XiaoMi-AI文件搜索系统
World File Search SystemGeospatial
迈向地理空间人工智能的基础模型（愿景论文）
大型预训练模型，也称为基础模型 (FM)，以任务无关的方式在大规模数据上进行训练，并且可以通过微调、小样本学习甚至零样本学习适应各种下游任务。尽管它们在语言和视觉任务中取得了成功，但我们尚未看到为地理空间人工智能 (GeoAI) 开发基础模型的尝试。在这项工作中，我们探索了为 GeoAI 开发多模态基础模型的前景和挑战。我们首先通过测试现有大型预训练语言模型 (LLM)（例如 GPT-2 和 GPT-3）在两个地理空间语义任务上的性能来展示这个想法的优势。结果表明，这些与任务无关的 LLM 在小样本学习设置中在两个任务上的表现都可以胜过任务特定的全监督模型，性能提高 2-9%。然而，鉴于 GeoAI 的多模态特性，我们也展示了这些现有基础模型的局限性，尤其是在处理与其他模态相结合的几何图形时。因此，我们讨论了多模态基础模型的可能性，该模型可以通过地理空间对齐推理各种类型的地理空间数据。我们通过讨论为 GeoAI 开发此类模型的独特风险和挑战来结束本文。
地理空间战略规划 2022-2025
个人、他们的社区以及他们所居住的自然环境无一例外地都位于某个地方。尽管如此，美国住房和城市发展部 (HUD) 的“为所有人创建强大、可持续、包容的社区和优质可负担住房”的几乎全部任务都是地理性质的。因此，研究和了解塑造个人、他们的社区和自然环境的动态空间关系对于制定和实施有效的住房政策仍然至关重要。认识到地理因素在住房和社区问题中的巨大影响，HUD 投入了大量资源来开发企业地理信息解决方案 (eGIS) 并培养一支专业团队来监督和利用该资源。
利用地理空间技术描述梅加拉亚邦水稻种植区特征
对 Resourcesat 2 卫星的多光谱 LISS IV 图像进行了视觉解释，以绘制梅加拉亚邦的稻米地图。研究表明，该邦所有地区都种植稻米，面积为 102574.3 公顷，占总种植面积的 33%。水稻生长在非盐碱、深层至稍深的土壤上，土壤反应范围广泛（pH<4.5-7.5）和土壤质地（粘土、粉砂粘土、砂质粘土至壤土）。低地稻种植在土壤贫瘠至中等排水良好的山谷中，坡度从平缓到缓坡（0-8%）不等，旱地稻种植在轮耕区或在山坡上修建梯田，占面积的 38.7%。研究发现，水稻主要生长在有机碳含量高至中等、磷和钾含量中至低的土壤中。关键词：地理空间技术、水稻、梅加拉亚邦、土壤、坡度
地理空间人工智能 (GeoAI) 在综合水文和河流系统建模中的应用：当前应用和趋势的回顾
摘要：本文回顾了当前 GeoAI 和机器学习在水文和水力建模、水文优化问题、水质建模以及河道地貌和形态动力学制图方面的应用。GeoAI 有效地利用了通过新自动化技术收集的大量空间和非空间数据。GeoAI 的快速发展提供了多种方法和技术，尽管这也使得不同方法之间的比较具有挑战性。总体而言，选择特定的 GeoAI 方法取决于应用程序的目标、数据可用性和用户专业知识。GeoAI 在非线性建模、计算效率、多种数据源集成、高精度预测能力以及新水文模式和过程的揭示方面表现出优势。大多数 GeoAI 模型的主要缺点是模型设置不充分，物理可解释性、可解释性和模型泛化性较低。关于水文 GeoAI 的最新研究集中于将基于物理的模型原理与 GeoAI 方法相结合，以及自主预测和预报系统的进展。
通过聚合多级地理空间信息来学习经济指标
高分辨率日间卫星图像已成为研究经济活动的有希望的来源。这些图像显示了大面积的详细地形，并允许放大到较小的社区。然而，现有的方法只利用了单级地理单元中的图像。这项研究提出了一种深度学习模型，通过汇总从多级地理单元观察到的特征来预测经济指标。该模型首先通过有序回归来测量小社区的超本地经济。下一步通过总结超本地经济体之间的互联来提取区级特征。在最后一步，该模型通过汇总超本地和区信息来估算区的经济指标。我们的新多级学习模型在预测人口、购买力和能源消耗等关键指标方面大大优于强大的基线。该模型对数据短缺也很有抵抗力；当使用从马来西亚、菲律宾、泰国和越南收集的数据进行评估时，一个国家的训练特征可以推广到其他国家。我们讨论了多层次模型对衡量不平等的影响，这是关于不平等和贫困的政策和社会科学研究的重要第一步。
混合航空传感器数据作为地理空间数字孪生的基础
