利用多种来源创建权威信息
国家制图机构 (NMAs) 要求收集、编译和验证来自不同信息源和传感器的数据。 对于新要素和更改的要素来说,要识别、收集并在基础数据上更新这些要素,遥感数据(航空图像以及来自卫星和其他传感器的数据)至关重要。 这是通过分析工具以及越来越多的人工智能 (AI) 和深度学习来完成的。 很容易对来自各级政府和其他组织的数据和服务进行整合。 然后,现场工作人员可以验证和更正编译的数据。
确定在现实世界中哪里的要素正在发生变化,是国家制图及地理空间机构 (NMGAs) 为其客户绘制地图更新的关键。 通过使用 GeoAI 和深度学习,这个过程越来越自动化。 新图像与旧图像进行比较,使用 GIS 进行图像分析以快速检测变化。 将这些变化与数字地图数据进行比较,以快速更新要素。
使用 GIS 或 GeoAI 的 AI 和深度学习 (DL) 可以自动化并加速变化检测和要素识别的过程。 ArcGIS 用于对图像进行分类和标记数据以训练 AI 模型。 AI 模型的推理结果能够识别可在 ArcGIS 中提取和分析的已更改的要素。 这些要素可快速用于更新您所在国家/地区的权威底图数据。
NMGAs 可对来自国家、州、地区和地方政府以及其他组织的数据进行编译更改并减少数据收集冗余。 集成来自许多不同格式的源数据需要数据互操作性工具和地理处理脚本,这些脚本可以自动提取、转换和加载 (ETL) 数据以有效地收集数据。
规划将员工的派遣位置是有效捕捉变化的关键。 在现场使用与办公室所用的同一个企业级 GIS 收集数据更改,可以避免工作组之间出现错误和障碍。 分配、导航和监控员工的位置和进度可提高安全性和效率。 ArcGIS 现场操作应用程序可对所收集数据的人员、内容、时间和地点提供验证。
收集和捕获
英国军械测量局正在利用 ArcGIS Image 功能来应对将其影像处理工作流迁移到云端的挑战。
公共信息管理局 (PACI) 使用机器学习和深度学习来实现 GIS 数据的现代化,支持科威特 2035 年愿景。
了解如何将深度学习模型用于各种用例,例如 2D 和 3D 对象检测和分类。
ArcGIS Field Maps 将 ArcGIS Collector、ArcGIS Tracker 和 ArcGIS Explorer 的功能组合到一个应用程序中,以实现高效的移动制图。
人工智能和深度学习正在彻底改变地图制作、减少时间和精力并提高数据质量。
在澳大利亚昆士兰州,计算机视觉模型经过训练,可以对不同类型的土地利用进行自动分类。
利用遥感数据制作地图
功能
ArcGIS Image Analyst
产品
ArcGIS Data Interoperability