本文内容来源于《测绘学报》2024年第5期（审图号GS京(2024)0950号）

陈军,1,2,3,4, 艾廷华5, 闫利,6, 刘万增1,3, 李志林7, 朱强8, 高井祥2, 谢洪6, 武昊1, 张俊1

1.国家基础地理信息中心，北京　100830

2.中国矿业大学环境与测绘学院，江苏　徐州　221116

3.自然资源部时空信息与智能服务重点实验室，北京　100830

4.莫干山地信实验室，浙江　湖州　313299

5.武汉大学资源与环境科学学院，湖北　武汉　430079

6.武汉大学测绘学院，湖北　武汉　430079

7.西南交通大学地球科学与环境工程学院，四川　成都　611756

8.浙江大学，浙江　杭州　310058

基金项目

国家自然科学基金(42394060)(42394061)

作者简介

陈军（1956—），男，教授，中国工程院院士，研究方向为时空信息理论及赋能应用。　E-mail：chenjun@ngcc.cn

通信作者: 闫利 E-mail：lyan@sgg.whu.edu.cn

摘要

传统数字化测绘产品在数字经济、数字治理与数字生活等方面发挥着越来越重要的时空基底和关键生产要素作用，但其精细程度、更新周期、服务方式难以满足数智新时代下的高质量发展需求。因此，迫切需要实现数字化测绘到智能化测绘的转型升级，通过构建新型时空新型基础设施以全方位提升高品质的时空信息供给能力、高层次的时空数据分析能力，以及高水平的时空知识服务能力。本文从测绘自然智能与人工智能结合的必要性分析出发，首先讨论了测绘智能计算的基本概论及内涵，然后提出了智能化测绘知识为引导、数据为驱动、算法为基础、服务为支撑（KDAS）的混合智能计算范式并梳理了其构建基本任务，最后从感知、认知、表达与服务4个维度研究并系统阐述了智能化测绘的混合计算关键技术和相应途径，试图为混合计算赋能智能化测绘知识体系构建以及产业发展升级搭建基础研究框架。

关键词

智能化测绘; 时空型混合智能; KDAS混合智能计算范式; 混合智能计算方法

本文引用格式

阅读全文

http://xb.chinasmp.com/article/2024/1001-1595/1001-1595-2024-06-0985.shtml

测绘是通过感知、认知、表达等技术手段，测定各类自然要素、人文现象和人工设施的位置、形态、关系与演变等，提供多尺度、多类型的地理空间信息产品与服务[1-2]。20世纪90年代以来，我国成功实现了从模拟测绘到数字化测绘的技术转型升级，在全国范围内逐步建立起了数字化测绘技术体系，生产了尺度多、覆盖全、更新快的基础地理信息产品，为经济建设、社会发展、国防安全等提供了可靠的时空信息服务与技术支撑，并有力推动了测绘地理信息产业的蓬勃发展[3]。近年来，数字化测绘技术在支撑重大时空信息工程与应用方面表现出较大的局限性，往往难以做到时空数据保障的实时化、信息提取的自动化、服务赋能的知识化。如，国家正大力推动实景三维中国建设，研制具有实体化、立体化、真实化特征的实景三维信息产品，但现有的数字化测绘技术手段往往“力不从心”，难以有效支撑实体化建模、立体化重构、真实化描述、知识化服务等任务[4]。这是由于数字化测绘技术采用定量算法或解析模型，进行时空数据的建模、处理、分析与表达，但是，由于现实世界的时空现象多维动态，相互关系错综复杂，往往无法简单地用一组数学模型或算法加以完整描述和解析计算。这表明数字化测绘技术的“红利”已基本用完，亟须创新发展和转型升级，从数字化测绘向智能化测绘发展[5-6]。

