高維數據 | 時空數據

地震預警 |地質勘探

遙感測繪|TransBigData

隨著地質勘探、遙感測繪、地震預警、衛星遙感、疫情管控等的快速發展，自然資源領域的時空數據具有傳統管理數據與大數據交織、內向型管理數據與外向型公共服務數據疊加、數據開放與數據安全責任兼重的特點，包含了海量的信息和豐富的應用場景。

國家領導人曾指出，要從推動數字經濟發展、利用數據提升自然資源管理和國土空間治理水平兩個角度出發全面規劃和推進自然資源時空數據治理，充分發揮數據驅動力改造現有自然資源業務體系，推動自然資源數據成為重要生產要素。

國際時空數據治理發展形勢

一、時空信息獲取成為各種經濟社會發展的助推力

在世界主要國家的政府治理體系中，圍繞自然資源領域的時空信息獲取已經成為非常重要的組成部分并在經濟社會發展中發揮著越來越重要的基礎支撐作用。特別是在疫情管控、改善政府數據治理和應對氣候變化方面發揮了關鍵作用。時空信息用戶尤其是政府和軍事部門對準確、詳細、全面的時空信息的需求越來越大。

據GW Consulting（地理信息世界咨詢公司）估計，2021年全球地理信息市場價值已達3950億美元，較2020年增長8.2%。預計2021-2025年，國際地理信息產業產值將以14.61%的年復合增長率增長，到2025年將達到6800億美元。在戰略性公共政策改革、行業加速戰略以及數字孿生和元宇宙創新的驅動下，預計地理信息產業將在2025年后以更快的速度增長，到2030年達到1.44萬億美元。

地理信息技術對全球經濟的影響目前估計在2.2萬億至5.4萬億美元之間，到2025年將擴大到5.4萬億至10.2萬億美元。隨著傳感器融合、元宇宙等新概念與時空信息的相互賦能，時空信息實際上已經成為整合分析各類數據的最佳載體和表達方式。

在政府和企業數字化轉型的背景下，時空信息成為各國公認的重要數據資產，被廣泛獲取、挖掘和共享。世界主要國家紛紛啟動空間數據基礎設施建設。例如，美國時空信息生產和使用部門組成聯邦地理數據委員會，以建立國家空間數據基礎設施(NSDI)，歐洲于2007年開始建立歐洲空間數據基礎設施，以支持歐洲的環境政策。

Google、微軟、蘋果、Here等公司在自有生態下進行時空信息的獲取，并以此作為公司掌握壟斷資源分配、獲取用戶依賴的重要環節。OpenstreetMap等眾包地理信息數據的數量和質量也在不斷提升，部分地區的精度和數據鮮活度堪比官方權威數據。除了這些基本的時空信息獲取系統之外，一些國家獲取的時空信息也開始呈現出高精度、高投入、高回報的特點。

二、圍繞時空信息獲取的基礎設施加快建設

隨著時空信息作為國家重要戰略資產的意識日益增強，圍繞時空信息獲取的天空地傳感網以及數據中心和數據平臺建設正在加速。在遙感衛星建設方面，目前世界主要國家都在繼續部署高分辨率的光學和雷達衛星，各類衛星協同工作，使全天候成像的能力進一步增強，遙感影像的獲取成本大大降低。

2020年，全球航天產業共研制發射了1277顆航天器，其中遙感衛星146顆，約占11.4%，其中分辨率優于1米的衛星超過50顆。目前，美國國家航空航天局、地質調查局和歐洲航空局通過陸地衛星體系和各類情報衛星系統收集了全球地表覆蓋數據、數字高程模型和大量時間跨度超過30年的地理信息。

其中，美國地質調查局的陸地衛星項目和歐洲聯盟的哥白尼項目提供了長長時序中高分辨率的圖像，這些圖像已用于各種災害模型建立、海洋預測系統以及環境和氣候監測。麥克薩、空客防務、Planet、L3哈里斯等公司提供分辨率高于1m的商業遙感影像、合成孔徑雷達和微小衛星星座影像遙感影像長期占據全球影像市場主導地位。至于導航定位系統方面，GPS系統現代化進程加快，美國發布了《7號太空政策指令》，強調GPS及其增強系統更好地服務于美國國家和國土安全、民用、商業和科學目的。GLONASS全球補網推進，2025年將采用新一代衛星。歐洲Galileo也完成了全球系統建設，具備了全球服務的能力。印度、韓國、澳大利亞和新西蘭近年來也建立了區域導航增強系統。

