人工智能是国家科技攻关和广泛应用的重要领域，对于抢占科技制高点和提升我国战略竞争优势具有重要意义。本文在系统梳理相关文献的基础上，从人工智能的总体发展态势、技术创新、赋能应用、安全治理及未来前景等方面进行了综合分析。研究认为，人工智能将推动地图科学的数智化转型进入新的发展阶段。具体而言，人工智能与脑科学或神经科学的融合，将加速地图科学数智化基础理论研究的深化；人工智能领域在类脑智能与类脑计算方面的最新进展，为破解地图科学数智化进程中“知识工程”瓶颈问题提供了有力的技术支撑；深度学习与生成式人工智能的发展，为数智化地图制图开辟了更为广阔的应用空间。与此同时，在人工智能技术快速演进与广泛渗透的背景下，地图科学的数智化仍需坚持“以人为本”的理念，强化人与人工智能的深度融合与协同发展。这是一项具有战略性、长期性和可持续性的系统工程，已取得阶段性成果，蕴含了巨大的发展潜力。最后，本文作了简要总结，认为站在新起点上的地图科学必将迎来一个新的里程碑式的大好局面。

如何顾及“节能环保”和“视觉健康”生成低功耗且有益视觉健康的地图（绿色地图）是当前的研究挑战。然而，现有绿色地图颜色生成方法考虑的因子有限，缺少统一的生成算法框架。针对这一问题，本文在归纳绿色地图使用场景因子的基础上，构建一个可扩展的绿色地图颜色生成框架。首先，从地图的内容与形式、读者特征、承载介质3个方面梳理绿色地图使用场景因子；然后，构建包含绿色地图颜色优化、推荐、风格迁移3种方法的颜色生成框架；最后，选择典型样例地图进行试验，生成针对不同使用场景的绿色地图。试验结果表明，生成的绿色地图可以在不影响地图的色彩美和读者读图效率的情况下，降低60%的功率、过滤60%蓝光辐射且能够有效缓解视觉疲劳。本文方法可丰富绿色地图的生成方法，有望促进绿色地图的实际应用。

矢量海岸线形态模式判别对海岸演化监测、海洋灾害预警、沿海区域规划等具有重要意义，也是海岸线制图表达的重要步骤。传统机器学习的判别方法依赖人工定义特征，同时需要大量标注样本进行长周期训练。为此，本文提出了海岸线通用几何特征学习与下游形态模式判别解耦的预训练模型方法。首先，通过运用坐标系重置和坐标归一化操作，将海岸线转化为适用于嵌入学习的Token序列。然后，设计基于随机遮掩的自监督坐标预测任务，结合基于Transformer的双向编码器表征模型构建海岸线通用几何特征学习的预训练模型。最后，利用标注数据集微调模型，迁移至海岸线形态模式判别任务。为了验证本文方法的有效性，基于开源海岸线数据构建了包含195 649条样本的预训练数据集和1000条样本的标注数据集。试验结果表明，本文方法在包含5种海岸线形态模式的判别任务中取得了90.72%的F₁值，相较基于LSTM和1D-CNN的方法提升了7.31%~9.38%。

路网网格模式识别是地图学与地理空间信息领域的经典问题，广泛应用于地图综合、空间认知、矢量数据更新等任务中。对路网模式特征的提取与分析，是反映城市景观特征以及实现智能化地图操作的关键步骤。然而现有方法面临两大挑战：一是依赖大量高质量标注数据，二是对路网空间-拓扑信息的表征不够完整。路网作为典型的非结构化图数据，难以直接应用为规则栅格数据设计的预训练方法。为解决上述问题，本文提出一种融合欧氏空间邻近与拓扑邻接信息的自监督预训练模型。在方法上，一方面通过图卷积核网络对局部路径结构进行编码，增强拓扑感知能力；另一方面设计空间注意力偏置机制，将欧氏距离信息融入图节点表示，实现双重空间信息的有效融合，从而更好地捕捉道路网络的特征。在学习范式上，采用预训练策略，仅利用无标注路网数据学习通用表征，降低对标注数据的依赖。在公开城市路网数据集上的试验结果表明，本文模型在路网模式分类任务中取得显著优势：准确率达到88.03%，相比最优基线方法（CRHD）提升2.29个百分点；精确率、召回率分别达到88.89%和87.47%，分别提升3.19、1.57个百分点；F₁值为0.878 0，提升了0.020 9。本文验证了融合架构与预训练策略的有效性，本文模型可学习到更具泛化性的路网内在表征，为下游任务提供基础模型支持。

