Page 215 - 新时期测绘工程测量技术研究

/// 第六章 智能测绘 ///

弈”行为的对象等。上述 4 个问题是数据处理中基本的科学问题，这需要我们研
究宏观数据处理层面的新方法、新思维。作为开启智能时代“大门钥匙”的数

据处理理论与方法，如何适应人工智能新技术的挑战与机遇，是值得深入思考的
问题。
经典参数估计理论必须建立一个准确的数学模型（平差模型）。测绘大数据
来源于多种不确定性数据，且混杂许多的错误信息和粗差，其表现为不准确、不

精确、不完整以及过时和冗余特征，这些特征对于建立准确的数学模型通常非常
困难。大数据研究中使用的方法主要是数据挖掘和机器学习，其强调的是数据之
间的关联性，而对于数据的精确性和数据间的因果联系并不注重，表现为重数据、
轻模型。随着大数据与超级计算方法等技术的飞速发展，基于深度神经元网络的

机器学习算法得到了迅速发展。来自各种反馈机制的复杂开放动态系统的学习数
据通常不会满足经典统计分析所关注的独立性和平稳性等假设。因此，我们需要
利用类似自适应估计的思想，研究和探讨测绘大数据场景下机器学习算法的预测
或收敛情况。

一、测绘大数据的特征以及测量数据处理面临的挑战

测量数据处理理论是关于测绘数据处理方法的科学，它融合了数学、统计学、

概率论、误差估计理论、测量平差基础等计算理论的现代数据科学，其核心任务
就是对测绘数据进行分析处理，从中提取所需要的数据信息。李德仁在《展望大
数据时代的地理空间信息学》中，将测绘大数据的特点归纳为 5 个——体量大、
速度快、模态多样、真伪难辨、价值巨大，并针对测绘大数据的数据海量、信息

缺失、知识难觅特征，分析了时空数据挖掘理论和算法研究的重要性。从测量数
据处理理论的角度，可以对测绘大数据概括为以下三大特征：
（一）大规模、分布式、泛在性
测绘大数据也称为时空大数据，它可以是无组织的专业测绘大数据，如多分

辨率、多用途的卫星遥感、定位信息、摄影测量、地球物理、地形测绘等专业数
据集合，也可以是空天地海一体化的有组织的协同观测大数据，高精度实时测绘
体系实现从静态到动态、地基到天基、区域到全局、室内到室外、被动到主动的
快速智能测绘。这些大数据来源于多个学科，其特点是跨尺度、跨平台、跨参数，

规模巨大、类型多样的大数据为地表变化的研究提供了海量信息支持。然而，测
绘大数据都是从复杂的工程环境中产生的，数据之间、系统之间、层次之间、环

203