2025年DeepSeek驱动下的地图生成

背景：地图遇上了AI

• 地图在规划中的重要性：表达各类自然、人文、设施的多维分布、属性、时空关系及动态变化，通过实景三维产品提供多尺度、多类型时空信息。
• 新质生产力下地图制图面临的挑战：
  • 低空经济：关注“空”域、电磁讯号、气流等，非传统DEM可表达。
  • 自动驾驶：融合实时传感与既有地图信息，非精确度高可满足。
  • 文创娱乐：虚实融合的游戏场景，创意高自由度，非传统地图可胜任。
• 智能化技术的颠覆：
  • 地图学中的智能化问题：AI在地图制图中的角色演变，不同形式AI的应用。
  • AI技术主流：大语言模型LLM，与地图相关的LLM技术测试（如AI绘画Midjourney生成武汉市地图、武汉地铁图描述）。

DeepSeek驱动下的地图生成

• DeepSeek主体功能：如何实现DeepSeek下地图生成？
  • 一轮驱动：运用LLM现有成熟系统工具增强地图制图技术（如ChatGPT、DeepSeek、SORA、Midjourney扩展开发，地图智能体、服务器组件，LLaMa2/3，LangChain开发）。
  • 二轮驱动：运用AI基础模型算法开发专业化的地图语言LLM工具（基于地图语言，通过transformer、diffusion模型研发地图语言大模型）。

方法1：地图制图链中嵌入DeepSeek

• 智能化地图生成器DoMapAI：
  • 整体框架：SelectciFromtableWhereciwithin between and 。
  • 制图链中的地图制图知识图谱：建立混合“知识—数据—工具”的制图知识图谱，建立制图生成链。
  • 智能化地图生成器DoMapAI演示。

方法2：地图符号语言的LLM研发

• 两大步骤：
  • 步骤一：地图语言Token化
    • Token定义：LLM中处理的最小语言单位（如“武汉-市-长江-大桥”）。
    • 地图语言Token划分：栅格化、实体化、分段分块、stroke等单元身份定义。
    • 地图语言Token单元的序列化：案例（土地利用数据Token化）。
  • 步骤二：语料预训练、词嵌入量化、基础模型微调输出智能化功效
    • 地图图形语言的Token化：Token化中领域知识的融入。
    • 等高线语言模型预训练数据区域：基于BERT的768维向量，7千万参量。
    • 地图预训练模型与下游任务对接（GAN支持的地形内插重建）。
    • 地形数据Geotoken上的山水图生成（虚构地理场景，支持规划设计）。
• 虚实结合：
  • 场景图生成中的虚实结合：山体场景主体特征保持、风格一致，微地貌、细节、渲染创意自由度。
  • 基于地形GeoToken数据的虚实结合场景生成：
    • 提取结构线，生成结构线处的Geotoken。
    • 基于Geotoken的高逼真内插技术实施个性化山景设计（对抗网络GAN支持）。
    • 交互控制：地形结构线重调、竖向高程调整、渲染风格调整。
  • 山水画风格迁移。

结论

• AI时代地图制图面临“大变局”：
  • 地图生成技术的变革：
    • 生成之“道”（形而上者）：地图语言Token化及MapGPT研究。
    • 生成之“器”（形而下者）：LLM集成智能体架构的垂类开发。
• 地图制图人的职业变化：
  • AIGC支持下的制图系统架构师。
  • LLM技术下的生成开发师。
  • 制图操作提示工程师。
  • 地图样本标注师。
  • 地图语料喂养师。