我国经济社会发展和民生改善比过去任何时候都更加需要科学技术解决方案，都更加需要增强创新这个第一动力。近年来，鲜明的“大数据”时代特征和不断增长的“信息流”，正推动着自然资源科技与人工智能迅速接轨，并逐渐应用于地质调查填图、矿产资源预测、遥感影像解译、地质灾害防治、自动驾驶地图等方面。那么，当前自然资源领域人工智能应用还存在哪些问题，其发展又有着怎样的趋势与方向呢？
地质知识智能化推动现有工作模式转变
所谓人工智能，就是用机器模拟人的识别、认知、分析和决策能力。近年来，人工智能的普及化正以前所未有的方式改变着人类的生活。
随着计算力的突破、数据洪流的暴发和算法的不断创新，在具有鲜明“大数据”特征的自然资源领域，以深度学习为代表的人工智能也显现出了勃勃生机，辅助政府实现对自然资源的智能治理，形成科学化和精准化的决策。
“在深度学习、自然语言处理、计算机视觉、智能机器人、自动程序设计、数据挖掘等方面表现优异的人工智能，正在成为地质调查工作升级进化的重要引领力量。”自然资源部地质调查主流程信息化创新团队负责人李超岭告诉记者，该团队地质调查智能化的研究始于2014年。6年来，中国地质调查局发展研究中心联合中国地质大学（武汉）等多家单位，基于“人工智能+大数据+云计算”等新一代技术，开展了以“地质调查全流程知识+认知智能化”为核心的新一代泛数字地质调查技术体系、方法和流程的研究，现已取得明显进展。
“经过近5年的攻关与试验，我们在地质填图方面已基本形成了基于填图单位、地质路线（PRB）数据深度学习的地质图预测技术、方法、流程、软件系统和应用平台。”随即，李超岭拿出几幅刚刚“出炉”的地质图，边比对边讲解。
不久前，为检验该项技术方法的能力水平，李超岭团队与沈阳地质调查中心共同开展了奈玛拉吉、巨里河及荷叶哈达等1：5万图幅的填图工作。结果令人欣喜：人工智能获得的图件与地质人员野外地质填图基本一致，显现出模型对各类地质体预测评价的准确性。
“这项技术突破后，将进一步变革现有地质调查工作模式，形成‘优化地质路线+地质知识图谱+地质大数据+深度学习算法’的新型地质填图模式。”李超岭表示。
近几年，依托人工智能在视觉领域的优势，李超岭团队还应用知识图谱和深度学习技术，初步建立了中国岩石地层深度学习识别基础模型。目前，该模型已涵盖1.5万种手标本岩石分类，识别精度达98%以上，且正在向泛化能力、感知向认知能力的突破进行攻关研究。“该识别模型建成完善后，可对移动端提供岩石种类识别、岩石地质年代、所属填图单位和产地等相关人工智能服务。”
更加成熟的应用反映在地质调查智能空间建设方面。经过近7年的持续研究和发展，该团队建立了地质调查智能空间云平台非结构化、碎片数据挖掘技术框架及基于空间位置和地质对象关联的地质知识服务模式框架及相关技术，为数据密集型地质调查工作新模式提供了人工智能环境，并已获得应用。
地质调查工作正在从数字化、信息化走向智能化，同样地质找矿、绿色矿山建设、地质编图等，也与人工智能发生着明显的“化学反应”。如：中南大学有色金属成矿预测与地质环境监测教育部重点实验室研究建立了基于深度学习的山东大尹格庄金矿床深部三维预测模型。经与几种人工建立的找矿指标预测模型对比分析，证明了这一人工智能模型预测的准确性。
最近，李超岭团队找矿预测方面的验证工作也已拉开帷幕——有关地勘队伍正在利用该团队已经形成的地质对象深度学习技术与方法，开展面向东天山地区基性—超基性杂岩体与铜镍等金属矿床的专属性等问题的深度学习试验。
中国科学院院士、中国科学院大学教授翟明国曾谈到，在大数据时代，地质学家需要改变传统思维模式，并更多地考虑和研究如何应用人工智能手段推动地质事业进入革命性发展的崭新阶段。
国际地球科学联合会主席、中国科学院院士成秋明则撰文表示，以机器学习为代表的数据驱动技术正在重新激活和增强传统学科解决新问题的能力，大数据技术将从根本上改变地球科学研究的方向，最终实现地球科学研究的范式转变。
基于这样的认识，由我国科学家主导发起、国际地科联批准的“深时数字地球”国际大科学计划已从去年开始执行。各国科学家们将用10年的时间共同建立一个链接地学信息的研究平台，整合全球地球演化数据，共享全球地学知识，并在大数据驱动下重建地球生命、地理、物质和气候的演化，进而达到精确重建地球和生命演化历史、识别全球矿产资源与能源的宏观分布规律的目标，推动地球科学研究变革。现在，地质调查系统的多家单位也在积极参与，人们普遍认为，其中涉及知识图谱等内容的研究将会大大推动人工智能技术在地学领域的应用与深化。
遥感影像解译地图智能决策成效显著
