هوش مصنوعی و GIS :همه چیز را ممکن کنید!!

1. تعاریف
2. هوش مصنوعی و جغرافیا
3. رویکردهای اصلی هوش مصنوعی
4. کاربردهای هوش مصنوعی در جغرافیا
5. مسیرهای احتمالی آینده

1. تعاریف

هوش مصنوعی : مطالعه و طراحی ماشین‌ها یا روش‌های محاسباتی که می‌توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند

GeoAI : یک زمینه بین رشته ای از جغرافیا و هوش مصنوعی

یادگیری ماشینی : حوزه فرعی در هوش مصنوعی که بر روش‌های آماری یا تکنیک‌های بهینه‌سازی عددی برای استخراج مدل‌ها از داده‌ها بدون برنامه‌ریزی صریح هر پارامتر مدل یا مرحله محاسباتی متکی است.

یادگیری عمیق : نوع خاصی از یادگیری ماشینی که چندین لایه از واحدهای پردازش غیرخطی یا نورون‌ها را برای یادگیری بازنمایی از داده‌های خام برای دستیابی به هدف یادگیری خودکار برای تکمیل وظایف مختلف هوش مصنوعی به کار می‌گیرد.

2. هوش مصنوعی و جغرافیا

هوش مصنوعی (AI) در سال‌های اخیر مورد توجه بسیاری از دانشگاه‌ها، صنعت و عموم مردم قرار گرفته است. علیرغم محبوبیت اخیر، این رشته در سال 1956 در کارگاهی در کالج دارتموث (مک کارتی، 1956) متولد شد. هوش مصنوعی از ابتدا یک حوزه وسیع است و تعاریف مختلفی دارد (راسل و همکاران، 2003). برخی از تعاریف بر طراحی ماشین های هوشمندی تمرکز دارند که می توانند مانند انسان عمل کنند. به عنوان مثال، تست معروف تورینگ برای این طراحی شد که ببیند آیا پاسخ های یک ماشین می تواند از پاسخ های یک شخص واقعی غیرقابل تشخیص باشد (تورینگ، 1950). برخی از تعاریف دیگر بر طراحی و توسعه روش‌های محاسباتی برای تکمیل وظایفی که معمولاً به هوش انسانی نیاز دارند، مانند تشخیص اشیاء از روی تصاویر یا درک معنای جملات زبان طبیعی، تمرکز دارند.  

توسعه هوش مصنوعی سقوط و صعود را تجربه کرده است. به دنبال خوش‌بینی اولیه خود در دهه‌های 1960 و 70، تحقیقات هوش مصنوعی به دلیل شکست روش‌های هوش مصنوعی در رسیدگی به مشکلات دنیای واقعی، «زمستان هوش مصنوعی» را پشت سر گذاشت. دهه های بعدی شاهد چندین موج دیگر از خوش بینی و ناامیدی بود. از قرن 21 و به ویژه پس از سال 2010، پیشرفت قابل توجهی در تحقیقات هوش مصنوعی حاصل شده است. سه عامل اصلی در این پیشرفت سریع هوش مصنوعی نقش داشته است: داده های بزرگ، الگوریتم های جدید و قدرت محاسباتی بسیار زیاد. ظهور حسگرهای همه جا حاضر و محتوای تولید شده توسط کاربر در وب باعث می شود که حجم زیادی از داده ها با سرعتی سریع تولید و جمع آوری شوند. کلان داده کامپیوترها را قادر می‌سازد تا بسیاری از جنبه‌های مختلف جهان را «مشاهده» کنند، تا روش‌های عملکرد جهان را بیاموزند. و آینده را بر اساس مشاهدات موجود پیش بینی کند. در همین حال، الگوریتم‌ها و مدل‌های جدیدی توسعه یافته‌اند و جامعه هوش مصنوعی علاوه بر سنت منطقی، از ایده‌ها و نظریه‌های مختلفی از حوزه‌های دیگر مانند آمار، اقتصاد، زیست‌شناسی و علوم شناختی استقبال کرده است. سوم، محاسبات با کارایی بالا (HPC) قدرت ضروری را برای پیوند داده‌های بزرگ و مدل‌های محاسباتی جدید فراهم می‌کند و اجازه می‌دهد آموزش مدل‌های پیچیده بر روی مجموعه داده‌های بزرگ در عرض چند ساعت یا روز به جای هفته‌ها یا ماه‌ها تکمیل شود. این سه عامل اصلی، یعنی داده‌های بزرگ، الگوریتم‌های جدید و قدرت محاسباتی بسیار زیاد، به توسعه چشمگیر هوش مصنوعی در سال‌های اخیر دامن زدند. مانند آمار، اقتصاد، زیست شناسی و علوم شناختی، علاوه بر سنت منطقی آن. سوم، محاسبات با کارایی بالا (HPC) قدرت ضروری را برای پیوند داده‌های بزرگ و مدل‌های محاسباتی جدید فراهم می‌کند و اجازه می‌دهد آموزش مدل‌های پیچیده بر روی مجموعه داده‌های بزرگ در عرض چند ساعت یا روز به جای هفته‌ها یا ماه‌ها تکمیل شود. این سه عامل اصلی، یعنی داده‌های بزرگ، الگوریتم‌های جدید و قدرت محاسباتی بسیار زیاد، به توسعه چشمگیر هوش مصنوعی در سال‌های اخیر دامن زدند. مانند آمار، اقتصاد، زیست شناسی و علوم شناختی، علاوه بر سنت منطقی آن. سوم، محاسبات با کارایی بالا (HPC) قدرت ضروری را برای پیوند داده‌های بزرگ و مدل‌های محاسباتی جدید فراهم می‌کند و اجازه می‌دهد آموزش مدل‌های پیچیده بر روی مجموعه داده‌های بزرگ در عرض چند ساعت یا روز به جای هفته‌ها یا ماه‌ها تکمیل شود. این سه عامل اصلی، یعنی داده‌های بزرگ، الگوریتم‌های جدید و قدرت محاسباتی بسیار زیاد، به توسعه چشمگیر هوش مصنوعی در سال‌های اخیر دامن زدند. و اجازه می دهد تا آموزش مدل های پیچیده در مجموعه داده های بزرگ در عرض چند ساعت یا روز به جای هفته ها یا ماه ها تکمیل شود. این سه عامل اصلی، یعنی داده‌های بزرگ، الگوریتم‌های جدید و قدرت محاسباتی بسیار زیاد، به توسعه چشمگیر هوش مصنوعی در سال‌های اخیر دامن زدند. و اجازه می دهد تا آموزش مدل های پیچیده در مجموعه داده های بزرگ در عرض چند ساعت یا روز به جای هفته ها یا ماه ها تکمیل شود. این سه عامل اصلی، یعنی داده‌های بزرگ، الگوریتم‌های جدید و قدرت محاسباتی بسیار زیاد، به توسعه چشمگیر هوش مصنوعی در سال‌های اخیر دامن زدند.     