多年来，测绘界在高度重视新算法、新模型的同时，一直注意吸收和积极运用人工智能的最新研究成果[7-10]。早在20世纪80年代中，测绘界就引入专家系统、知识推理等符号主义智能表达技术，开展地图设计专家系统和影像解译系统等研究[11-14]；在地图制图、影像解译、空间分析中引入遗传、蚁群、免疫、模拟退火等行为主义智能的优化算法，将神经元网络、深度学习模型等连接主义智能技术用于导航定位、影像解译、地图表达等方面的模式识别、聚类分析、内容生成、趋势预测[15-21]；尤其是近年来以深度学习、大语言模型（large language model，LLM）、生成式人工智能（artificial intelligence generated content，AIGC）、知识图谱为代表的人工智能技术蓬勃发展，国内外不少学者引入数据驱动、样本训练、优化决策等人工智能计算方法，采用数据主导、知识引导及知识-数据双驱动等研究模式，开展了遥感目标识别、地理场景解译、地表参数反演、地图空间认知等研究，取得了可喜的进展[22-41]。但是现有研究也面临着可解释性弱、移植性不足、适用性弱等一系列问题。

究其原因，主要是测绘对象与过程具有显著的时空特征，而现有的计算机人工智能技术主要是面向文本等非时空数据的，并不完全适用于测绘高维、非线性的时空问题求解。如，大语言模型的典型代表ChatGPT、SORA等背后所依赖的是注意力机制深度学习模型Transformer[42]，对于文本、图像的理解、对齐、生成有显著效果，但对以定位坐标、几何特征、时空语义构成的测绘领域时空数据，往往难以奏效。针对科学领域的应用，人工智能研究提出了科学人工智能（AI for Science）的理念，其不同于普适性、大众化的数据驱动AI研究，强调的是遵循学科领域的科学原理，寻求专业知识与数据驱动生成知识的有机融合，对开展测绘科学的智能化研究有重要启示[43]。笔者认为，应针对测绘自身的科学原理和时空数据的特殊性，深入探究时空特征对“数据+知识”双向驱动的影响机理，破解测绘自然智能与人工智能的耦合难题，构建时空型混合智能计算范式，推动智能化测绘的发展。

本文针对这一热点问题，分析了测绘自然智能的基本内涵及重要作用，讨论了其与计算机人工智能的互补优势及融合的可行性；继而分析了测绘混合智能计算面临的主要难题，提出要构建“知识为引导、数据为驱动、算法为基础、服务为支撑”的时空型混合计算范式，并分析了其基本构建任务；然后，围绕智能化测绘的关键技术环节，从感知、认知、表达与服务4个维度，讨论了测绘混合智能计算的研究内容与任务，并简要论述了今后的发展方向。

1　测绘智能计算

1.1　机械地应用AI难以实现测绘智能计算

对于测绘而言，“计算”的含义已经从传统基于算法模型的时空数字计算扩展到兼顾算法模型和逻辑推断的时空智能计算。前者是利用计算几何、离散数学、数理统计等，研究时空特征的数字计算问题，构建形成了的一整套测绘数字化计算方法，如坐标变换、几何校正、辐射融合、分类提取、多维建模、空间分析、可视化表达等。而后者则是指利用包括以符号主义为核心的逻辑推理、以问题求解为核心的探寻搜索、以数据驱动为核心的机器学习、以行为主义下模拟优化为核心的强化学习、以博弈对抗为核心的决策智能等，将其与测绘数字化计算方法相结合，开展顾及时空特征的数字与推理计算，如多传感器协同优化调度的感知计算、多维度时空特征识别的认知计算、情境化内容生成的表达计算、不同层次模型集成的服务计算等[44]。

近年来，单纯依靠传统的测绘时空数字计算，越来越难以满足遥感影像地物自动解译、地理场景快速识别等应用场景的需要。人们开始引入深度学习、知识图谱等机器智能方法，去提升高维非线性空间的问题求解能力[26,32-33,39,45-52]。如，利用卷积深度学习模型CNN，对图1（a）遥感影像数据所隐含的空间分布特征进行挖掘处理，提取出图1（b）所示的建筑物分布。CNN虽能较好地识别出每一栋建筑单体，但建筑物的边界极不规则，远达不到测绘产品的有关质量要求。为解决这一问题，专家们利用影像判读解译的测绘经验和知识，选用边缘提取、阴影弃除及结构识别等特征算子计算影像中的时空参量，构建卷积深度学习中的卷积核，并将其嵌入深度学习模型，从而大幅改善了建筑物边界识别的结果，如图1（c）所示。