在自然资源领域，人工智能应用较早且最为广泛的是对遥感影像的解译、提取和分析。
遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求。目前，基于卷积神经网络的思想，通过对神经网络的训练，建立图像底层特征和高层语义之间的映射关系，已开发了多种深度学习遥感图像检索方法，可以实现土地利用监测、岩性自动分类、水体污染建模、生态指数计算等任务，并弥补了许多以往人工检索解译过程中存在的不足。
武汉大学教授艾廷华讲述了这样一个案例：在全国国土调查多级数据库建设中，面临数据压缩后土地用地格局与各类用地面积平衡保持不变的问题，他们采用了土地利用图斑的机器学习，在典型样本的训练后，较好地解决了该问题。
中国测绘科学研究院深度学习科研小组从2016年便开始进行深度学习遥感解译方面的算法研究，并与青海国情监测院、北京测绘院等业务部门密切结合，进行生产性试验，探索人工智能直接服务于自然资源监测调查的技术支持，目前已形成了半自动人机协作目视解译技术。
“今年，针对自然资源遥感影像变化检测实际应用场景对自动识别精度和大幅降低人工解译工作量的需求，我们通过《自然资源不变检测实用软件研发与成果转化》等重点专项，创新性地开展了自然资源不变检测方法研究和人工智能模型软件研发。”该院摄影测量与遥感研究所副所长宁晓刚介绍说。
地图产业在发展道路上一直跟进人工智能技术。
“当前，深度学习表现出超乎想象的智能化功效，地图产业搭上这一班车，也将驶入智能化的快车道。地图深度学习用于发掘地图空间知识规则、参与空间导航、选址等智能化决策行为，已经开始发挥积极作用。”艾廷华对记者表示。
据他介绍，深度学习给地图赋予智能表现在设计制作和应用分析两个方面。
在地图设计制作上，包括制图数据的智能化加工处理及可视化表达的优化决策，从而最佳满足地图受众的应用目标和个性化体验；在地图应用分析上，基于大量既有的地图数据库案例，通过典型的有代表性区域环境特征训练，使地图具有自我决策分析的能力，从而完成新的地理环境数据的空间格局分析、地学知识提取，在空间规划、功能区划分、环境治理等方面彰显地图智能化功能。其中，通过各种地理场景的学习可使地图具备处理突发状况的能力、自我预测时空过程的演变趋势、自我判断地理环境中的交互关系，从而提高自动驾驶的安全性，提高新一代地图技术的应用效率。
地质灾害监测识别分析预警能力全面提升
我国地质灾害多发频发。为了加快构建“人防和技防并重”的群专结合的监测模式，实现“在抗御自然灾害方面要达到现代化水平”的目标，我国地质灾害防治科技也在应用人工智能的道路上加快了步伐。
“资源环境与国土空间信息的数据累积与时空管理，很大程度地丰富了我们对地球表层灾变机理的认知；北斗三代卫星导航、人工智能、物联网和先进制造等技术发展，让智能化的风险调查、隐患排查和预警预报成为可能。”自然资源部地质灾害技术指导中心教授级高工陈红旗表示。
当前中国地质调查局地质环境监测院研发推广的地质灾害智能预警系统已经在实际应用中展现出明显效果，准确预警湖北省秭归县卡门子湾滑坡、云南省腾冲市黄瓜菁滑坡等地质灾害。
“滑坡变形是能够直接反映滑坡变形演化过程的一种综合性变量。我们应用地表变形监测时间序列数据、雨量监测时间序列数据和降雨预报数据，开展基于差分整合移动平均自回归模型、极端梯度提升、长短期记忆人工神经网络等统计学方法、机器学习、深度学习算法的时间序列分析和滑坡地表位移动态预测，探索适用于不同类型滑坡的形变智能预测模型。”中国地质调查局地质环境监测院高级工程师马娟告诉记者，近几年，在首席科学家殷跃平的带领下，自然资源部地质灾害技术指导中心专家团队正致力于人机结合风险预警方面的研究，针对监测预警中的结构化和非结构化数据提供风险预警的模型，初步构建“人机结合”决策模式与技术流程，最大限度地提升滑坡预警决策的准确度。
滑坡在我国南方山区汛期地质灾害中极为突出。为此，江西省测绘地理信息工程技术研究中心针对浅层滑坡成灾机理及成灾模式分析，基于深度卷积神经网络模型的滑坡演变过程模拟，建立了滑坡演化的定量评估模型和早期预警系统。在成都理工大学，有科技人员进行了基于深度学习的滑坡检测算法研究，应用机器学习常用的优化算法和逃离局部最优的策略，立足高光谱遥感数据特点和滑坡目标遥感特征，完成了深度学习在地质灾害领域的典型应用。
为解决公路滑坡无人机空中监测图像模糊问题，深圳大学采用了暗通道去雾算法和超分辨率重建算法相结合的图像优化增强实验，进行了基于移动机器视觉和深度学习的地质灾害监测勘察及评估方法研究，实现了对滑坡体无接触式安全评估。