建筑物群组模式识别是地图自动综合与城市空间理解等领域的关键问题。针对现有方法在识别模式覆盖度、阈值主观性、模型泛化能力及对标注样本依赖程度等方面的局限，本文融合深度图信息最大化（DGI）的无监督表示学习与多层感知机（MLP）的分类能力，构建一种面向建筑物群组的多模式识别模型，旨在探索少量标注样本条件下高精度、强泛化的建筑物群组多模式识别路径。首先，依据道路网与建筑物最小生成树完成群组划分与几何模型构建；然后，提取建筑物个体特征与群组全局特征，并引入DGI模型进行无监督图表示学习，通过最大化图级与节点级表示间的互信息，有效捕捉群组内隐含的复杂拓扑依赖关系，生成判别性强的低维图嵌入向量；最后，将图嵌入与全局特征融合为统一特征向量，输入多层感知机（MLP）分类器实现端到端模式判别，从而完成对直线型、曲线型、格网型及不规则型4类典型建筑物群组模式的自动识别。试验结果表明，本文方法在测试集上的最高识别精度达到99.20%；即使在训练样本数量显著减少的情况下（如仅使用20%的标注数据），模型仍可保持97.85%的识别精度与较高的召回率，体现出优于对比模型的稳健性与数据利用效率。

陕甘宁地区地形复杂、地势崎岖，给区域水资源监测和干旱评估带来了显著挑战。本文基于大地测量数据，重点分析了该区域陆地水储量（TWS）和地下水储量（GWS）变化的时空特征以及水文干旱带来的影响。结果表明，在TWS变化方面，GNSS反演的结果与全球陆地数据同化系统（GLDAS）的相关性（0.67）略高于与GRACE及其后续卫星（GRACE-FO）的相关性（0.66）。GNSS、GRACE/GRACE-FO和GLDAS所得TWS年振幅分别为（45.99±6.87）、（27.35±1.56）和（9.49±1.20）mm。空间分布上，各结果均显示TWS振幅由西北向东南逐渐增强，其中最大振幅出现在陕甘宁东南部，最小振幅位于陕西北部。2011—2024年期间，GWS呈持续下降趋势。GRACE/GRACE-FO反演结果显示，2011—2017年期间GWS的年下降速率为（－4.38±0.59）mm/a，2018—2024年期间下降速率为（－3.91±0.48）mm/a，表明该区域地下水仍在持续消耗。陕甘宁地区的水文干旱特征表现为频率较高但整体强度较低，其中降水是陕甘宁地区发生水文干旱的主要驱动因子。研究表明，GNSS与GRACE/GRACE-FO均能有效监测区域尺度TWS和GWS的变化过程，提供高时空分辨率的数据支持水资源管理。此外，其在识别水文干旱事件方面的能力也凸显了其在极端气候影响评估中的应用潜力。

2025年8月2日至6日，广东经历了21世纪以来第5强、8月最强的极端暴雨，持续强降水引发严重洪涝灾害，造成重大人员伤亡和财产损失。星载全球导航卫星系统反射（GNSS-R）技术因其重访周期短、不受云雨影响，已在洪涝监测中展现出重要应用潜力。本文评估了我国自主研制的风云三号系列卫星GNSS-R数据在暴雨洪涝应急监测中的表现。首先，介绍了地表反射率（SR）的计算方法及多GNSS系统SR融合模型。针对传统“硬阈值”方法易受高土壤湿度干扰的问题，提出了一种改进的考虑SR模糊过渡的洪涝探测方法。该方法利用Sigmoid函数将连续的SR映射为地表淹没概率，并根据置信区间引入基于不确定性的动态阈值方法，将研究区划分为高置信水区、高置信非水区和不确定区。随后，通过与Cyclone GNSS（CYGNSS）地表水产品进行对比，利用混淆矩阵评估了本文方法的有效性。结果表明，与传统的硬阈值方法相比，本文方法在洪涝前后地表水探测的总体精度分别提高了10.38%和10.96%，有效减少了因土壤湿度偏高而产生的假阳性结果。进一步与SWOT和GFM产品对比发现，三者探测的洪涝范围基本一致。综上，本文结果验证了风云三号GNSS-R在洪涝应急监测中的能力，并为利用星载GNSS-R开展洪涝探测提供了一种方法。