為構建時空基準和提供時空動態感知提供支持。導航地面增強系統方面，海克斯康、天寶、Geo++、SapCorda等傳統強勢企業憑借在芯片研發、基準站建設等領域的長期積累，在全球主要國家和地區建設了HxGN SmartNET、VRS NOW等導航定位基準站網。僅海克斯康和Geo++兩家在全球建立了近8000個GNSS基準站網，并在精準農業、建筑施工、商業位置服務等應用領域實現了壟斷。關于時空公共服務平臺，美國、日本等主要國家都在其法律體系中明確了國家地理信息公共服務平臺的法律地位，并在地理信息公共服務平臺建設方面取得了良好的成績。

三、時空信息獲取及治理成為推動數字經濟發展的重要力量

數字經濟正在改寫和重構世界經濟版圖，成為重組全球要素資源、重塑全球經濟格局、改變全球競爭格局的關鍵力量。在此背景下，各國和各地區紛紛發布國家數字戰略，以促進社會經濟發展和政府治理。

在時空信息領域，政府部門獲取和生成的時空信息的高效利用，空間數據基礎設施的優化建設，政府和商業部門之間時空數據的流動和共享，成為政府數字治理體系建設中非常重要的環節。各國紛紛將地理信息作為重要的國家戰略資產并把地理信息的流動、利用和安全監管作為非常重要的工作方向。近年來，美國、歐盟和日本發布了關于數據治理的法案和行動計劃。

其中，美國將地理信息數據治理作為國家數據治理體系的重要一環寫入《聯邦數據戰略》及其相關行動計劃。《聯邦數據戰略》發布的2020年和2021年行動計劃中對地理信息數據治理做出了詳細、明確的部署，部署層級與人工智能在數據治理方面相同，可見美國政府對地理信息的高度重視。具體來說，2020年行動計劃指出，負責地理信息數據協調的美國聯邦地理數據委員會(FGDC)需要通過落實《地理信息數據法案（2018年）》增強部門和公眾使用地理信息數據的價值和訪問權限，并制定國家空間數據基礎設施(NSDI)戰略計劃，確保聯邦和各州地理信息數據能夠輕松集成。

與此同時，2020年行動計劃明確指出，白宮行政管理和預算辦公室的高級地理信息官員(SAOGI)將幫助確保FGDC官員在相關數據監管機構任職，并促進地理信息數據向聯邦部門的授權。同時，2020行動計劃規定，國家地理信息平臺(GeoPlatform)必須在確保國家利益和安全不受損害的前提下，提供國家地理信息資產數據和相關元數據，并將數據和相關接口連接到美國國家數據平臺Data.gov。

2021年行動計劃繼承了2020年的思路，提出FGDC應確定與聯邦政府首席數據官委員會（CDO Council）的聯絡員，以促進地理信息數據在全國的綜合使用。與此同時，FGDC顯然應當完成一份關于地理信息在國家空間基礎設施中的高價值投資領域的分析報告。

國內開展時空數據治理的若干建議

一、用數賦智，提升“以數據為中心”的數據治理意識

機構改革以來，在自然資源領域開展了信息化建設工作的頂層設計，形成了相對穩定的技術體系和信息基礎設施。但必須看到，自然資源時空數據不同主體、不同地域之間的數字鴻溝尚未得到有效彌合，數據資源規模巨大，但價值潛力尚未充分釋放，整個系統對如何真正管理和利用數據還沒有形成系統認知。

與此同時，數據安全也成為一個越來越值得關注的話題。目前自然資源有統一調查監測數據、規劃權屬數據、各類時空數據等藍海資源。在信息化建設全面鋪開、各項業務系統逐步落地的階段，需要在國家自然資源領域形成數據治理意識，并據此規劃數據治理的頂層設計非常有必要。

二、建立實體機構開展數據治理

數據不僅是一種狹義的治理對象，更是廣義的治理手段和工具。進行全周期的數據管理和治理，其背后本質是協調和平衡數據挖掘和轉化后形成的所有數據權力，并在此過程中維護所有數據權利，如財產權和人格權。

美國的實踐表明，為了監督和保護數據權利，需要擁有一個集中而強有力的數據領導核心和一支具有數據素養、數據視野和大數據分析能力的數據團隊，并賦予相應的行政職責和財政資金保障。首席數據官和數據治理委員會不僅承擔著開展數據質量評估、數據分析、數據管理以及系統和數據安全和隱私保護等職能，也是未來根據黨中央的要求開展數據安全監管的重要實體支撐機構。