در این زمینه، دیدن ادغام هوش مصنوعی و جغرافیا، به ویژه GIScience و GI Systems (GIS) احتمالاً جای تعجب ندارد. امروزه حجم بالایی از داده ها حاوی اطلاعات جغرافیایی مرجع هستند، یعنی اطلاعاتی در مورد مکان های روی سطح زمین یا نزدیک به آن. به عنوان مثال می توان به مسیرهای GPS، تصاویر سنجش از راه دور، رسانه های اجتماعی مبتنی بر مکان، ردپای فضایی ساختمان ها، جاده ها و قطعات، داده های ارتفاعی جهانی، داده های کاربری و پوشش زمین، توزیع جمعیت و غیره اشاره کرد. این داده‌های جغرافیایی مرجع ورودی‌های حیاتی برای بسیاری از مدل‌ها هستند که به طیف وسیعی از مشکلات مربوط به جامعه انسانی و محیط طبیعی ما می‌پردازند و GIS برای پردازش، مدیریت و تجسم این داده‌های بزرگ جغرافیایی ضروری است. علاوه بر این، بسیاری از مدل‌های هوش مصنوعی نیاز به سنتز داده‌های ناهمگن از منابع مختلف دارند. در حالی که موقعیت جغرافیایی اغلب تنها عاملی است که می تواند چنین مجموعه داده های ناهمگنی را به هم پیوند دهد. در نهایت، تحقیقات موجود قبلاً ادغام موفقیت‌آمیز بین GIS و HPC را نشان داده‌اند (وانگ، 2010)، و سیستم‌های یکپارچه GIS و AI نیز قابلیت اعمال قدرت محاسباتی بالا را دارند. 

در حال حاضر تلاش‌های زیادی توسط دانشگاه و صنعت برای تسهیل ادغام جغرافیا و هوش مصنوعی انجام شده است، و نتیجه یک حوزه جدید و بین‌رشته‌ای هیجان‌انگیز است – GeoAI. در دانشگاه، اولین کارگاه GeoAI در نوامبر 2017 در یک کنفرانس بزرگ GIS، ACM SIGSPATIAL برگزار شد که بیش از 100 شرکت کننده را جذب کرد (Mao et al., 2018a). در آوریل 2018، اولین سمپوزیوم هوش مصنوعی و یادگیری عمیق در بزرگترین کنفرانس جغرافیا، نشست سالانه انجمن جغرافیدانان آمریکا (AAG) برگزار شد. در صنعت، یکی از شرکت‌های بزرگ GIS، Esri Inc.، با مایکروسافت برای ارائه ماشین مجازی علم داده GeoAI (DSVM) با هدف گردآوری هوش مصنوعی، محاسبات ابری، تجزیه‌وتحلیل‌های مکانی و تجسم‌های جغرافیایی همکاری کرده است. همچنین شایان ذکر است که قبلاً مطالعاتی در ادبیات گزارش شده است که از یادگیری ماشین برای حل مسائل جغرافیایی قبل از کارگاه GeoAI استفاده می کند و بسیاری از آنها مانند تجزیه و تحلیل تصویر فراطیفی (چن و همکاران، 2014) با وضوح بالا تفسیر تصاویر ماهواره ای (ژانگ و همکاران، 2015)، و بازسازی سه بعدی (بلاها و همکاران، 2016)، از جامعه سنجش از دور هستند (تویا و همکاران، 2009؛ ژو و همکاران، 2017). با توجه به این علاقه مستمر، این احتمال وجود دارد که در آینده قابل پیش بینی تعاملات بیشتری بین جغرافیا و هوش مصنوعی وجود داشته باشد. این مدخل با هدف ارائه برخی از پیشینه GeoAI به خوانندگان علاقه مند، به ویژه دانشجویانی که رهبران آینده GIS خواهند شد، ارائه می کند. این زمینه به سرعت در حال توسعه است و این ورودی که بین اواسط سال 2018 و اوایل سال 2019 تکمیل شد، نشان دهنده پیشرفت تاکنون است.

3. رویکردهای اصلی هوش مصنوعی

هوش مصنوعی، به عنوان یک زمینه گسترده، رویکردهای مختلفی را در بر می گیرد که از بازنمایی دانش از بالا به پایین تا یادگیری ماشینی از پایین به بالا را شامل می شود. سه مفهوم مرتبط وجود دارد که در سال‌های اخیر اغلب مورد استفاده قرار گرفته‌اند: هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق. به طور کلی، هوش مصنوعی گسترده‌ترین مفهوم است، یادگیری ماشینی یک رشته فرعی در هوش مصنوعی است و یادگیری عمیق نوع خاصی از یادگیری ماشینی است. شکل 1 روابط بین این سه مفهوم را نشان می دهد. در حالی که حوزه گسترده هوش مصنوعی شامل رویکردهای بسیاری است، محبوبیت اخیر آن عمدتاً به دلیل عملکرد برجسته یادگیری ماشین، به ویژه یادگیری عمیق است. بنابراین، این مدخل بر بحث در مورد این دو نوع رویکرد هوش مصنوعی متمرکز است.

شکل 1. روابط بین هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق (بنت 2018).

