智能領域的相關課程，如機器學習、模式識別、知識工程等，但單純開設這些課程，缺少與測繪、遙感和地理信息等專業知識的結合，無法體現空間智能的特點，不利于該專業智能測繪和空間智能人才的培養。

（3）現有的空間信息智能處理相關課程/教材，其內容滯后于當前人工智能的發展。目前國內已出版的教材和專著，包括武漢大學出版社出版的《智能空間信息處理》[9]以及北京大學出版社出版的《空間信息智能處理》[10]，其內容主要是基于傳統的智能處理方法如專家系統、模糊計算、人工神經網絡等，缺少對當前人工智能前沿理論方法（如深度學習）的介紹，迫切需要更新其教學內容。

2.2 課程教學內容設計

空間信息智能處理課程的教學內容設置，一方面應該包含人工智能的基礎知識、重要方法和前沿技術，另一方面也要與專業結合，體現人工智能在測繪、遙感和地理信息領域的應用。以中國人工智能學會主編的面向非計算機專業的《人工智能導論》[11]以及由武大和北大分別編寫的《智能空間信息處理》和《空間信息智能處理》等教材或專著為基礎，筆者對相關內容進行了取舍，壓縮了一些傳統的、不必要的理論知識，擴展并增加了近年來前沿的理論方法和技術，如深度學習、強化學習、地理知識圖譜等。此外，為體現地學特性，課程還增加了空間統計學中用于空間預測的回歸模型。本課程主要教學內容如表1所示。

（1）緒論部分介紹這門課開設的學科發展背景、人工智能與地理空間智能的發展動態，以及空間信息智能處理的研究內容、理論方法和技術體系，并通過對典型應用案例的分析，使學生對這門課的主要內容有宏觀的認識。

（2）地理空間認知：從認知科學的角度來認識地理空間及其包含的事物、對象和現象，重點介紹腦認知與類腦智能、地理空間認知的相關概念，以及地理空間認知的過程、特性和模型等內容，并展示基于空間認知的相關地學應用。

（3）空間知識表示：人類的發展依賴于知識的獲取和運用，知識表示是計算機能夠有效利用人類知識的關鍵。該部分將介紹知識的表示方法、基于知識庫的專家系統，并重點介紹近年來備受關注的知識圖譜的理論方法，包括知識圖譜與地理知識圖譜的相關概念、構建方法及其地學應用。

（4）機器學習與空間信息智能處理：機器學習是人工智能和數據科學的核心內容。該部分介紹機器學習的概念、原理和發展動態，并重點介紹特征表示、監督學習、非監督學習、弱監督學習和強化學習中代表性的機器學習算法，并通過實例展示如何通過機器學習來解決時空定位、識別、預測和規劃等問題。

（5）深度學習與空間信息智能處理：深度學習是機器學習的最新分支和前沿領域，也是當前人工智能的主流技術。該部分介紹深度學習的發展動態、基本概念、原理、關鍵技術和開源框架，重點學習卷積神經網絡、循環神經網絡和對抗生成網絡中代表性的網絡模型，并通過實例展示如何通過深度學習來解決測繪、遙感和地理信息領域的復雜科學和工程問題。

（6）智能優化與空間信息智能處理：智能優化是受自然界和生物群體規律啟發而設計的用于解決問題的一類優化算法。該部分介紹當前代表性的智能優化算法（包括遺傳算法、群智能算法等）及其在解決地學領域優化類問題中的應用。

（7）空間統計與空間信息智能處理：空間數據除了具有位置特征，還具有屬性上的空間相關性，空間統計模型在處理和建模這種特性時具有獨特的優勢。該部分圍繞空間數據的兩個特性（空間依賴性和空間異質性）展開，介紹建立在這些特性基礎上的空間回歸、地理加權回歸和時空地理加權回歸等空間統計模型以及相關的軟件工具，并通過實例展示如何通過這些模型解決地理變量的空間（時空）關系建模、空間（時空）預測等問題。

課程總共48學時（包括理論課32學時和實踐課16學時），各部分根據其內容的多少、難易及重要性分配不同的學時，其中深度學習部分占14學時，空間知識表示、機器學習和空間統計部分均占8學時，智能優化部分占6學時，其他部分均為2學時。

2.3 實踐教學內容設計

空間信息智能處理是一門理論性、應用性和實踐性都比較強的課程。除了理論教學，該課程還需要一定學時的實踐教學，才能使學生較好地掌握相關原理、模型和算法。根據各部分教學內容的重要性和實踐性要求，在空間知識表示、機器學習、深度學習與空間統計四個部分分別設置了實驗項目，具體如表2所示。實踐教學項目課程一共為16個學時，占課程總學時的1/3。

