面向智能化测绘的空间信息智能处理课程设计

陈一祥 秦昆 苗立志 吴超 黄毅

摘要：当前，人工智能技术的快速发展及其在各领域的渗透，正促使传统测绘地理信息产业的智能化转型和升级，并推动测绘高等教育教学改革。面向智能化测绘，一些高校为测绘类本科专业的高年级学生开设了专业选修课空间信息智能处理。文章以南京邮电大学该课程的建设为例，首先介绍课程开设背景，然后探究建设目标和教学内容，最后针对课程实施提出一系列建议。该课程的开设，将为测绘类专业培养具有“人工智能+”特色的测绘地理信息创新人才提供参考。

关键词：人工智能;智能化测绘;测绘工程教育;空间信息智能处理;教学内容

中图分类号：P20;G642 文献标识码：A 文章编号：1004-9436（2022）17-000-04

随着物联网、大数据、人工智能和高性能计算等新一代信息技术的快速发展及其在各领域的渗透，以GNSS（Global Navigation Satellite System）、RS（Remote Sensing）和GIS（Geographic Information System）为核心技术的地球空间信息学也正面临着智能化转型的机遇与挑战。泛在测绘[1]、对地观测脑[2]、“通导遥一体化”智能遥感卫星[3]、地理空间智能[4]、时空大数据智能处理与服务[5]等一系列具有智能特色的新概念、新思想、新领域和新技术被提出和论述，为智能化测绘数据获取、处理和服务提供了坚实的理论支撑，也为智能测绘的快速发展指明了前进方向。

人工智能与测绘地理信息智能化发展的新形势以及学术界和产业界对智能测绘人才的新需求，推动了测绘工程高等教育教学改革[6]。测绘类专业本质上属于观测科学和数据科学[7]，人工智能与这些学科的融合发展极大地丰富和拓展了测绘学科的内涵和外延，其包含的智能化学科内容明显增多[8]。在整个测绘技术体系中，测绘地理信息的自动化、智能化处理，是实现其空间智能服务的关键。因此，智能信息处理的理论方法的教学应列入测绘类专业高等教育的人才培养体系中，使该专业的学生能够系统学习和掌握人工智能领域的基础理论方法和先进技术。为此，南京邮电大学的测绘工程和地理信息科学两个本科专业开设了空间信息智能处理这门新课程，为培养具有“人工智能+”特色的测绘地理信息创新人才提供了有效的课程支撑。

1 课程建设目标

智能化测绘是人工智能与测绘地理信息深度融合的结果。对于测绘类专业的学生，在对测绘、遥感和地理信息等专业课学习的基础上，还需要进行人工智能相关课程的学习和实践，才能够具备从事智能化测绘所需要的知识、素质和技能。空间信息智能处理课程的開设，旨在向测绘类高年级的学生系统介绍人工智能领域的基础知识、基本原理方法、关键技术以及重要的模型和算法，使学生能够初步建立起人工智能的理论框架和算法体系。同时，通过测绘、遥感和地理信息领域典型应用实例的学习和实践，使学生能够有效建立起测绘专业知识与人工智能算法的有机关联，初步具备利用地理空间智能的思维、模型和工具来分析和解决测绘遥感和地理信息领域复杂科学与工程问题的能力。

2 课程教学内容探讨

2.1 课程教学现状分析

空间信息智能处理是地球空间信息学与人工智能的交叉学科，代表了测绘地理信息的科技发展前沿。但对于智能化测绘专业人才的培养，该类课程目前还存在以下问题。

（1）测绘类专业课程体系中，体现“智能”元素的课程不足。当前，各高校测绘类专业的课程体系大多是根据教育部2018年颁布的《普通高等学校本科专业类教学质量国家标准》中的《测绘类专业教学质量国家标准》制定的，该标准未对体现“智能”元素的课程做具体要求。为满足智能化测绘人才培养的社会需求，一些高校开始在培养方案中设置体现智能测绘的课程模块，但这类课程仍然偏少，不足以满足培养智能化测绘人才的课程需求。

（2）直接设置计算机/人工智能专业的相关课程，缺少与测绘地理信息技术知识的结合。在测绘类专业的课程体系中，一些高校开设了计算机和人工智能领域的相关课程，如机器学习、模式识别、知识工程等，但单纯开设这些课程，缺少与测绘、遥感和地理信息等专业知识的结合，无法体现空间智能的特点，不利于该专业智能测绘和空间智能人才的培养。