三、開展具體工作進行時空數據治理

在頂層設計和實體機構的牽引下，美國各部門在自然資源的數據治理方面開展了多項具體工作，如建立數據治理委員會和空間數據協調委員會，根據《聯邦數據戰略成熟度評估指南》評估數據成熟度，梳理數據清單和優先級，以多種方式改善聯邦—州、政府—商業數協同等。國內外領先企業在數據治理方面形成了一些先進的做法(如監管數據全過程、建設數據中心、建立企業級元數據管理機制等)。自然資源部應及時對這些具體工作進行技術跟蹤和研判，在確保數據安全的前提下，選擇符合自然資源領域數據特點的做法開展前期研究和試點，及時有效地管理自然資源數據。

藍海大腦時空數據解決方案

觀測衛星監測地球表面的變化，為土地利用規劃、災害支持、氣候變化監測等方面的數據。深度學習用于檢測圖像中的對象，這是一項復雜的視覺任務。藍海大腦面向時空領域大數據智能分析解決方案提供最新深度學習算法和方法所需的計算性能。

對于城市建筑、交通汽車、船泊港口、機場物流、森林植被、水體大壩等信息，使用地理空間對象檢測。與決定圖像主題的圖像分類不同，物體檢測不僅描述圖片中的內容，還描述那些物體在哪里以及能看到多少。圖像中的對象通常包含不同的邊界，并且獨立于圖像的背景環境和景觀對象。

航空和衛星圖像提供可以使用機器學習技術處理的數據，用于地理空間目標檢測。這將數據轉化為可以在廣泛的現實應用程序中使用的洞察力，包括：

環境監測

地質災害檢測

土地利用規劃和土地覆蓋測繪

地理信息系統(GIS)更新

精準農業

城市規劃

地理空間目標檢測并不容易。這是一個復雜的問題，需要復雜的人工智能和機器學習方法。其復雜性的原因包括物體視覺外觀的巨大變化、在弱光照下拍攝的航空圖像的低分辨率以及樹木或建筑物對物體的阻礙。即使如果一個物體沒有被阻擋，可能會被圖像視點、背景雜波、照明或陰影的變化所掩蓋。所有這些因素使這個問題更加困難。

圖像中物體的計算檢測有三種方法：

模板匹配方法

基于知識的方法

基于對象的圖像分析(OBIA)

這三種方法可以單獨使用，也可以一起使用，構成了最常用的目標檢測系統的基礎。

一、行業所面臨的挑戰

模型通用性弱

遙感圖像具有星多、地廣、時相多等特點，解譯模型的泛化能力和魯棒性不足

AI人才不足

遙感解譯應用場景日益豐富，AI人才相對缺乏。亟需針對業務人員的培訓和與之配套的遙感解譯訓練平臺作為支撐。

分析維度單一

純粹依據遙感影像的分析，無法全面反映城市發展變化的全貌，尤其是背后的人口、產業、環境以及大眾關注情感等時空變化信息。

二、功能要求

支持對時空環境數據的知識建模、知識抽取、知識融合、知識推理等功能，能夠對知識進行三元組形式表示。

支持對時空環境數據的實體抽取、關系抽取、屬性抽取等功能，實現單目標或多目標的知識關聯，能夠進行知識聚合和知識修正。

支持對時空環境數據知識的實體匹配、關系匹配、屬性匹配等歸一化、標準化功能。

支持基于時空環境數據知識的學習、實體推理、關系推理、模式歸納等分析挖掘隱含的知識功能。

三、產品特點

時空數據柔性生產

基于深度學習的時空數據水冷工作站調度能力實現光學遙感、實景三維柔性數據，使得生產效率提升100%以上

高質量時空數據

全球影像100ms調用時延，保障影像訪問極致體驗；全球基準特征庫，保障影像高質量

應用服務化加速

時空數據液冷服務器技術助力構建以SAAS和API為主的空間信息新產品、新服務，加速應用功能持續迭代增強

高可靠保障

專業的深度學習的時空數據庫、中間件層、應用層多級高可靠設計，提供業務高可用保障

四、時空數據平臺架構圖

五、客戶收益

宏觀與微觀綜合分析

遙感解譯提供城市宏觀布局分析，時空大數據分析提供區域微觀人群、交通、產業等分析。

多模特征融合

遙感影像融合時空數據特征，提升模型精度和泛化能力。

自主可控

基于海光、龍芯、英偉達NVIDIA、英特爾Intel、AMD高性能服務器和藍海大腦深度學習框架構建，具有自主可控、安全可靠的優勢。

審核編輯 黃昊宇