越来越多的城市宣布自己是智慧城市或计划成为智慧城市。智慧城市需要可靠的数据源作为所有进一步行动的基础，而城市数字孪生是收集和分析所有信息的基础。城市数字孪生不仅仅是一个 3D 城市模型，它通常与 GIS 数据一起构成城市数字孪生的起点。城市数字孪生的基础由地理空间数据以地理空间数字孪生的形式形成。数字孪生在此充当一种枢纽，所有相关和可用信息都包含在内并进行分析。为了生成可同时收集多个数据的地理空间数字孪生航空传感器，混合传感器非常适合这项任务。在航空数据采集方面，随着第一款真正的混合传感器系统（如 Leica CityMapper-2）的推出，一个新时代开始了。此处的混合是指将（倾斜）相机系统与地形 LiDAR 组合成一个综合航空测绘系统。通过将这些互补的子系统组合成一个系统，可以使用替代数据源来弥补一个系统的弱点。一个例子是低光城市峡谷的测绘，其中基于图像的系统大多会产生不可靠的结果。对于 LiDAR 传感器，这些区域的几何重建非常简单，并可获得准确的结果。本文详细概述了混合传感器系统的发展和技术特点。讨论了数据采集过程，并提出了混合城市测绘策略。此外，本文还深入了解了 LiDAR 数据对于城市建模的 3D 网格生成的优势，以及借助 GeoAI 将单个产品组合起来生成新产品的可能性。最后，讨论了混合传感器数据及其衍生产品在城市数字孪生背景下的使用和一些用例，并通过数据、分析和行动的无限循环表明，来自城市数字孪生的所有数据只能是给定时间点的快照，数据记录和分析是一个永久循环。
印度地理空间服务情景
工作性质 基础地图和 GIS 地图 GIS 定制和数据转换服务 城市规划；摄影测量 基于无人机的解决方案 地理智能；位置数据分析 人口统计数据分析 空间数据基础设施；权力下放 导航 自动驾驶 区块链和 BIM
印度地理空间市场、经济和产业发展战略
• 对研究和定制研究的所有外部或商业引用，包括但不限于：• 在任何媒体的广告、新闻稿和销售资料中使用研究。• 在 SEC 文件或其他法律文件中使用研究。• 指向 Geospatial World 和/或其子公司维护的任何网站的链接。• GW Consulting 的所有完整复制品和/或分发。除非从 Geospatial World 购买重印本或客户获得明确的书面许可，否则 Geospatial World 禁止此类使用。• 通过任何第三方在所有类型的媒体中对 Geospatial World 内容进行的所有推广、分发和重复使用，包括对 Geospatial World 徽标、商标或服务标记的任何使用。• 如果客户或第三方不确定某种用途，请在引用前征求我们的批准。
地理空间数据战略附录
为与国土安全部首席数据官理事会 (CDOD)、信息共享与保护管理委员会 (ISSGB) 以及其他国土安全部数据和标准管理机构保持一致，并遵循国土安全部关于地理空间数据的管理指令，由国土安全部地理空间管理办公室 (GMO) 领导的部门地理空间卓越中心 (GCOE) 将监督地理空间数据战略的实施。GCOE 为国土安全部地理空间信息和技术计划提供治理和监督。GCOE 将为涉及地理空间数据资产、技术计划和地理空间投资的问题提供技术意见。它将与国土安全部首席数据官委员会、ISSGB、国土安全部首席信息官委员会的工作组以及其他关键部门利益相关者协调履行这些职责的努力。 GCOE 将评估该部门在实现 GDA 和 NSDI 战略计划目标方面的进展，并在必要时向 DHS 基于证据的数据战略提供更新。
地理空间战略指南的价值
版权所有 © 2020 Esri 保留所有权利。印刷于美国。本文档中包含的信息是 Esri 的专有财产。本作品受美国版权法和其他国际版权条约和公约的保护。除非 Esri 明确书面允许，否则不得以任何形式或任何方式（电子或机械，包括影印和录制）或通过任何信息存储或检索系统复制或传播本作品的任何部分。所有请求均应发送至：合同和法律服务经理，Esri，380 New York Street，Redlands，CA 92373-8100 USA。本文档中包含的信息如有变更，恕不另行通知。Esri、Esri 全球徽标、The Science of Where、ArcGIS、esri.com 和 @esri.com 是 Esri 在美国、欧洲共同体或某些其他司法管辖区的商标、服务标记或注册商标。本文提及的其他公司和产品或服务可能是其各自商标所有者的商标、服务标志或注册商标。