多传感器融合利用异构传感器观测的互补性实现高精度导航定位，而精确的传感器外参是实现可靠融合的前提。本文针对现有相机惯导外参标定方法中对标定板依赖较强、标定结果易受数据质量影响、数据采集过程较为复杂等问题，提出一种基于先验位姿与运动编排的无标靶相机惯导外参标定方法：利用GNSS/SINS后处理平滑结果作为先验位姿，构建重投影误差方程，基于高斯牛顿优化框架实现外参的精确估计；通过运动编排优化数据采集轨迹，利用运动转台充分激励惯导，提高影像重叠度，保证标定数据的重复性和可靠性；提出一套完整的初始化与外参精优化流程，加速优化过程的收敛，实现外参的最优估计。仿真结果表明，该方法可实现优于0.05°的旋转外参估计精度和优于1 cm的平移外参估计精度；实测试验验证了该标定方法及流程的可行性与标定效果。

日长变化（LOD）是地球定向参数（EOP）的重要组成部分，由于地球自转速率受内外力作用而产生波动，表现为日长的增减，是直接影响昼夜更替周期的时间尺度。本文利用5种不同的方法对国际地球自转服务（IERS）发布的EOP 20 C04数据中2016年1月1日至2020年12月31日的LOD序列进行预测。方案一至方案五分别为：最小二乘自回归（LSAR）、加权最小二乘自回归（WLSAR）、长短期记忆网络（LSTM）+多项式曲线拟合（PCF）+最小二乘（LS）、长短期记忆网络与最小二乘组合模型（LSTM+LS）、长短期记忆网络与加权最小二乘组合模型（LSTM+WLS）。本文提出的方案五（LSTM+WLS）是对固体地球带谐潮汐改正后的LOD数据利用WLS方法得到残差项、拟合项和外推项，并对残差项利用LSTM模型引入有效角动量（EAM）数据进行预测，结合预测残差、外推项和固体地球带谐潮汐项得到LOD预测值。研究结果表明，相对于其他方案，本文提出的方案五在10天预测表现优异，平均绝对误差（MAE）为0.127 3 ms，相较于其他4个方案分别提升了5.7%、5.0%、2.6%、4.6%；在30天预测略优于方案一和二，与方案三和四几乎持平；90天预测MAE为0.1670 ms，相较于其他4个方案分别提升了8.0%、8.8%、15.3%、13.3%。总体而言，本文提出的LSTM+WLS模型在LOD中短期预报中表现优异。

GRACE与GRACE-FO重力卫星为全球地下水储量（GWS）变化监测提供了一种手段，但其空间分辨率较低，难以满足区域水资源精细化管理需求。本文针对华北平原地下水储量监测问题，提出一种基于特征加权CatBoost模型的降尺度方法，融合多源数据集，以提升GRACE（GRACE-FO）数据的空间分辨率。首先，利用贝叶斯三角帽方法（BTCH）对6组GRACE-FO数据进行加权融合，构建稳定可靠的区域地下水储量基础数据；然后，基于偏最小二乘回归（PLSR）提取各特征变量的重要性投影值（VIP）并构建特征加权机制，提升模型对关键特征变量的响应能力；最后，结合具有有序目标编码和有序梯度提升机制的CatBoost模型开展降尺度建模，将GWS数据的空间分辨率尺度从1°降至0.25°，并通过实测水井水位数据进行对比验证。与降尺度前GWS数据相比，降尺度结果与实测水井水位数据的相关性显著提高，且展示出更加丰富的细节。与传统的随机森林（RF）和XGBoost方法相比，本文方法在空间趋势一致性与物理真实性方面均表现更优，显著提升了GRACE（GRACE-FO）地下水反演结果的可靠性与实用性。