图1

图1   测绘自然智能引导的影像地物识别

Fig.1   Image feature recognition guided by natural intelligence in surveying and mapping

这说明单纯地运用人工智能的相关技术方法，难以有效解决测绘智能计算的问题。因此，需要充分利用人类在长期生产与生活实践中积累形成的丰富测绘自然智能，凝练形成能反映时空数据内容一致性、空间逻辑性、时空耦合性等方面的知识与规则，去引导时空感知、认知、表达、服务等方面的算法选择、参量调整、回馈控制等，为测绘复杂时空问题的求解提供先进解决方案。

1.2　测绘自然智能发挥重要作用

一般说来，自然智能是指人类对客观事物进行合理分析、判断及有目的地行动和有效地处理周围环境事宜的综合能力。测绘自然智能则是指人类在测绘活动中形成的感知、认知、表达和行为的测绘机理、规则及模型知识，如定位计算的物理学规律、地物信息解译的辐射机理、地图表达的尺度效应等[6,53]。广义的测绘自然智能也应该包括跟测绘相关的动物智能，如昆虫和鸟类的定位、导航、目标跟踪功能[20]。人类的测绘自然智能包括时空感知智能、认知智能、表达智能和服务智能。

（1）感知智能：主要涉及复杂时空现象与物理信号响应机理、多模态传感器协同观测、异构信息融合等方面的能力、经验与知识。如，对于国土空间监测监管来说，由于多种环境和目标在光学、微波、激光等信号响应机理的差异，特别是诸如林下的隐蔽环境、复杂地表的遮挡环境，需要综合利用卫星、航空、无人机、地面传感网，使用多光谱、多时相、多角度、多极化传感器。这往往要求运用有关时空感知的先验知识等自然智能，进行优化调度，组织协同化观测，开展自动化处理及实景化建模。

（2）认知智能：是指人们在实际空间和地图空间中形成的思考、理解、推理、表达、学习的能力，基于挖掘、归纳和推理，形成对现实世界时空现象、变化、过程认知的概念性和规律性的认识。如，地图审核中所依赖的地图表达合规性规则知识，描述了自然和人文现象的存在状态、分布格局、时空演化、空间关联等知识，是审图专家在长期审图过程中经验与知识的积累，可指导人工智能算法的选型和规则的嵌入。

（3）表达智能：指在满足地理现象内容正确性和用户受众感受合理性的条件下，地图符号展示、空间布局、图形组织的表达规则与可视机理，包括地图符号的形状、尺寸、方向、亮度、密度、色彩等视觉变量的约束规则、地图符号的心理学感受规则，如视觉恒常性、视错觉规则、符号传递的自然现象联想与隐喻等。

（4）服务智能：是通过对具体任务的思考、理解与解耦，形成系统的解决方案及结构机理，包括规划、执行、评估和调整，形成端到端的服务能力。如，在国土空间规划的智能监管应用场景中，人们具备面向具体业务场景的业务流程梳理、关联因素解析、智能推荐方案生成等。借助于服务自然智能，能够有效地实现服务任务的自动编排、流程的自动规划、任务的自主执行，并通过生成式可视化技术，将结果以图文并茂、易于理解的方式呈现给最终用户。

1.3　两种智能优势互补

在人工智能领域里，混合智能是指同时运用多个人工智能分支领域的技术方法，使之取长补短、优势互补。如将擅长向量运算的学习算法（如神经网络）和擅长符号运算的知识表示方法组合起来，实现向量逻辑和符号逻辑的融合。由此形成的混合智能系统既具备强大的知识学习能力，又具备良好知识表示与推理能力[24,54]。而将数据驱动的机器学习方法与人类的常识先验、隐式直觉有效结合，可以实现可解释、更稳健和更通用的人工智能[23,36,55]。实际上，测绘自然智能与人工智能可以在思维方式、模型特征、任务目标、赋能途径等方面形成互补的优势。