3.1 یادگیری ماشینی

یادگیری ماشین یک حوزه فرعی در هوش مصنوعی است (شکل 1 را ببینید) که معمولاً بر روش‌های آماری یا تکنیک‌های بهینه‌سازی عددی برای استخراج مدل‌ها از داده‌ها بدون برنامه‌ریزی صریح هر پارامتر مدل یا مرحله محاسباتی متکی است (والیانت، 1984). یکی از ویژگی‌های مهم مشترک بسیاری از مدل‌های یادگیری ماشین، استفاده از احتمال برای نشان دادن عدم قطعیتی است که به طور گسترده در مسائل دنیای واقعی وجود دارد. سه نوع اصلی یادگیری وجود دارد: یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی. یادگیری نظارت شده برای آموزش یک مدل محاسباتی به داده های برچسب دار نیاز دارد، در حالی که یادگیری بدون نظارت داده های بدون برچسب را برای کشف الگوها بررسی می کند. یادگیری تقویتی به داده‌های برچسب‌گذاری شده نیاز ندارد، اما به بازخوردهای مبتنی بر عمل، مانند پاداش‌ها یا مجازات‌ها، نیاز دارد تا به یک مدل محاسباتی برای یادگیری کمک کند. وظایف یادگیری ماشینی را می توان به روش های مختلفی دسته بندی کرد. بر اساس اهداف آنها، ما می توانیم وظایفی مانند طبقه بندی، خوشه بندی و پیش بینی را شناسایی کنیم (بنت، 2018). در طبقه بندی، هدف طبقه بندی یک هدف به یک دسته است، به عنوان مثال، طبقه بندی یک قطعه زمین به یک دسته مانند تجاری یا کشاورزی. در خوشه‌بندی، هدف شناسایی خوشه‌ها از داده‌ها است، به‌عنوان مثال، یافتن خوشه‌های وسایل نقلیه بر اساس مکان آنها برای شناسایی تراکم‌های ترافیک. در پیش‌بینی، هدف پیش‌بینی مقادیر ناشناخته است، به عنوان مثال، پیش‌بینی میانگین دمای چندین مکان در آینده نزدیک بر اساس دمای تاریخی آنها و سایر متغیرها با استفاده از مدل رگرسیون. همچنین وظایف دیگری وجود دارد که می تواند زیر چتر یادگیری ماشین قرار گیرد، مانند تشخیص ناهنجاری/تازه، تولید داده، تجسم، یادگیری ویژگی و دیگران. انواع مدل‌های یادگیری ماشین توسعه داده شده‌اند، مانند رگرسیون، درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان (SVM)، طبقه‌بندی کننده ساده بیزی، خوشه‌بندی مبتنی بر چگالی، مدل مارکوف پنهان (HMM)، شبکه عصبی مصنوعی (ANN)، و تعداد زیادی دیگر این روش‌ها با جزئیات در کتاب‌های درسی یادگیری ماشین، مانند Flach (2012) مورد بحث قرار گرفته‌اند. در حالی که اکثر روش‌های یادگیری ماشین می‌توانند مستقیماً روی داده‌های جغرافیایی اعمال شوند، آنها معمولاً منحصر به فرد بودن پدیده‌های جغرافیایی، مانند همبستگی خودکار فضایی و ناپایداری مکانی را در نظر نمی‌گیرند. روش‌هایی مانند رگرسیون تجربی بیزی کریجینگ (EBK) (Krivoruchko، 2012) و تجزیه و تحلیل مولفه اصلی فضایی (sPCA) (Jombart et al., 2008) وجود دارد که به صراحت جنبه فضایی مسائل جغرافیایی را مدل‌سازی می‌کنند. از جمله وزن های فضایی. برخی از مدل‌های فضایی کلاسیک، مانند رگرسیون وزن‌دار جغرافیایی (GWR) (Fotheringham et al., 2003)، همچنین می‌توانند به روش یادگیری ماشینی استفاده شوند، به عنوان مثال، می‌توان آنها را ابتدا بر روی یک مجموعه داده آموزش داد و سپس روی مجموعه‌های داده دیگر آزمایش کرد.

3.2 یادگیری عمیق

یادگیری عمیق نوع خاصی از یادگیری ماشینی است که بر توسعه و استفاده از شبکه های عصبی عمیق (DNN) برای وظایف یادگیری ماشین تمرکز دارد. DNN نوع خاصی از شبکه عصبی مصنوعی است که دارای چندین لایه (که لایه های پنهان نیز نامیده می شود) بین لایه های ورودی و خروجی است. هر لایه از مجموعه ای از واحدهای محاسباتی به نام نورون ها تشکیل شده است که ورودی لایه قبلی را می گیرند و خروجی غیرخطی را به لایه بعدی تولید می کنند. یادگیری عمیق در سال‌های اخیر به دلیل عملکرد فوق‌العاده‌اش (LeCun et al., 2015)، به لطف در دسترس بودن مجموعه داده‌های برچسب‌گذاری‌شده بزرگ، مانند ImageNet (Deng et al., 2009) و HPC، علاقه زیادی به خود جلب کرده است. مشابه دیگر مدل‌های یادگیری ماشینی، یادگیری عمیق می‌تواند برای تکمیل وظایف در طبقه‌بندی، خوشه‌بندی، پیش‌بینی و غیره استفاده شود. به ویژه، دو نوع DNN، شبکه عصبی کانولوشن (CNN) و شبکه عصبی بازگشتی (RNN)، توجه زیادی را از سوی جامعه جغرافیا به خود جلب کرده است. CNN مخصوصاً برای پردازش تصاویر با استخراج و نمایش ویژگی های انتزاعی از طریق آبشاری از لایه های عصبی و استفاده از فیلترهای کانولوشنال مناسب است (Li et al., 2017a; Maggiori et al., 2017; Gong et al., 2018). RNN برای پردازش داده های توالی، مانند مسیر حرکت (که می تواند به عنوان دنباله ای از مکان ها مدل شود) مناسب است (Kulkarni & Garbinato، 2017)، با به خاطر سپردن برخی از حالت های قبلی و ایجاد پیوند بین حالت های فعلی و قبلی. در حالی که بسیاری از مطالعات مدل‌های موجود را برای مشکلات جغرافیایی به کار بردند، محققان همچنین مدل‌های جدید DNN را به‌طور خاص برای مدیریت داده‌های جغرافیایی توسعه دادند. مارکوس و همکاران (2018) شبکه میدانی بردار معادل چرخش (RotEqNet) را برای نقشه برداری پوشش زمین بر اساس تصاویر سنجش از دور پیشنهاد کرد. RotEqNet معادل چرخش را در یک CNN رمزگذاری می‌کند و می‌تواند نسخه‌های چرخانده شده همان شی را از تصاویر سنجش از راه دور تشخیص دهد در حالی که تعداد پارامترهای مورد نیاز یک CNN سنتی را کاهش می‌دهد. سریواستاوا و همکاران (2018) یک مدل شبکه عصبی کانولوشن سیامی ورودی متغیر (VIS-CNN) برای طبقه‌بندی انواع کاربری زمین در سطح شیء شهری پیشنهاد کرد. مدل VIS-CNN آن‌ها می‌تواند تعداد متغیری از تصاویر نمای خیابان Google را برای یک شی شهری بپذیرد و آنها را جمع‌آوری کند تا نوع کاربری زمین را به‌صورت سرتاسری یاد بگیرد. و می تواند نسخه های چرخانده شده همان شی را از تصاویر سنجش از راه دور تشخیص دهد و در عین حال تعداد پارامترهای مورد نیاز یک CNN سنتی را کاهش دهد. سریواستاوا و همکاران (2018) یک مدل شبکه عصبی کانولوشن سیامی ورودی متغیر (VIS-CNN) برای طبقه‌بندی انواع کاربری زمین در سطح شیء شهری پیشنهاد کرد. مدل VIS-CNN آن‌ها می‌تواند تعداد متغیری از تصاویر نمای خیابان Google را برای یک شی شهری بپذیرد و آنها را جمع‌آوری کند تا نوع کاربری زمین را به‌صورت سرتاسری یاد بگیرد. و می تواند نسخه های چرخانده شده همان شی را از تصاویر سنجش از راه دور تشخیص دهد و در عین حال تعداد پارامترهای مورد نیاز یک CNN سنتی را کاهش دهد. سریواستاوا و همکاران (2018) یک مدل شبکه عصبی کانولوشن سیامی ورودی متغیر (VIS-CNN) برای طبقه‌بندی انواع کاربری زمین در سطح شیء شهری پیشنهاد کرد. مدل VIS-CNN آن‌ها می‌تواند تعداد متغیری از تصاویر نمای خیابان Google را برای یک شی شهری بپذیرد و آنها را جمع‌آوری کند تا نوع کاربری زمین را به‌صورت سرتاسری یاد بگیرد.

