在空間信息領域，Esri自然少不了在這方面的積極參與和布局。
在今年3月在美國加州舉辦的第十三屆Esri全球開發(fā)者大會上，Esri高級分析主管奧馬爾﹒馬赫演示了ArcGIS平臺結(jié)合人工智能機器學習算法對猶他州每個路段每小時的事故概率進行預測。
他談到，引起一場交通事故的原因有很多種，比如溫度、風速、能見度、雪的深度、道路寬度、限速等，類似的變量可能會有幾十種。如果想對累積了7年的交通數(shù)據(jù)進行手動分析并做出預測，這其中涉及40萬起交通事故和50萬個路段，想必任何一個人都難以做到。但是，現(xiàn)在我們可以把這些數(shù)據(jù)都交給機器，讓它來幫助我們尋找其中的規(guī)律，并預測可能出現(xiàn)的風險。
馬赫指出，ArcGIS早就提供了機器學習的工具，這些工具大致分為三類：分類、聚合和預測。其中，可以利用預測類工具來預測全球氣候變化對當?shù)貧鉁氐挠绊?，用時空立方體工具箱進行熱點分析和時空模型挖掘，用影像分類工具對影像中的建筑物、道路、植被、水體等進行識別。
尤其是在今年年初發(fā)布的ArcGIS 10.6中，更是集成了Microsoft CNTK、TensorFlow深度學習框架。深度學習是機器學習的進階，ArcGIS 10.6提供了系列工具可對影像進行分類和識別。具體操作為，通過ArcGIS Pro生成訓練樣本，用這些樣本對TensorFlow或者CNTK框架構(gòu)建的模型進行訓練，再把模型導入到ArcGIS Pro中，就可對數(shù)據(jù)進行分類和可視化了。在上面的例子中，通過類似的操作，結(jié)果顯示，在猶他州的高速公路、洲際公路以及部分拐彎路段均屬于事故高發(fā)路段。
人工智能在GIS里另一個有趣的案例是使用機器學習算法預測駕駛時間，通過挖掘歷史數(shù)據(jù)，根據(jù)每條道路在每天各個時刻的擁堵情況，預測未來某一天在某個地方開車3分鐘能到達的區(qū)域。除此之外，其它類似應用還包括對象檢測、ETA預測、自動化數(shù)字化道路等。
{{item.content}}