（1）思维方式互补：测绘自然智能多是基于规则的推理，以演绎思维为主。而人工智能多是基于监督学习、样本训练、案例驱动，以归纳思维为主[56-57]。演绎与归纳是逻辑思维的一对重要方法，分别采用“自上而下”和“自下而上”路径，发挥互为补充的效应。开展测绘时空数据的感知与认知分析等，往往需将演绎与归纳两种思维结合起来，通过对大量底层数据样本的归纳，提炼出统一的、普适性的高层规则[58-59]。同时利用地学领域的既有知识规则进行推理与演算，导出落实、具体的时空信息特征。

（2）模型特征互补：测绘自然智能通常是在人类长期的测绘活动中总结形成的，利用简洁的公式、规则、图谱、形式化模型加以表达[60-63]；而人工智能模型多是基于数据的拟合运算，表现为大模型、超参量的复杂形式[57,64-66]。对于那些具有规则形状的人造小尺度结构，如通过圆函数方程式描述的花坛，可以用简洁的圆形曲线方程进行刻画。相反，对于包含众多不规则形态的自然地貌，如形状复杂的水库，其表达则需依靠人工智能技术进行迭代逼近和精确拟合。

（3）任务目标互补：人工智能的样本训练需要大数据支持，往往只关注关联联系、不关注因果联系，在问题求解时追求的是“知其然”[6,67-69]；而测绘自然智能往往是基于逻辑推理与因果解释，问题求解时力求“知其所以然”[63,70-72]。对于感知、认知、表达等测绘活动来说，“知其然”“知其所以然”的任务往往各占一定比例。因此需要综合利用这两种方法，如，利用空间相关分析（包括自相关、互相关）去“知其然”，与地学领域知识结合，探索背后的机理，去深入地探求其“所以然”[63,66,73]。

（4）赋能途径互补：自然智能往往是通过从上往下、逐级指导的赋能路径，去完成问题的解答[20]；人工智能则是从下往上，逐级总结提炼普适性、统一化的知识规则[74-75]。为了有效地发现和总结时空特征规律，往往需要将二者结合，将从原理出发的下推和从个例数据出发的上推相结合起来，在普适性与特殊性中找到平衡。

由此可知，测绘自然智能与人工智能在测绘时空计算中扮演着不同角色，具有优势互补的作用。将二者有机耦合，最大限度地发挥各自的效能，有助于大幅提升测绘实时感知、动态建模、灵性表达与知识服务的能力与水平。这就要求研究和构建新的混合智能计算范式。

2　混合智能计算范式

2.1　顾及时空特征的混合智能计算范式

计算范式是指在特定的科学研究范式下形成的计算模式及其方法体系，涉及数值计算、逻辑计算等[76-78]。近年来，人工智能领域提出了“数据+知识”双向驱动的混合智能计算范式，将数据驱动模型所具备的强大复杂非线性问题模拟预测能力与基于过程机理（机制）的知识驱动模型有机结合，发展了知识与数据并行、知识主导数据辅助、知识辅助数据主导等多种计算方式，以克服以往“黑匣子”不可解释、复杂场景带来的稳健性不足等缺点[38,79-81]。其中，知识与数据并行式的混合智能计算是由知识驱动过程模型，知识模型负责具有确定性逻辑的计算过程，数据驱动模型负责计算密集、复杂度高且具有模糊性的环节，最后对二者输出结果进行对接计算，有助于解决模块分割明确的复杂并行问题和多模态数据融合问题[82-83]。

但目前“数据+知识”双向驱动的混合智能计算主要是处理文本、图像、音频、视频常规模态数据，难以有效地顾及时空数据的特性，缺乏完整的时空特征形式化表达和在普适性结构上嵌入时空特征的机制，难于融入空间尺度、时态变化等的特征计算。因此，需要研究发展顾及时空特征的“数据+知识”混合计算框架。综合考虑测绘对象的时空特征、知识融合、尺度效应、样本构建等因素，本文提出了以“知识为引导（K）、数据为驱动（D）、算法为基础（A）、服务为支撑（S）”（knowledge-guided，data-driven，algorithms-based and service computing-supported，KDAS）的混合智能计算框架，如图2所示。