泥石流也是山区常见的地质灾害。泥石流的形成过程分为初始化、流动、沉积三个阶段。泥石流形成过程的模拟是泥石流研究的一个重要课题。近年来，基于物理模型的方法和数据驱动的方法，一些科学家已将机器学习很好地引入泥石流敏感性分析和泥石流形成过程的模拟。
据中南财经政法大学信息与安全工程学院教授张敬东等人介绍，地面塌陷也是一种较为常见的地质灾害，会导致道路改线、道路污染、居民地及水系的改变，而通过遥感技术，可较好地识别地面塌陷。“我们针对传统地面塌陷识别方法效率低下问题，提出了基于深度学习的地面塌陷遥感识别方法。通过大量实验对比分类精度、Kappa系数调整深度信念网络模型的参数，得到适合地面塌陷识别的参数设置，证明了深度学习在遥感图像中地面塌陷识别方法的可行性和高效性，为今后的地面塌陷识别提供了新思路。”
“‘十四五’期间，我们将更加清楚地看到地质灾害监测、识别、分析、预警全流程智能化的具体方向。建议相关科研力量立足我国地质灾害空间分异性，加强案例积累与挖掘，在建设更加精密的群测群防网络的基础上，研发自适应性较强的监测传感采集设备，探索更加精准的预测预警模型与算法，为精细化的防灾减灾服务奠定基础。”陈红旗如是说。
自然资源智能化治理尚需破解诸多难题
当前，随着图像分类、目标检测、图像语义分割、场景文字识别、图像生成、视频分类、度量学习等方面能力的提升，人工智能已经成为政府实现对自然资源的智能治理、形成科学化和精准化的决策的一项重要手段，并在土地利用变化过程监测及其效应分析、复杂海洋现象预报模型构建、古生物化石图像自动分类、木材精准识别等方面实现了突破。
对于人工智能现阶段的应用和未来发展，科学家们的观点颇具辩证色彩：一方面，要深刻地认识到人工智能是未来大国博弈的核心“制高点”，随着科学技术的不断突破，其在自然资源领域的应用价值也将被逐步释放；另一方面，人工智能不是万能的，各种人工智能技术都有一定的适应性，而且需要与自然资源各专业的知识密切结合才能更好地发挥作用。
艾廷华认为，人工智能与自然资源领域科技的结合，需要关注两点：一是深度学习样本库的建设，针对地理信息及其他自然资源数据，建设一批图谱库、波谱库、案例库。“我国地域广阔，区域特征差异性强，典型的有代表性的样本库建设是一项基础性的工作”；二是加强数据科学与地学领域知识的结合，更多地考虑如何通过各项先进技术的融合与创新，将以往优秀的理论、传统技术、知识图谱与人工智能结合得更为紧密。
李超岭等人认为，从人工智能发展的四大要素——知识、大数据、算法、算力来看，当前自然资源领域人工智能发展应用还存在诸多难题。
一是将已有知识体系“智能化”难度较大。人工智能不是单纯地建立数学模型，而是要把地质知识变成可计算的知识图谱，然后通过建模使其具备认知能力，实现从“感知智能化”到“认知智能化”的转变，显然其间还有很多关键技术需要攻克。
二是大数据在应用上不够顺畅。专业调查和空—天—地—海立体监测手段的现代化、多样化为自然资源领域积累了海量数据，这是自然资源工作信息化、智能化的基础和优势，但在实际应用中，原始数据的获得会受到许多限制，亟须有关部门在数据开放、解密等方面有所支持。
三是自然资源系统缺乏一定规模的算力环境。计算是人工智能发展的基石，在我国，只有BAT量级的企业才有资金和能力建设大型人工智能算力平台。自然资源领域人工智能应用需要配备相应的算力环境才能持续创新，而当前，不同的项目组各自为战，计算能力都非常有限，多家单位建立的超算中心更偏重于逻辑计算，如果借助社会上的算力，数据上传存储保密的问题又无法解决。
四是人工智能领域的专业人才极端缺乏。人工智能人才非常抢手，当前由于待遇等原因，自然资源领域很难引进人工智能专业技术人员，通过项目培养起来的青年人才又往往留不住，这显然对人工智能的发展应用十分不利。
此外，算法在国际上属于开源的状态，目前自然资源及其他领域的应用基本都是在国外原创算法上的改进，尚未取得原创算法“从0到1”的突破。
“人工智能正从根本上改变着人的思维和行为，并形成一种新的范式。在可以预见的未来，自然资源领域各行业与人工智能的结合点将变得越来越丰富。”
“人工智能作为新一轮产业变革的核心力量，将重塑生产、分配、交换和消费等经济活动各环节，催生新业务、新模式和新产品。在这一趋势下，自然资源领域也应着力研究相关政策和技术，形成新的智慧动能。”
李超岭等人希望，“十四五”期间，自然资源管理部门能从行业的角度对人工智能发展应用进行研究和顶层设计，出台相关规划，制定一系列政策，真正扶持、推动自然资源工作与人工智能的深度融合和快速发展。
{{item.content}}