課程實踐教學項目涉及測繪、遙感和地理信息領域的典型應用，如土地利用分類、災害監測、點云分類、遙感圖像場景識別和目標提取、碳排放預測等。通過這些利用先進智能模型、算法和技術來解決本專業實際問題的實踐，不僅能加深學生對理論方法的理解，還能進一步提高其分析和解決測繪、遙感和地理信息領域復雜科學和工程問題的能力。

3 教學實施建議

空間信息智能處理在內容設置上集成了認知科學、人工智能、空間統計等多學科的精華，既包含基礎知識、基本原理算法和關鍵技術，又有在測繪、遙感和地理信息領域的應用。在課程教學上，也需要采取多種教學方式，以保證學生能較好地實現課程的教學目標。對于該課程的教學實施，具體有以下建議。

3.1 “點”與“面”結合

人工智能領域包含大量的模型和算法，以深度學習為例，僅卷積神經網絡就包含大量的網絡模型（如AlexNet、VGGNet、GoogLeNet、ResNet等），其變體更是不計其數，在有限的時間內，學生很難掌握所有的模型。因此，首先要加強對深度學習基本概念和原理的學習，之后可選擇一兩個代表性的模型進行重點學習和剖析，對于其他模型只需了解其典型特征即可。通過這種以“點”代“面”、“點”“面”結合的學習方式，就可以讓學生在很短的時間內既能了解一類算法的宏觀體系和發展脈絡，又能掌握其中的典型代表。

3.2 理論與實踐結合

該課程包含大量的原理和算法，具有較強的理論性。除了理論教學，還需要一定量的課內外實踐，才能使學生做到既搞懂原理又能動手解決專業領域的實際問題。例如，在空間知識表示、機器學習、深度學習、智能優化和空間統計這幾個內容板塊中，可以分別設置一個綜合性的實驗項目供學生課內或課后去完成。

3.3 線上與線下結合

該課程所包含的機器學習、深度學習等人工智能的理論知識，目前已有豐富的在線資源，如MOOC平臺的課程、百度飛漿的深度學習平臺，這些資源（包括PPT、視頻、代碼）可以在課前或課后提供給學生自學使用。對于線上缺少的資源（比如這些方法在本專業領域的應用），可以在課上重點學習。

3.4 教學與科研結合

該課程包含深度學習、知識圖譜等大量的人工智能前沿的理論方法，目前已被廣泛用于解決定位導航、遙感圖像智能處理、時空大數據分析等領域的科學和工程問題，并且新成果層出不窮。建議任課教師關注這些領域的科研進展，及時將好的科研成果帶進課堂，實現科研成果對教學內容的有力支撐。

4 結語

空間信息智能處理是面向智能化測繪，為測繪地理信息類專業的高年級學生開設的一門專業選修課程。文章對該課程的教學目標和教學內容進行了探討，并提出教學實施的一些建議。后期將根據學科發展動態和實際教學效果，及時優化調整教學目標、教學內容和教學方式，不斷完善該課程，為智能化測繪地理信息人才的培養提供有力的課程支撐。

參考文獻：

[1] 劉經南，郭文飛，郭遲，等.智能時代泛在測繪的再思考[J].測繪學報，2020，49（4）：403-414.

[2] 李德仁，王密，沈欣，等.從對地觀測衛星到對地觀測腦[J].武漢大學學報（信息科學版），2017，42（2）：143-149.

[3] 李德仁，王密，楊芳.新一代智能測繪遙感科學試驗衛星珞珈三號01星[J].測繪學報，2022，51（6）：789-796.

[4] 張永生，張振超，童曉沖，等.地理空間智能研究進展和面臨的若干挑戰[J].測繪學報，2021，50（9）：1137-1146.

[5] 李德仁.論時空大數據的智能處理與服務[J].地球信息科學學報，2019，21（12）：1825-1831.

[6] 高井祥.智能時代測繪高等教育的幾點思考[J].測繪通報，2018（9）：139-143.

[7] 閆利，李建成.測繪類專業的“新工科”建設思考[J].測繪通報，2020（12）：148-154.

[8] 岳建平，叢康林.人工智能時代的測繪工程教育改革[J].測繪通報，2020（9）：151-154.

[9] 秦昆.智能空間信息處理[M].武漢：武漢大學出版社，2009：1-280.

[10] 張飛周，劉典.空間信息智能處理[M].北京：高等教育出版社，2019：1-340.

[11] 李德毅，于劍，中國人工智能學會.人工智能導論[M].北京：中國科學技術出版社，2018：1-261.

作者簡介：陳一祥（1984—），男，山東日照人，博士，講師，研究方向：時空大數據與地理空間智能。

秦昆（1972—），男，湖北隨州人，博士，教授，研究方向：時空大數據分析與挖掘。

苗立志（1981—），男，山東臨沂人，博士，副教授，研究方向：地理空間人工智能（GeoAI）。

吳超（1992—），女，安徽天長人，博士，副教授，研究方向：GIS空間分析與建模。

黃毅（1992—），男，江西南昌人，博士，講師，研究方向：地理場景認知。