图2

图2   KDAS时空型混合计算范式核心内涵

Fig.2   Core connotation of spatiotemporal hybrid computing paradigm KDAS

KDAS的核心理念是将人类的智能推理、预测和判断优势与机器智能的记忆、注意和关联有机结合，通过嵌入、平行和衔接等方式，实现二者的优势互补与协同作用。其中，嵌入式是将自然智能对应的测绘规则、原理、模型，通过参量定义，融入机器学习模型的参量集中去；或者基于测绘特有的原理，设计形成学习模型所需的特殊算子，如根据影像解译中道路识别的特征，设计卷积深度学习中的卷积核；平行式混合则是两种智能计算模型各自独立实施，自然智能模型负责机理明确、不确定性低且技术成熟的计算环节，机器智能模型负责计算密集、复杂度高且具有模糊性的计算环节，再对二者输出结果进行集成；衔接式混合是指通过串联式对接，将一方计算的结果输入到另一方，完成后继计算，实现两种智能模型的混合。

知识（K）、数据（D）、算法（A）、服务（S）在KDAS中发挥着不同的作用。具体而言，“知识”在KDAS计算范式中扮演着总指导或引领的角色，根据测绘的基本原理、总体技术方法等，引导形成总体构架，包括计算过程、算子调度、3种混合方法的决策等；“数据”则承担学习驱动的角色，主要面向那些复杂的难以形式化表达的分类、预测、层次化计算，通过机器学习的样本训练、监督学习等，发掘数据背后的规则；“算法”发挥着基础的算力作用，即利用数字化测绘形成的丰富算法模型，根据自然智能规则导出的参量或者机器智能学习模型的算子，完成包括输入、输出、控制、评价等环节的计算任务；而“服务”则是指为KDAS范式建立开放性、延展性的动态服务计算环境，支持将感知、认知、表达的知识、数据和处理算法封装成Web服务，通过服务的发现、组合、调用等，实现大规模、复杂的混合计算与数据处理任务，支撑专业应用的敏捷搭建、交互接口、跨域协同。

2.2　KDAS构建的基本任务

为了构建时空型混合计算范式KDAS，需要研究解决测绘自然智能的解析与建模、自然智能与机器智能的有机融合、赋能路径等问题。

（1）测绘自然智能的解析与建模：以往测绘专家学者们在测绘自然智能的解析与建模开展了不少研究，如将人类在地图识别分析、影像判读解译、导航定位等测绘活动中形成的感知、认知和行为能力，抽象成特定的自然信息处理机制和支撑的先验知识。但尚未形成具有层次结构和内在逻辑的测绘自然智能知识体系，难以实现对测绘时空场景、要素、机理、状态、活动、过程、事件等的系统化描述，不能有效支撑混合计算范式构建与赋能应用的融合要求。因此，应以测绘及相关地学领域的时空感知原理、认知分析机制及知识表达服务方法为基础，深入地剖析测绘自然智能深层机理，构建测绘自然智能解析与建模方法，解析提炼人类对地理环境定位观测、影像解译、地图分析、时空挖掘等自然智能的先验知识与规则，凝练出系统性、逻辑性领域时空知识体系，形成可支撑测绘混合智能计算的领域知识。在此基础上，还要加强对测绘时空知识的形式化表达研究，采用形式化语言与方法，对测绘时空计算的算法、模型、过程、机制等进行描述与表达，以更好地支撑时空计算的知识表达与赋能应用。