（3）现有的空间信息智能处理相关课程/教材，其内容滞后于当前人工智能的发展。目前国内已出版的教材和专著，包括武汉大学出版社出版的《智能空间信息处理》[9]以及北京大学出版社出版的《空间信息智能处理》[10]，其内容主要是基于传统的智能处理方法如专家系统、模糊计算、人工神经网络等，缺少对当前人工智能前沿理论方法（如深度学习）的介绍，迫切需要更新其教学内容。

2.2 课程教学内容设计

空间信息智能处理课程的教学内容设置，一方面应该包含人工智能的基础知识、重要方法和前沿技术，另一方面也要与专业结合，体现人工智能在测绘、遥感和地理信息领域的应用。以中国人工智能学会主编的面向非计算机专业的《人工智能导论》[11]以及由武大和北大分别编写的《智能空间信息处理》和《空间信息智能处理》等教材或专著为基础，笔者对相关内容进行了取舍，压缩了一些传统的、不必要的理论知识，扩展并增加了近年来前沿的理论方法和技术，如深度学习、强化学习、地理知识图谱等。此外，为体现地学特性，课程还增加了空间统计学中用于空间预测的回归模型。本课程主要教学内容如表1所示。

（1）绪论部分介绍这门课开设的学科发展背景、人工智能与地理空间智能的发展动态，以及空间信息智能处理的研究内容、理论方法和技术体系，并通过对典型应用案例的分析，使学生对这门课的主要内容有宏观的认识。

（2）地理空间认知：从认知科学的角度来认识地理空间及其包含的事物、对象和现象，重点介绍脑认知与类脑智能、地理空间认知的相关概念，以及地理空间认知的过程、特性和模型等内容，并展示基于空间认知的相关地学应用。

（3）空间知识表示：人类的发展依赖于知识的获取和运用，知识表示是计算机能够有效利用人类知识的关键。该部分将介绍知识的表示方法、基于知识库的专家系统，并重点介绍近年来备受关注的知识图谱的理论方法，包括知识图谱与地理知识图谱的相关概念、构建方法及其地学应用。

（4）机器学习与空间信息智能处理：机器学习是人工智能和数据科学的核心内容。该部分介绍机器学习的概念、原理和发展动态，并重点介绍特征表示、监督学习、非监督学习、弱监督学习和强化学习中代表性的机器学习算法，并通过实例展示如何通过机器学习来解决时空定位、识别、预测和规划等问题。

（5）深度学习与空间信息智能处理：深度学习是机器学习的最新分支和前沿领域，也是当前人工智能的主流技术。该部分介绍深度学习的发展动态、基本概念、原理、关键技术和开源框架，重点学习卷积神经网络、循环神经网络和对抗生成网络中代表性的网络模型，并通过实例展示如何通过深度学习来解决测绘、遥感和地理信息领域的复杂科学和工程问题。

（6）智能优化与空间信息智能处理：智能优化是受自然界和生物群体规律启发而设计的用于解决问题的一类优化算法。该部分介绍当前代表性的智能优化算法（包括遗传算法、群智能算法等）及其在解决地学领域优化类问题中的应用。

（7）空间统计与空间信息智能处理：空间数据除了具有位置特征，还具有属性上的空间相关性，空间统计模型在处理和建模这种特性时具有独特的优势。该部分围绕空间数据的两个特性（空间依赖性和空间异质性）展开，介绍建立在这些特性基础上的空间回归、地理加权回归和时空地理加权回归等空间统计模型以及相关的软件工具，并通过实例展示如何通过这些模型解决地理变量的空间（时空）关系建模、空间（时空）预测等问题。

课程总共48学时（包括理论课32学时和实践课16学时），各部分根据其内容的多少、难易及重要性分配不同的学时，其中深度学习部分占14学时，空间知识表示、机器学习和空间统计部分均占8学时，智能优化部分占6学时，其他部分均为2学时。

2.3 实践教学内容设计

空间信息智能处理是一门理论性、应用性和实践性都比较强的课程。除了理论教学，该课程还需要一定学时的实践教学，才能使学生较好地掌握相关原理、模型和算法。根据各部分教学内容的重要性和实践性要求，在空间知识表示、机器学习、深度学习与空间统计四个部分分别设置了实验项目，具体如表2所示。实践教学项目课程一共为16个学时，占课程总学时的1/3。

课程实践教学项目涉及测绘、遥感和地理信息领域的典型应用，如土地利用分类、灾害监测、点云分类、遥感图像场景识别和目标提取、碳排放预测等。通过这些利用先进智能模型、算法和技术来解决本专业实际问题的实践，不仅能加深学生对理论方法的理解，还能进一步提高其分析和解决测绘、遥感和地理信息领域复杂科学和工程问题的能力。

