当AI遇见大地测量:一场从“仰望星空”到“洞悉大地”的智能革命|秘金钟研究员团队最新成果荐阅想象一下这样的场景：你打开手机导航，软件告诉你“当前位置精度3米”；地震发生后几分钟内，预警系统就向千万用户发出警报；无人机在复杂的城市楼宇间穿梭配送，却能精准避开每一栋建筑。这些看似平常的应用背后，都离不开一门古老的学科——大地测量学。大地测量学是研究地球形状、大小、重力场及其变化的科学。简单说，它要回答三个问题：地球长什么样？地球上的点在哪里？地球的重力如何分布？ 几千年来，人类用三角测量、水准测量等方式一步步丈量地球。而今天，人工智能（AI）正在让这门古老的学科发生翻天覆地的变化。传统大地测量的“天花板”传统大地测量主要依靠物理模型和数学公式。比如，科学家建立了精确的公式来计算GPS信号穿过大气层时会被延迟多少，建立了模型来预测地球自转轴如何摆动。这些模型在大多数情况下工作得很好，但面对一些复杂问题时，它们就显得力不从心了。第一个难题是“非线性” 。地球不是一个完美的球体，它的自转受到海洋、大气、冰川融化等多种因素影响，呈现出极其复杂的非线性变化。传统线性模型很难精确捕捉这些变化。第二个难题是“数据太多” 。今天的卫星每天产生海量数据——GNSS（全球导航卫星系统）、卫星重力、雷达干涉测量等，数据量已达到PB级别。传统方法处理小样本数据很擅长，但面对如此庞大的数据量，就像用小勺舀大海。第三个难题是“看不见的误差” 。城市里的高楼会反射GPS信号，造成定位偏差；地下水位变化会让地面产生微小升降。这些“噪声”混杂在有用信号中，传统方法难以有效剥离。正是在这样的背景下，AI登场了。AI大地测量（AIG）：是什么，能做什么？AI大地测量（Artificial Intelligence Geodesy，简称AIG） ，简单说就是用AI技术来做大地测量。它的核心思路是：不再仅仅依靠物理公式，而是让AI从海量数据中自己“学习”地球的运行规律，形成“物理机理与数据智能双驱动”的新模式。这就像教一个孩子认识动物：你可以告诉他“猫有四条腿、有尾巴”的公式化描述（传统方法），也可以给他看几万张猫的照片让他自己总结规律（AI方法）。两者结合，效果最好。目前，AIG已经在五个核心领域展现出巨大潜力。① 坐标框架：给地球画一张“毫米级”的网坐标框架是大地测量的基石——它决定了我们如何描述地球上任何一个点的位置。传统方法依赖线性模型来预测地球自转参数和测站坐标，但地球物理环境极其复杂，线性模型难以满足毫米级精度要求。AI来了之后，情况大为改观。研究人员用深度自注意力网络（Transformer） 和残差学习（ResNet） 等先进模型，对来自GNSS、VLBI（甚长基线干涉测量）、SLR（卫星激光测距）等多源数据进行深度融合。这些模型能够从数十年的观测数据中学习规律，精细量化水文、大气等环境负载对测站位置的影响。通俗地说：AI能“看懂”地下水位变化如何让一个GPS站抬升几毫米，能“预测”大气压力变化如何让另一个站下沉几毫米。把这些因素都考虑进去之后，坐标框架的维持精度就能达到毫米级。有研究利用混合EEMD_LSTM模型预测地球自转参数，极移预报精度提升了30%以上，UT1-UTC（世界时与协调世界时的差值）中长期预报精度提升了近42%。② 重力基准：给地球称重，精度到厘米重力场是大地测量的另一个核心——它决定了“海拔”怎么算。传统方法依赖地面重力测量，但地面测站分布极不均匀，海洋和偏远地区数据匮乏。AI的解决思路是：用机器学习从已有的重力数据中“推理”出未知区域的重力值。研究表明，随机森林、支持向量回归等AI算法在挖掘重力数据的非线性特征方面，显著优于传统的克里金插值法。更令人振奋的是，物理信息神经网络（PINN） 被用于构建超高阶地球重力场模型。这类模型在损失函数中加入了物理定律约束（比如质量守恒），确保AI的输出符合物理学基本规律。结果就是：新一代国家似大地水准面的精度可以达到厘米级。这意味着什么？以后你在手机上查到的“海拔高度”，可能精确到厘米——这对洪水预警、工程建设都至关重要。