（2）测绘自然智能与机器智能的有机融合：在剖析人工智能深度学习、群体智能、知识图谱、大语言模型的计算机制基础上，还有深入探索测绘自然智能与机器智能在思维方式、模型特征、任务目标、赋能方法等方面的优势互补机制，研究提出两种智能混合的具体形式与方式。针对特定的测绘任务目标，基于计算性质差异区分不同计算模块，确立数据密集型计算的机器智能驱动和规则演绎型计算的自然智能驱动的分工。进一步地，通过嵌入式、平行式、衔接式等不同混合方式将测绘自然智能与机器智能有机融合。在此基础上，厘清知识、数据、算法、服务4因子在混合计算中的各自角色，构建顾及时空特征的“知识-数据”双向驱动的多层次、跨模态KDAS混合计算范式。

（3）时空型混合智能计算的理论方法体系构建：针对智能化测绘计算知识过于零散性、经验性的现状，将“人-机-物”三元空间耦合视角下的测绘混合智能计算知识体系化，明确知识体系框架要素的概念内涵、本体特征及其结构关联关系，形成包括混合计算范式、计算方法、形式化表达、测绘领域知识在内的系统性测绘混合智能计算知识体系；分析凝练测绘领域自然智能、测绘算法和机器智能的混合智能计算数理基础，构建测绘混合智能计算知识体系的形式化表达理论，促进测绘自然智能与机器智能的有机融合。针对测绘时空信息的实时感知、精准认知、情境表达、自主服务等工程实践需求，还应研究基于KDAS的时空数据实景化感知、时空场景多维度认知、时空地图情境化表达及时空智能自主式服务等关键技术方法；通过厘清基本概念、梳理概念间的规则联系、建立不同知识点内容的层次等方法，以知识图谱、计算范式、计算方法集等形式，构建具有系统性和逻辑性的智能化测绘智能计算知识框架。将AI领域的判别式智能、生成式智能、调度式智能技术与测绘各分支任务结合，研究推出新时代智能化测绘的新型产品模式，构建测绘领域的AI for science知识体系，在时空混合智能计算中作出测绘学科的特有贡献。支撑测绘感知、认知、表达及服务等时空计算，推动测绘学科与技术体系的智能化转型升级。

3　混合智能计算方法

采用前述的时空型混合智能计算范式KDAS，进一步地面向测绘感知、认知、表达、服务的具体业务场景，研究和发展测绘混合智能计算方法，如图3所示，为构建智能化测绘技术体系奠定基础。

图3

图3   智能化测绘关键任务与混合计算研究方法

Fig.3   Key tasks of intelligentized surveying and mapping and research methods for hybrid computing

3.1　实景化感知计算

针对全覆盖、高时效、多维度的复杂时空国土空间实景化数据获取的要求，剖析“天-空-地-网”一体化观测体系构建方面存在的制约性问题，研究领域知识引导的国土空间协同观测机理与动态处理机制，构建事件感知计算驱动的观测任务解析、资源调度集成等协同化观测技术框架。研发混合智能驱动的辐射传输模型时空计算、多模态影像实时稳健匹配、多模态时空数据时空同化计算等实时化处理技术方法，突破动态场景的全域构建、实时重建（更新）及无缝融合等时序化重建难题，建立“协同化感知-实时化处理-时序化建模”的时空数据实景感知混合智能计算体系，以支撑实现对国土空间的全面动态感知。

（1）时空数据协同化获取。通过建立融合观测知识、感知知识、地理知识的多元高维知识模型，在此基础上，利用自然空间与社会空间协同观测的尺度驱动、空间约束、时空关联作为混合智能驱动，构建全面融合对地观测与社会感知的高效率、高质量弹性协同感知网，从方案决策、观测执行及自主测量3个层面实现时空数据协同化获取。

（2）时空数据实时化处理。将自然智能先验知识与模型算法的机器智能相结合，围绕机理模型、统计模型、推理模型建立时空数据实时化处理相关的混合智能计算方法，包括多模态影像的辐射传输模型建立、实时稳健匹配、实时时空同化等。

（3）时序化场景重建。以场景结构、要素及功能智能感知为基础，以尺度驱动、空间约束、时间连续、时空关联等自然智能为驱动，构建静态重建计算、动态感知计算、场景语义抽取进行智能耦合的时空场景动态重建范式，解决时空多尺度、连续且变换场景的动态、高效率、可更新的实景重建问题。