4. کاربردهای هوش مصنوعی در جغرافیا

تعداد قابل توجهی از کاربردهای هوش مصنوعی در حوزه جغرافیا وجود دارد. در این بخش برخی از این برنامه ها خلاصه می شود. 

4.1 تشخیص خودکار ویژگی های زمین طبیعی از تصاویر سنجش از دور

ویژگی‌های طبیعی زمین، مانند دهانه‌ها، آتشفشان‌ها و تپه‌های شنی، شاخص‌های مهم فرآیند زمین‌شناسی زمین هستند. تشخیص مکان آنها و استخراج خواص ژئومورفولوژیکی آنها برای جغرافیدانان و زمین شناسان در درک فرآیند شکل گیری ویژگی های مختلف زمین، متمایز کردن مناظر مشابه و همچنین غنی سازی دانش جغرافیایی ما از اهمیت بالایی برخوردار است. در حالی که این کار قبلاً عمدتاً با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) انجام شده است، به سختی می تواند به خودکارسازی مراحل پردازش دست یابد. پارامترهایی مانند ضریب مقیاس و ادغام سوپرپیکسل های تقسیم بندی شده (خوشه ای از پیکسل ها با مقادیر مشابه) اغلب به صورت دستی یا نیمه خودکار انجام می شود. با تکثیر کلان داده های مکانی، مانند تصاویر عظیم سنجش از راه دور، 

لی و همکاران (2017b) یک مدل Faster-RCNN (سی ان ان مبتنی بر منطقه سریعتر) را گسترش داد تا از تشخیص خودکار ویژگی های زمین طبیعی از تصاویر سنجش از دور پشتیبانی کند. متفاوت از وظایف طبقه‌بندی با استفاده از CNN، تشخیص شیء نه تنها باید آنچه را که در داخل یک تصویر قرار دارد، مشخص کند، بلکه باید مکان شی را که توسط یک جعبه مرزی (BBOX) به تصویر کشیده شده است، مشخص کند. این به برچسب های مکان اضافی در داده های آموزشی نیز نیاز دارد. چندین چالش در کاربرد یادگیری عمیق برای چنین مشکلات فضایی مورد توجه قرار گرفت. این شامل فقدان پایگاه داده آموزشی، مرز مبهم ویژگی های طبیعی در مقایسه با ویژگی های ساخته شده توسط انسان، مانند ساختمان یا زمین های گلف، و شباهت بین گروهی ویژگی های مختلف است. به عنوان مثال، معمولاً در بالای یک آتشفشان یک نوع دهانه وجود دارد که به آن دهانه آتشفشانی می گویند. که شبیه دهانه های برخوردی است. ایجاد چنین تمایزاتی ممکن است به شبکه یادگیری عمیق نیاز داشته باشد که ویژگی‌هایی را بیاموزد که برای هر (زیر) دسته‌بندی منحصربه‌فرد است، مانند انتشار خاکستر از آتشفشان فعال و زمین مسطح‌تر که معمولاً یک دهانه برخوردی در آن ظاهر می‌شود. بر اساس پایگاه داده آزمایشی بیش از 10000 تصویر، شبکه یادگیری عمیق بیش از 90 درصد از میانگین دقت (mAP) را برای تشخیص هشت دسته زمین به دست می آورد (Li & Hsu، 2018). اطلاعات مشتق‌شده، هم دسته و هم BBOX، می‌توانند اطلاعات مکانی محدود را تکمیل کنند که تنها نقطه‌ای برای نمایش ویژگی‌های هر میزانی در روزنامه‌های شناخته‌شده، مانند USGS (سازمان زمین‌شناسی ایالات متحده) GNIS (سیستم اطلاعات نام جغرافیایی) است. پشتیبانی بهتر از تخصیص ویژگی و تفسیر چشم انداز.

شکل 2. تصویری از نتایج تشخیص ویژگی زمین تپه (a)، دهانه برخوردی (b)، پیچ در پیچ (c) و آتشفشان (d) از تصاویر سنجش از دور.

