城市植被识别的深度学习
在测量学领域，人工智能技术的引入日益广泛。这不仅体现在专门针对测量学与地理信息学的课程设置中，也贯穿于 GeoAI 实验室将理论知识转化为实践的过程。本文将通过一个实际研究案例——城市区域植被识别项目，说明人工智能在该领域的应用。该项目最初源于一门课程实践，展现了从理论学习到技术实现的全过程。
人工智能已渗透至各行各业，测量与地理信息学也不例外。AI 技术能够高效处理大规模、高复杂度的空间数据，例如卫星遥感影像与航空摄影数据，从而提升数据解析的精度与效率。
在测量学的教学体系中，人工智能基础知识的传授已成为核心环节之一，内容涵盖监督学习与无监督学习两大方向。无监督学习侧重于根据数据内在特征（如光谱相似性）进行自动聚类，可用于识别影像中材质相近的地表覆盖区域；监督学习则依托已知类别的样本数据训练模型，使其能够对未知数据进行分类。传统方法如最大似然分类、K-最近邻与随机森林等均在课程中有所介绍，同时现代神经网络技术也被纳入教学与实践范畴。课程目标兼顾理论构建与实操能力培养，使学生具备运用多种 AI 方法解决问题的能力。
为支持人工智能方法的应用，尤其是神经网络的训练过程，需要配备高性能计算设备，包括具备相应图形处理能力的计算节点。斯图加特应用技术大学（HFT）为此专门设立了地理人工智能实验室，为学生提供了实践所需的软硬件基础设施。
迈克尔·莫默特教授的研究方向聚焦于如何高效训练基于多模态地理数据（如卫星影像、航空摄影、数字高程模型等）的人工智能模型，以应对实际环境与城市规划中的复杂问题。
在教学与实践结合的案例中，我们与斯图加特市测量局合作开展了一项城市植被识别研究，展示了人工智能方法在测量学中的成功应用。
在摄影测量与地理信息学硕士课程的“遥感工作室”模块中，学生们系统对比了多种城市植被识别方法。研究采用斯图加特市测量局提供的高分辨率航空影像数据，学生在课程中自主完成影像标注工作，构建了统一的训练与测试数据集，并围绕三个子课题展开深入分析。实验表明，基于语义分割与目标检测的深度学习方法在识别不同高度植被（如低矮植被与高大乔木）方面表现优异。进一步的对比分析指出，近红外波段对植被识别精度的贡献有限，模型在仅使用可见光波段时仍能保持较高准确性。此外，训练所得的模型在不同航摄任务获取的影像上也显示出良好的泛化能力。该项目的研究成果将于2026年在美因茨举办的德国摄影测量、遥感与地理信息学会年会上进行展示。