③ 智能导航定位：让手机在“城市峡谷”里也不迷路在城市里用GPS定位，你可能会遇到偏差——这就是“城市峡谷”效应：高楼反射GPS信号，造成多路径误差。传统方法用经验公式来修正这些误差，但每个城市的建筑布局不同，每个时刻的信号反射情况也不同，经验公式很难面面俱到。AI的方法是用深度学习直接从信号中“学会”误差模式。研究人员用时序卷积网络（TCN）处理GPS信号，通过自适应强化关键特征权重，在复杂反射环境下显著提升了定位精度。还有研究用双分支神经网络在卫星信号被遮挡的环境下进行定位，东向和北向的定位误差降低了97%以上。更进一步，AI正在推动多源融合导航的发展——把GPS、惯性导航（INS）、视觉摄像头、激光雷达（LiDAR）的数据融合在一起。LSTM（长短期记忆网络）能够挖掘不同传感器数据之间的时间相关性，在GPS信号丢失时，依靠惯性数据和历史轨迹“推算”出当前位置。更前沿的是类脑导航——模仿动物大脑中的“位置细胞”和“网格细胞”来构建空间认知能力。未来，你的手机可能不需要GPS信号，仅凭“看”到的周围环境和“记住”的路径，就能像老鼠找食物一样精准导航。④ 地质灾害形变监测：在地震发生前“听懂”大地的呻吟地震、滑坡等地质灾害发生前，地表往往会有微小的形变——可能是几毫米的位移，可能是重力场的细微变化。传统方法靠人工分析这些数据，效率低、时效差。AI正在让“预警”变成现实。研究人员用全卷积网络（FCN）直接从连续地震波形中检测地震并估算震源参数，把地震定位问题类比为计算机视觉中的图像分割任务。这种方法将处理耗时从小时级压缩到秒级，让地震预警从“马后炮”变成了“提前量”。在滑坡监测方面，融合InSAR（合成孔径雷达干涉测量）和深度学习的方法正在大显身手。InSAR卫星可以大范围监测地表形变，深度学习则能从海量数据中自动识别出滑坡的“前兆特征”。有研究在青海省化隆县成功自动识别出48处新活动滑坡。AIG面临的挑战：数据、可解释性与算力当然，AIG的发展也面临不少挑战。第一是数据问题。 AI模型需要大量高质量的训练数据，但大地测量领域的高精度标注样本获取成本极高。比如，要训练一个识别滑坡的AI，你需要大量“滑坡前”和“滑坡后”的对比数据——但破坏性滑坡本身就很罕见，正负样本比例极度悬殊。第二是可解释性问题。 AI模型常常是“黑箱”——它给出了正确答案，但说不清“为什么”。这对大地测量来说是个大问题。如果一个AI预测某个地区要发生地震，决策者需要知道依据是什么，而不能简单地说“AI算出来的”。第三是算力问题。 训练大模型需要巨大的计算资源，而大地测量领域的专用智能算力配置尚不完善。未来已来：AIG将如何改变我们的生活？尽管面临挑战，AIG的前景依然令人期待。在国家空间基准维持方面，AIG将实现毫米级精度的坐标框架动态维持。在垂直基准方面，AIG将构建厘米级精度的大地水准面，让陆地和海洋的高程基准真正“无缝衔接”。在智能PNT（定位导航授时） 方面，AIG将支撑从室内到室外、从地面到低空的全域高精度定位——这对低空经济（无人机配送、空中巡检）至关重要。在防灾减灾方面，AIG将构建融合多源数据的智能监测网络，让灾害预警从“灾后救灾”变为“灾前防控”。大地测量学正在经历一场从“物理模型驱动”到“物理机理与数据智能双驱动”的深刻变革。这场变革的核心，就是AI。它让人类丈量地球的方式，从“用尺子量”进化到了“让机器自己学”。当我们手中的导航越来越准、地震预警越来越快、海拔测量越来越精确时，背后都有一群大地测量学家和AI科学家在默默努力——他们在用代码和数据，重新定义我们与这颗星球的关系。🔍 此处仅作学术推荐，详情请见文献原文：秘金钟, 李振鹏, 白振栋, 吴文坛, 蒋涛, 李得海. 人工智能大地测量现状与趋势研究[J]. 武汉大学学报 ( 信息科学版), 2026, 51(8): 1584-1596. DOI: 10.13203/j.whugis20260027https://ch.whu.edu.cn/article/doi/10.13203/j.whugis20260027
夜雨聆风