4.2 طبقه بندی پوشش زمین برای حفاظت

نمونه عالی دیگر از کاربرد هوش مصنوعی در جغرافیا، کار Chesapeake Conservancy است، یک سازمان غیرانتفاعی مستقر در آناپولیس، MD، و پیشگام در زمینه حفاظت دقیق برای نظارت، حفاظت و بازیابی محیط طبیعی. “میدان ماموریت” آنها کل حوضه خلیج چساپیک را پوشش می دهد، از بیش از 3600 گونه گیاهی و جانوری پشتیبانی می کند و خانه 17 میلیون نفر است. علیرغم اهمیت حوضه آبخیز خلیج چساپیک، سلامت آن طی دهه‌ها به دلیل سرریز فاضلاب و رواناب فضولات حیوانی و مواد شیمیایی مختل شده است. آینده حوضه به حفاظت هوشمند بستگی دارد که توسط داده ها در مورد مکان هایی که رشد کمترین آسیب را دارد و مداخلات می تواند مفیدترین باشد، مطلع می شود. این امر مستلزم نقشه‌های پوشش زمین دقیق و بسیار دقیق برای درک نحوه استفاده از زمین و شناسایی مسائل زیست محیطی، مانند ورود آلاینده‌ها به خلیج از طریق رواناب کشاورزی است. در حالی که تصاویر Landsat وضوح استاندارد 30 متری را ارائه می دهند، اما برای دستیابی به درک کامل همه سناریوهای احتمالی استفاده از زمین در قرن بیست و یکم و اختلالات مرتبط با طبیعت کافی نیستند. داده های پوشش زمین با وضوح 1 متر هنوز در همه جا در سراسر ایالات متحده موجود نیست و اغلب به سختی و گران است به دست آوردن، بسیار کمتر برای پردازش و تفسیر، به خصوص برای جوامع کمتر مرفه، غیر انتفاعی کوچکتر، و مانند آن. انگیزه محرک Chesapeake Conservancy، توانمندسازی مدیران منابع طبیعی و حافظان حفاظت از دسترسی به چنین منبع داده با وضوح بالا است. مانند آلاینده هایی که از طریق رواناب های کشاورزی وارد خلیج می شوند. در حالی که تصاویر Landsat وضوح استاندارد 30 متری را ارائه می دهند، اما برای دستیابی به درک کامل همه سناریوهای احتمالی استفاده از زمین در قرن بیست و یکم و اختلالات مرتبط با طبیعت کافی نیستند. داده های پوشش زمین با وضوح 1 متر هنوز در همه جا در سراسر ایالات متحده موجود نیست و اغلب به سختی و گران است به دست آوردن، بسیار کمتر برای پردازش و تفسیر، به خصوص برای جوامع کمتر مرفه، غیر انتفاعی کوچکتر، و مانند آن. انگیزه محرک Chesapeake Conservancy، توانمندسازی مدیران منابع طبیعی و حافظان حفاظت از دسترسی به چنین منبع داده با وضوح بالا است. مانند آلاینده هایی که از طریق رواناب های کشاورزی وارد خلیج می شوند. در حالی که تصاویر Landsat وضوح استاندارد 30 متری را ارائه می دهند، اما برای دستیابی به درک کامل همه سناریوهای احتمالی استفاده از زمین در قرن بیست و یکم و اختلالات مرتبط با طبیعت کافی نیستند. داده های پوشش زمین با وضوح 1 متر هنوز در همه جا در سراسر ایالات متحده موجود نیست و اغلب به سختی و گران است به دست آوردن، بسیار کمتر برای پردازش و تفسیر، به خصوص برای جوامع کمتر مرفه، غیر انتفاعی کوچکتر، و مانند آن. انگیزه محرک Chesapeake Conservancy، توانمندسازی مدیران منابع طبیعی و حافظان حفاظت از دسترسی به چنین منبع داده با وضوح بالا است. آنها برای دستیابی به درک کامل از تمام سناریوهای احتمالی استفاده از زمین در قرن بیست و یکم و اختلالات مرتبط با طبیعت کافی نیستند. داده های پوشش زمین با وضوح 1 متر هنوز در همه جا در سراسر ایالات متحده موجود نیست و اغلب به سختی و گران است به دست آوردن، بسیار کمتر برای پردازش و تفسیر، به خصوص برای جوامع کمتر مرفه، غیر انتفاعی کوچکتر، و مانند آن. انگیزه محرک Chesapeake Conservancy، توانمندسازی مدیران منابع طبیعی و حافظان حفاظت از دسترسی به چنین منبع داده با وضوح بالا است. آنها برای دستیابی به درک کامل از تمام سناریوهای احتمالی استفاده از زمین در قرن بیست و یکم و اختلالات مرتبط با طبیعت کافی نیستند. داده های پوشش زمین با وضوح 1 متر هنوز در همه جا در سراسر ایالات متحده موجود نیست و اغلب به سختی و گران است به دست آوردن، بسیار کمتر برای پردازش و تفسیر، به خصوص برای جوامع کمتر مرفه، غیر انتفاعی کوچکتر، و مانند آن. انگیزه محرک Chesapeake Conservancy، توانمندسازی مدیران منابع طبیعی و حافظان حفاظت از دسترسی به چنین منبع داده با وضوح بالا است.