3 教学实施建议

空间信息智能处理在内容设置上集成了认知科学、人工智能、空间统计等多学科的精华，既包含基础知识、基本原理算法和关键技术，又有在测绘、遥感和地理信息领域的应用。在课程教学上，也需要采取多种教学方式，以保证学生能较好地实现课程的教学目标。对于该课程的教学实施，具体有以下建议。

3.1 “点”与“面”结合

人工智能领域包含大量的模型和算法，以深度学习为例，仅卷积神经网络就包含大量的网络模型（如AlexNet、VGGNet、GoogLeNet、ResNet等），其变体更是不计其数，在有限的时间内，学生很难掌握所有的模型。因此，首先要加强对深度学习基本概念和原理的学习，之后可选择一两个代表性的模型进行重点学习和剖析，对于其他模型只需了解其典型特征即可。通过这种以“点”代“面”、“点”“面”结合的学习方式，就可以让学生在很短的时间内既能了解一类算法的宏观体系和发展脉络，又能掌握其中的典型代表。

3.2 理论与实践结合

该课程包含大量的原理和算法，具有较强的理论性。除了理论教学，还需要一定量的课内外实践，才能使学生做到既搞懂原理又能动手解决专业领域的实际问题。例如，在空间知识表示、机器学习、深度学习、智能优化和空间统计这几个内容板块中，可以分别设置一个综合性的实驗项目供学生课内或课后去完成。

3.3 线上与线下结合

该课程所包含的机器学习、深度学习等人工智能的理论知识，目前已有丰富的在线资源，如MOOC平台的课程、百度飞浆的深度学习平台，这些资源（包括PPT、视频、代码）可以在课前或课后提供给学生自学使用。对于线上缺少的资源（比如这些方法在本专业领域的应用），可以在课上重点学习。

3.4 教学与科研结合

该课程包含深度学习、知识图谱等大量的人工智能前沿的理论方法，目前已被广泛用于解决定位导航、遥感图像智能处理、时空大数据分析等领域的科学和工程问题，并且新成果层出不穷。建议任课教师关注这些领域的科研进展，及时将好的科研成果带进课堂，实现科研成果对教学内容的有力支撑。

4 结语

空间信息智能处理是面向智能化测绘，为测绘地理信息类专业的高年级学生开设的一门专业选修课程。文章对该课程的教学目标和教学内容进行了探讨，并提出教学实施的一些建议。后期将根据学科发展动态和实际教学效果，及时优化调整教学目标、教学内容和教学方式，不断完善该课程，为智能化测绘地理信息人才的培养提供有力的课程支撑。

参考文献：

[1] 刘经南，郭文飞，郭迟，等.智能时代泛在测绘的再思考[J].测绘学报，2020，49（4）：403-414.

[2] 李德仁，王密，沈欣，等.从对地观测卫星到对地观测脑[J].武汉大学学报（信息科学版），2017，42（2）：143-149.

[3] 李德仁，王密，杨芳.新一代智能测绘遥感科学试验卫星珞珈三号01星[J].测绘学报，2022，51（6）：789-796.

[4] 张永生，张振超，童晓冲，等.地理空间智能研究进展和面临的若干挑战[J].测绘学报，2021，50（9）：1137-1146.

[5] 李德仁.论时空大数据的智能处理与服务[J].地球信息科学学报，2019，21（12）：1825-1831.

[6] 高井祥.智能时代测绘高等教育的几点思考[J].测绘通报，2018（9）：139-143.

[7] 闫利，李建成.测绘类专业的“新工科”建设思考[J].测绘通报，2020（12）：148-154.

[8] 岳建平，丛康林.人工智能时代的测绘工程教育改革[J].测绘通报，2020（9）：151-154.

[9] 秦昆.智能空间信息处理[M].武汉：武汉大学出版社，2009：1-280.

[10] 张飞周，刘典.空间信息智能处理[M].北京：高等教育出版社，2019：1-340.

[11] 李德毅，于剑，中国人工智能学会.人工智能导论[M].北京：中国科学技术出版社，2018：1-261.

作者简介：陈一祥（1984—），男，山东日照人，博士，讲师，研究方向：时空大数据与地理空间智能。

秦昆（1972—），男，湖北随州人，博士，教授，研究方向：时空大数据分析与挖掘。

苗立志（1981—），男，山东临沂人，博士，副教授，研究方向：地理空间人工智能（GeoAI）。

吴超（1992—），女，安徽天长人，博士，副教授，研究方向：GIS空间分析与建模。

黄毅（1992—），男，江西南昌人，博士，讲师，研究方向：地理场景认知。