3.2　多维度认知计算

针对时空场景的多维动态特性和系统精准认知的要求，以认知心理学机理为基础，以认知混合计算为核心，以认知链模型构建为主线，开展复杂时空场景多维度认知混合智能计算研究。研究耦合自然智能与人工智能的复杂时空场景多维度认知混合智能计算模式和信息机理，构建知识引导、数据驱动的时空认知计算框架。研究三维时空场景语义分割、时空关系动态计算和多元信息关联理解等核心算法，构建大场景高效预判、小场景动态诊断、实景化精准核验等多维度认知计算模型。结合国土空间智慧管控查处开展试验验证，有效解决复杂时空场景认知的“找不到、认不透、判不准”等难题。

（1）多维时空场景认知计算模型构建。对场景认知的知识系统进行解构和剖析，建立时空场景知识的序化演替逻辑，形成多维时空场景认知链。基于时空知识的形式化描述模型构建时空场景知识图谱，研究时空关联算法，发展融合知识图谱和图卷积神经网络的场景认知计算模型，为多维时空场景认知计算提供理论和方法。

（2）动态场景时空关系映射推理认知。将时空场景知识图谱和深度学习等现代人工智能算法深度耦合，突破时序影像目标精准检测、时空关系实时推理、场景要素关联映射、目标行为动态计算、场景语义建模表达等方法，实现快速识别时序场景形态结构，自动推理时空关系，精准分析要素行为，智能辨识功能效应，有效解决多模态、多时态复杂时空场景认知难题。

（3）复杂三维场景多元知识关联认知。融合时空场景认知知识与深度学习模型，构建稳健可解释的三维网格语义分割模型，实现三维复杂场景的自动化提取对象实体。基于复杂网络、时空推理等理论，研究知识引导的三维实体空间关系动态计算方法，关联轨迹、社交媒体等海量多源时空场景知识，挖掘时空场景数据中隐藏的复杂时空模式、特征和规律，形成对三维场景内容的精准计算和理解，实现由局部实体认知到全局功能判别。

3.3　情境化表达计算

针对时空地图表达的情景化、灵性化、智能化和互动式的要求，开展时空地图的情境化表达混合智能计算研究。研究地图制图自然智能的解析与建模，研发时空地图表达的情境觉知、多模态地图的情境化生成、多模态情境化地图人机交互制图等关键技术。提出人在回路、数据和知识双驱动的情境化地图表达混合智能计算模型与方法，开展原型系统总体架构与功能体系的设计研究，并开展试验验证，以支撑实现多模态时空地图情境化制作。

（1）情境化地图表达的混合智能模型构建。系统解读地图情境化表达机制，凝练和整理地图制图过程中的经验或认识，并将其转化为数字形式。使用AutoGPT[84]的核心推理机制，将机器智能和人类制图知识的自然智能进行耦合，通过人在回路的方式实现制图过程的自组织和相关任务模块的合理调度；利用自然智能建模和知识表示，基于机器智能神经网络模型加以驱动，形成自然智能、机器智能、算法智能的混合模式，支撑地图表达的情境觉知、情境化生成、地图人机交互等任务模块的混合计算。

（2）时空地图表达的情境觉知。全面觉知时空地图表达情境，包括推断用户意图、解析地图语言、理解地图内容等。利用自然语言处理方法解析用户的文本交互，将用户输入的自然语言转化为数字形式，从中提取有关地图的关键信息，理解用户的制图意图。在深度学习机器智能框架下，将人类自然智能的制图要素知识（如地图符号图形规律）嵌入其中，构建基于知识和数据双驱动的混合智能计算模型，提升地图符号、比例尺等制图要素的识别精度和可靠性。发展基于图-文-数跨模态融合的地图内容理解技术，实现跨模态数据的语义表示对齐、协同利用，支撑地图内容的深度理解。