برای دستیابی به این هدف، Chesapeake Conservancy یک رویکرد یادگیری عمیق را برای ایجاد یک مدل تقسیم‌بندی معنایی (طبقه‌بندی در سطح پیکسل) اتخاذ کرد که پوشش زمین با وضوح بالا را از تصاویر هوایی پیش‌بینی می‌کند (Allenby et al., 2018). این تصاویر از برنامه تصویربرداری ملی کشاورزی (NAIP) با وضوح 1 متر یا 60 سانتی متر به دست آمده است. شکل 3 این رویکرد را بر اساس مکانی در حوضه آبخیز چساپیک نشان می دهد. در سمت چپ بالا، تصاویر NAIP از اطلس زندگی Esri از جهان (Kensok، 2017) است. در سمت راست بالا، نقشه اصلی پوشش زمین Chesapeake است. و سپس بلافاصله در زیر آن در سمت راست پایین، نقشه ای است که توسط یک شبکه عصبی باقیمانده عمیق اجرا شده بر روی آن تصاویر NAIP، در حال پرواز، طبقه بندی جنگل ها، مزارع، آب، و سطوح غیر قابل نفوذ مانند جاده ها و خانه ها. در سمت چپ پایین همان منطقه است، به جز این که ترکیبی از احتمالات مدل، در تمام آن دسته ها، در حال حاضر با دقت 91 درصد در مقایسه با مشاهدات زمینی است. این بسیار مفید بود زیرا عدم قطعیت در تشخیص‌ها را نشان می‌دهد و به فرد اجازه می‌دهد ببیند الگوریتم چگونه «فکر می‌کرد» و چه چیزی برای بهبود آن لازم بود. قدرت واقعی این رویکرد این است که دانشمندان داده می توانند از همین الگوریتم برای طبقه بندی پوشش زمین در مکان هایی استفاده کنند که قبلاً هرگز ندیده است. این سیستم می‌تواند با سرعت قابل توجهی سریع‌تر از روش‌های دستی طبقه‌بندی شود که فقط توسط سخت‌افزار موجود محدود می‌شود. زمان مورد نیاز برای طبقه بندی صحیح کل حوضه آبخیز خلیج چساپیک از 2500 ساعت به 150 ساعت کاهش یافت.

شکل 3. طبقه بندی پوشش زمین با وضوح بالا حوضه خلیج چساپیک با استفاده از یک شبکه عصبی باقیمانده عمیق پیاده سازی شده در ArcGIS Pro.

4.3 مدل سازی زیستگاه های علف دریایی در فضا و زمان

در این برنامه هوش مصنوعی، روش‌های یادگیری ماشین و سیستم اطلاعات جغرافیایی برای مدل‌سازی رابطه بین زیستگاه‌های علف‌دریایی و شرایط اقیانوس یکپارچه شده‌اند. علف‌های دریایی گیاهان دریایی هستند که می‌توانند به سرعت مقادیر زیادی دی‌اکسید کربن را جذب کنند، تا ۱۰۰ برابر بیشتر و ۱۲ برابر سریع‌تر در مقایسه با جنگل‌های استوایی (پاری و همکاران، 2007؛ پیجون، 2009). فقط مقادیر محدودی از داده ها در مورد زیستگاه های علف دریایی جهانی در دسترس است، و داده های موجود اغلب از نظر مکانی پراکنده هستند. بنابراین، توسعه یک مدل زیستگاه علف های دریایی بر اساس داده های موجود می تواند به درک کمی شرایط اقیانوسی که به نفع رشد علف های دریایی است کمک کند. علاوه بر این، چنین مدلی همچنین می تواند زیستگاه های علف های دریایی آینده را بر اساس شرایط متغیر اقیانوس ها پیش بینی کند. منابع داده های متعدد، از جمله داده های علف دریایی از MarineCadastre. gov و مجموعه داده‌های واحدهای دریایی اکولوژیکی (EMU) که ​​اخیراً در دسترس است (رایت و همکاران، 2017) در این تحلیل استفاده شد. این داده ها برای آموزش مدلی بر اساس وقوع علف های دریایی در امتداد سواحل ایالات متحده برای پیش بینی زیستگاه های علف دریایی در سطح جهان تا عمق 90 متری استفاده شد. داده‌های اقیانوس‌ها در محل با استفاده از کریجینگ تجربی بیزی (EBK) برای تولید پیش‌بینی‌های در مقیاس جهانی درون یابی می‌شوند. سپس از یک چارچوب تصادفی جنگل برای مرتبط ساختن و عدم وجود علف‌های دریایی به مجموعه‌ای از متغیرها از جمله دما، شوری، فسفات، سیلیکات، نیترات و اکسیژن محلول استفاده می‌شود. شکل 4 (الف) پیش‌بینی‌های مقیاس جهانی روی زیستگاه‌های علف‌دریایی را با استفاده از داده‌های سواحل ایالات متحده برای آموزش نشان می‌دهد، که در کنار نقشه‌ای در شکل 4 (b) توسط Short و همکارانش قرار گرفته‌اند. (2007) از مشاهدات علف های دریایی. این داده ها برای آموزش مدلی بر اساس وقوع علف های دریایی در امتداد سواحل ایالات متحده برای پیش بینی زیستگاه های علف دریایی در سطح جهان تا عمق 90 متری استفاده شد. داده‌های اقیانوس‌ها در محل با استفاده از کریجینگ تجربی بیزی (EBK) برای تولید پیش‌بینی‌های در مقیاس جهانی درون یابی می‌شوند. سپس از یک چارچوب تصادفی جنگل برای مرتبط ساختن و عدم وجود علف‌های دریایی به مجموعه‌ای از متغیرها از جمله دما، شوری، فسفات، سیلیکات، نیترات و اکسیژن محلول استفاده می‌شود. شکل 4 (الف) پیش‌بینی‌های مقیاس جهانی روی زیستگاه‌های علف‌دریایی را با استفاده از داده‌های سواحل ایالات متحده برای آموزش نشان می‌دهد، که در کنار نقشه‌ای در شکل 4 (b) توسط Short و همکارانش قرار گرفته‌اند. (2007) از مشاهدات علف های دریایی. این داده ها برای آموزش مدلی بر اساس وقوع علف های دریایی در امتداد سواحل ایالات متحده برای پیش بینی زیستگاه های علف دریایی در سطح جهان تا عمق 90 متری استفاده شد. داده‌های اقیانوس‌ها در محل با استفاده از کریجینگ تجربی بیزی (EBK) برای تولید پیش‌بینی‌های در مقیاس جهانی درون یابی می‌شوند. سپس از یک چارچوب تصادفی جنگل برای مرتبط ساختن و عدم وجود علف‌های دریایی به مجموعه‌ای از متغیرها از جمله دما، شوری، فسفات، سیلیکات، نیترات و اکسیژن محلول استفاده می‌شود. شکل 4 (الف) پیش‌بینی‌های مقیاس جهانی روی زیستگاه‌های علف‌دریایی را با استفاده از داده‌های سواحل ایالات متحده برای آموزش نشان می‌دهد، که در کنار نقشه‌ای در شکل 4 (b) توسط Short و همکارانش قرار گرفته‌اند. (2007) از مشاهدات علف های دریایی. داده‌های اقیانوس‌ها در محل با استفاده از کریجینگ تجربی بیزی (EBK) برای تولید پیش‌بینی‌های در مقیاس جهانی درون یابی می‌شوند. سپس از یک چارچوب تصادفی جنگل برای مرتبط ساختن و عدم وجود علف‌های دریایی به مجموعه‌ای از متغیرها از جمله دما، شوری، فسفات، سیلیکات، نیترات و اکسیژن محلول استفاده می‌شود. شکل 4 (الف) پیش‌بینی‌های مقیاس جهانی روی زیستگاه‌های علف‌دریایی را با استفاده از داده‌های سواحل ایالات متحده برای آموزش نشان می‌دهد، که در کنار نقشه‌ای در شکل 4 (b) توسط Short و همکارانش قرار گرفته‌اند. (2007) از مشاهدات علف های دریایی. داده‌های اقیانوس‌ها در محل با استفاده از کریجینگ تجربی بیزی (EBK) برای تولید پیش‌بینی‌های در مقیاس جهانی درون یابی می‌شوند. سپس از یک چارچوب تصادفی جنگل برای مرتبط ساختن و عدم وجود علف‌های دریایی به مجموعه‌ای از متغیرها از جمله دما، شوری، فسفات، سیلیکات، نیترات و اکسیژن محلول استفاده می‌شود. شکل 4 (الف) پیش‌بینی‌های مقیاس جهانی روی زیستگاه‌های علف‌دریایی را با استفاده از داده‌های سواحل ایالات متحده برای آموزش نشان می‌دهد، که در کنار نقشه‌ای در شکل 4 (b) توسط Short و همکارانش قرار گرفته‌اند. (2007) از مشاهدات علف های دریایی. داده های ساحلی برای آموزش، که در کنار نقشه ای در شکل 4(b) توسط Short و همکاران قرار گرفته است. (2007) از مشاهدات علف های دریایی. داده های ساحلی برای آموزش، که در کنار نقشه ای در شکل 4(b) توسط Short و همکاران قرار گرفته است. (2007) از مشاهدات علف های دریایی.

شکل 4. (الف) زیستگاه های علف دریایی پیش بینی شده با استفاده از یک مدل جنگل تصادفی (سبز تیره نشان دهنده فراوانی مدل شده بالا است). (ب) داده‌های وقوع علف‌دریایی توسط Short و همکاران گزارش شده است. (2007).

مدل جنگل تصادفی آموزش‌دیده بر روی زیستگاه‌های علف‌دریایی موجود، سپس برای شرایط مختلف اقیانوس برای پیش‌بینی سناریوهای احتمالی زیستگاه‌های علف‌دریایی به دلیل گرم شدن اقیانوس‌ها اعمال می‌شود. افزایش 2 ℃ در دمای متوسط ​​اقیانوس با افزایش 0.2 ℃ شبیه سازی شده است. برای هر عکس فوری از وضعیت اقیانوس، زیستگاه های علف دریایی با استفاده از مدل جنگل تصادفی آموزش دیده پیش بینی می شود. آمار Getis-Ord Gi* (Ord & Getis، 1995) برای تشخیص خوشه های فراوانی علف های دریایی در سطل های فضا-زمان استفاده می شود. ارزیابی تغییرات در شدت فراوانی در مکان‌های فردی در طول زمان با استفاده از آمار Mann-Kendall، نقشه نقطه داغ در حال ظهور را در شکل 5 به دست می‌دهد.

شکل 5. نقشه نقاط داغ در حال ظهور برای زیستگاه های علف دریایی تحت افزایش دمای اقیانوس.

همانطور که در شکل نشان داده شده است، استرالیا ممکن است تحت شرایط متغیر اقیانوس، علف های دریایی خود را از دست بدهد، در حالی که سواحل سیبری ممکن است مناسب بودن خود را برای زیستگاه های علف دریایی بهبود بخشد. استفاده از جنگل تصادفی در این برنامه هوش مصنوعی یک مدل مبتنی بر داده از زیستگاه های علف های دریایی را برای سواحل جهان امکان پذیر می کند. آموزشی که پیش‌بینی علف‌های دریایی را با روش‌های یادگیری ماشین نشان می‌دهد در منبع اضافی 5 یافت می‌شود.

4.4 خلاصه و برخی دیگر از کاربردهای هوش مصنوعی در جغرافیا

سه مطالعه فوق در جدول 1 خلاصه شده است.

همانطور که در جدول 1 نشان داده شده است، اولین مطالعه به یک کار طبقه بندی (به طور خاص، تشخیص شی) می پردازد که از یادگیری عمیق برای شناسایی دسته ویژگی های زمین و مکان آن در تصویر استفاده می کند. مطالعه دوم همچنین یک کار طبقه بندی (بخش بندی معنایی) است که در آن یک طبقه بندی پوشش زمین در سطح پیکسل به دست می آید. مطالعه سوم یک کار پیش بینی را تکمیل می کند که رشد علف های دریایی را در موقعیت های شبیه سازی شده پیش بینی می کند. هر سه مطالعه از یادگیری نظارت شده استفاده می کنند که در آن مدل ها ابتدا با استفاده از داده های آموزشی برچسب دار آموزش داده می شوند. در حالی که یادگیری نظارت شده در واقع بسیار رایج است، بسیاری از مطالعات نیز از یادگیری بدون نظارت، مانند رویکردهای خوشه بندی مکانی و مکانی- زمانی، برای استخراج الگوهای جغرافیایی از داده ها استفاده می کنند (انباراوغلو و همکاران، 2014؛ هو و همکاران، 2015). 