（3）多模态地图的情境化生成。在对自然语言制图指令解译的基础上，进行任务理解与地图概要设计，包括地图风格的提取、多模态地图内容和形式的生成式设计，以及地图设计的表达模型构建。通过改进Transformer模型进行自主式地图设计；对多源制图数据进行智能变换，构建一个地图变换知识库，在此基础上面向多源异构数据进行集成融合变换、面向多尺度数据进行智能化尺度变换，实现制图数据的就绪化；通过改进现有的CodeGPT[85]进行各类地图生成，包括多维动态地图自主式生成、多载体地图自主式生成和多环境地图自主式生成。实现面向场景化应用进行多模态地图自主式生成。

（4）多模态情境化地图人机交互。通过文献综述、专家和用户调查，确定情境化人机交互制图的概念框架和关键内涵；基于自然语言大模型，采用精细调整训练，知识注入及知识消歧等方法实现用户表达的情境化交互、时空增强的多模态交互；利用强化学习方法管理用户对话，通过工程引导和感知用户制图意图，生成最终的制图指令。

3.4　自主式服务计算

针对时空信息服务计算的自主化和智能化要求，开展时空智能服务混合计算研究。研究大小模型协同的统一框架、时空智能的混合记忆机制等时空智能协同进化机理，开展时空智能服务混合计算研究，突破时空智能体自主构建的关键技术，研发以GPT[86]为“大脑”决策核心的任务分解、流程编排、分节点调用的时空智能服务计算引擎，实现面向国土空间监测监管场景下的自主化、个性化和灵性化时空服务应用。

（1）时空智能协同进化机理研究。利用当前人工智能领域大模型GPT的强大能力，以混合智能计算新范式为导向，将大模型与测绘领域小模型结合，通过多尺度时空记忆机制实现知识注入，研究大小模型协同统一框架、时空智能混合记忆机制及时空模型异构协同演化机理。

（2）时空智能体自主式构建。深入研究时空场景下面向任务的模型自主适配技术，结合时空知识激活技术和跨模态内容生成技术，以GPT为决策核心实现新一代时空智能体之间的协同交互，为测绘领域的时空信息服务提供高效的个性化解决方案。

（3）时空智能自主化服务及场景应用。研究融合时空约束的工作流程自组织策略，搭建领域知识指导下的基于GPT的计算工作流，自主构建面向时空场景的解决任务和流程编排，实现任务自执行及内容自生成；在此基础上，建立数据-知识-计算一体化的时空智能计算引擎，实现端到端时空信息自适应、灵性化智能服务。

4　结语

将测绘自然智能与人工智能技术有机结合，构建时空型混合智能计算范式，提升测绘感知、认知、表达与服务的智能化水平，既是从数字化测绘走向智能化测绘的基本任务，也是提升时空信息供给与服务能力、更好地赋能国家高质量发展的必然选择。为有效应对这一国内外该领域的研究前沿与科技挑战，日前国家自然科学基金地学部批准设立了“智能化测绘的混合计算理论与方法研究”重大项目，支持开展智能化测绘混合计算的基础研究。其目的旨在通过深入系统研究，厘清测绘混合智能计算的基本概念，建立时空型混合智能计算的基本范式，发展时空数据实景化感知、时空场景多维度认知、时空地图情境化表达、时空智能自主式服务等混合智能计算成套方法，创建智能化测绘的混合计算理论与方法体系，为测绘和地球科学研究等提供新方法、新手段，并带动国际该领域的研究发展。

为了切实做好智能化测绘混合计算理论与方法的研究与应用，应在研究关键科学问题的同时，注重面向国家重大工程的迫切需求，解剖实际案例，分析数字化测绘生产与服务中面临的技术瓶颈，厘清痛点、重点、难点问题，找准智能化测绘研究的切入点，提出面向工程实际的解决方案，支撑智能化测绘业务系统或平台、仪器装备的研制开发；此外，还要采用知识工程方法，开展结构化建模、领域化知识抽取、关联化处理，构建智能化测绘混合计算理论方法的知识服务系统，提供描述型、方案型知识服务，支撑测绘学科体系的智能化升级，推动智能化测绘人才的培养。

初审：侯   琳

复审：宋启凡

终审：金   君