برنامه های کاربردی دیگری وجود دارد که تکنیک های هوش مصنوعی را با تحقیقات جغرافیایی ادغام می کند. سی‌ان‌ان و انواع آن‌ها، علاوه بر عملکرد فوق‌العاده‌شان در پردازش تصاویر ماهواره‌ای (کالینز و همکاران، 2017) و عکس‌های نمای خیابان گوگل (Law et al., 2017)، همچنین برای تراز کردن داده‌های برداری با تصاویر نقشه تاریخی شطرنجی استفاده می‌شوند. دوان و همکاران، 2017)، شناسایی انواع نقشه های آنلاین (ژو و همکاران، 2018)، طبقه بندی متون جغرافیایی (آدامز و مک کنزی، 2018)، و غیره. RNN ها مانند حافظه کوتاه مدت بلند مدت (LSTM)، برای مدیریت داده های سری زمانی، مانند پیش بینی مکان های بعدی مسیرها (لی و همکاران، 2018) و بررسی الگوهای زمانی محصولات (Sun et al., 2018). RNN ها همچنین برای تجزیه و تحلیل توییت های دارای برچسب جغرافیایی و سایر متون زبان طبیعی حاوی اطلاعات جغرافیایی استفاده می شوند (Mao et al., 2018b; Sit et al., 2019; سانتوس و همکاران، 2018). مدل‌های یادگیری ماشین، مانند مدل پنهان مارکوف، با انواع کاربردهای مکانی، مانند ناوبری داخلی (Li et al., 2017a) و پیش‌بینی مکان خدمات مالی (McKenzie & Slind، 2019) یکپارچه شده‌اند. در حالی که بسیاری از برنامه ها در حال حاضر وجود دارند، ایده ها و روش های جدید به طور مداوم در حال توسعه هستند. 

5. مسیرهای احتمالی آینده

GeoAI یک زمینه به سرعت در حال رشد با جهت گیری های احتمالی زیادی است که در آینده نزدیک باید دنبال شود. در اینجا، ما تعدادی از این جهت ها را فهرست می کنیم. اولا، اکثر روش‌های هوش مصنوعی در حال حاضر برای وظایف تحلیل فضایی از پیش تعریف‌شده و بسیار خاص اعمال می‌شوند. آیا یک دستیار عمومی GeoAI، مشابه الکسای آمازون یا سیری اپل وجود دارد؟ چنین دستیار GeoAI ممکن است بتواند نیازهای یک متخصص GIS را درک کند، به طور خودکار وظایف را رسمی و تعریف کند، و ابزارهای نامزد را از یک جعبه ابزار GIS بزرگ شناسایی کند. دوم، بیشتر مدل‌های هوش مصنوعی امروزی بر اساس مجموعه داده‌های آموزشی توسعه یافته‌اند و در نتیجه، به طور طبیعی سوگیری بالقوه در داده‌ها را به ارث می‌برند. در تحقیقات جغرافیایی، داده های آموزشی اغلب از یک منطقه جغرافیایی خاص جمع آوری می شود و در نتیجه، ممکن است برای یک مدل آموزش دیده با استفاده از داده های یک منطقه جغرافیایی دشوار باشد که بتواند روی داده های مناطق دیگر عملکرد خوبی داشته باشد. بنابراین، یک جهت مهم، بهبود معماری مدل (یا فرآیند آموزش) است تا مدل‌های GeoAI به‌دست‌آمده بتوانند در مناطق مختلف جغرافیایی منتقل شوند. سوم، بسیاری از مطالعات GeoAI موجود تنها روش‌های هوش مصنوعی را برای مشکلات جغرافیایی به‌جای بهبود یا ابداع روش‌ها اعمال می‌کنند. در حالی که این از منظر حل مسئله خوب است، برای جغرافیدانان بسیار مهم است که نه تنها روش ها را از رشته های خارج وارد کنند، بلکه دانش جغرافیایی را به سایر زمینه ها نیز صادر کنند. مدل‌های هوش مصنوعی با اطلاعات جغرافیایی یا فضایی صریح را می‌توان برای به تصویر کشیدن منحصربه‌فرد بودن مشکلات جغرافیایی توسعه داد. بهبود معماری مدل (یا فرآیند آموزش) است به طوری که مدل های GeoAI به دست آمده را می توان در مناطق مختلف جغرافیایی منتقل کرد. سوم، بسیاری از مطالعات GeoAI موجود تنها روش‌های هوش مصنوعی را برای مشکلات جغرافیایی به‌جای بهبود یا ابداع روش‌ها اعمال می‌کنند. در حالی که این از منظر حل مسئله خوب است، برای جغرافیدانان بسیار مهم است که نه تنها روش ها را از رشته های خارج وارد کنند، بلکه دانش جغرافیایی را به سایر زمینه ها نیز صادر کنند. مدل‌های هوش مصنوعی با اطلاعات جغرافیایی یا فضایی صریح را می‌توان برای به تصویر کشیدن منحصربه‌فرد بودن مشکلات جغرافیایی توسعه داد. بهبود معماری مدل (یا فرآیند آموزش) است به طوری که مدل های GeoAI به دست آمده را می توان در مناطق مختلف جغرافیایی منتقل کرد. سوم، بسیاری از مطالعات GeoAI موجود تنها روش‌های هوش مصنوعی را برای مشکلات جغرافیایی به‌جای بهبود یا ابداع روش‌ها اعمال می‌کنند. در حالی که این از منظر حل مسئله خوب است، برای جغرافیدانان بسیار مهم است که نه تنها روش ها را از رشته های خارج وارد کنند، بلکه دانش جغرافیایی را به سایر زمینه ها نیز صادر کنند. مدل‌های هوش مصنوعی با اطلاعات جغرافیایی یا فضایی صریح را می‌توان برای به تصویر کشیدن منحصربه‌فرد بودن مشکلات جغرافیایی توسعه داد. در حالی که این از منظر حل مسئله خوب است، برای جغرافیدانان بسیار مهم است که نه تنها روش ها را از رشته های خارج وارد کنند، بلکه دانش جغرافیایی را به سایر زمینه ها نیز صادر کنند. مدل‌های هوش مصنوعی با اطلاعات جغرافیایی یا فضایی صریح را می‌توان برای به تصویر کشیدن منحصربه‌فرد بودن مشکلات جغرافیایی توسعه داد. در حالی که این از منظر حل مسئله خوب است، برای جغرافیدانان بسیار مهم است که نه تنها روش ها را از رشته های خارج وارد کنند، بلکه دانش جغرافیایی را به سایر زمینه ها نیز صادر کنند. مدل‌های هوش مصنوعی با اطلاعات جغرافیایی یا فضایی صریح را می‌توان برای به تصویر کشیدن منحصربه‌فرد بودن مشکلات جغرافیایی توسعه داد.