侧扫声呐目标图像的类间相似性在识别模型类增量更新中易引发特征偏置，加剧灾难性遗忘。针对这一问题，本文以MEMO算法为基线，提出一种阶段渐进的双尺度动态注意力模块，由阶段内注意力与阶段间注意力组成：前者作用于阶段专用块特征，通过全局池化和通道重加权增强模型表示能力，缓解阶段内相似类别的混淆；后者作用于跨阶段串联特征，减少新类别主导的特征偏置。结合最近邻分类器，本文方法进一步强化了模型抗遗忘能力。在构建的SSS图像目标识别模型类增量更新框架中，本文方法取得了86.79%的平均识别准确率和80.94%的最后识别准确率，分别较基线提升10.88和11.43个百分点，性能优于主流类增量学习算法。在开源前视声呐数据上的拓展试验亦证明其泛化能力，平均识别准确率提升了2.65个百分点。本文方法仅引入1.41%的额外参数，并具备轻量级的更新开销与高效的推理速度。试验表明，本文方法能有效抑制类间相似性导致的特征干扰，提升模型在动态类别扩展中的稳定性，为侧扫声呐图像水下目标识别的持续学习提供了高效解决方案，对移动端部署和智能化、无人化水下测绘任务具有重要意义。

海洋声学导航通常采用主动式声呐获取载体与导航信标之间的往返信号传播时间，无法同时获取多信标声学观测，仅靠单历元声学观测难以实施声学观测质量控制。针对这一问题，本文提出了开窗抗差最小二乘估计算法，通过实施多窗口联合抗差策略，在窗口滑动过程中利用历史窗口内的观测质量信息动态构建抗差等价权，即新窗口内观测初始权采用其在多历史窗口内抗差等价权的均值，并利用载体轨迹模型预报信息对窗口内新增观测值的质量进行评估。试验结果表明：①在Huber、IGG Ⅱ与IGG Ⅲ抗差策略下，本文算法可有效抵御粗差影响，尤其是显著提升了窗口边缘杠杆观测的抗差效能；②本文算法可显著提升导航定位结果的精度和可靠性，抗差导航轨迹估计更为平滑、稳定。

随着深空探测任务持续推进，多源、高分辨率月球遥感数据不断积累，为月表形貌构造的精细化认知与智能解译提供了重要基础。然而，现有月球数据普遍存在组织分散、三维表达不足、实体粒度粗糙等问题，难以支撑科学分析与工程任务对高精度、可交互、可计算数字基底的需求。本文面向深空探测场景，将实景三维技术引入月表形貌构造建模，提出一种形态特征引导的月表构造实体化建模方法。本文方法构建基于形态的实体分类体系与空间身份编码机制，融合多源遥感数据实现实体语义属性与关系建模。针对月溪等线性构造边界模糊的问题，建立基于正交剖面形态梯度的半自动提取机制，通过地形曲率与坡度联合约束，实现线性构造实体的几何重构；针对撞击坑多层次结构，提出形态特征引导的自动剖分算法，结合坡度高程联合判别机制，实现撞击坑部件级精细化建模。以备选着陆区波得月溪区域为验证案例，试验结果表明，本文方法可高效构建高保真、结构化、语义丰富的月球实景三维模型，显著提升了月表构造的表达粒度。本文为深空探测数据的系统化组织、智能化处理与三维可视化提供了可推广的技术路径，推动了月球测绘向实体化、智能化和可计算方向发展。

空间交互是理解人地关系的重要视角，而构建直观高效的可视化对于识别空间模式和交互特征至关重要。现有方法大多以地理空间为基础，通过叠加流线或聚合结构表达交互路径与整体趋势，但在高密度场景下难以支持交互规模感知、关联对象识别及关系强度比较等任务。本文提出一种基于距离-相似性隐喻的空间交互标签云（SITC），将地点转化为地名标签，并以空间邻近性编码交互强度关系，从关系结构层面对空间交互进行重构表达。SITC围绕交互中心形成紧凑的径向标签簇，使交互强度强的地点自然靠近中心，交互强度弱的逐渐外扩，同时支持多中心并置分析。基于中国大陆城市航班数据的可视化试验与用户认知评估表明，SITC能够在高密度交互场景下有效支持4类关键分析能力：快速感知交互中心所涉及的整体交互规模；直观识别与中心存在交互关系的具体地点；比较不同地点与中心之间的相对交互强度；发现多个中心之间共享的交互对象结构。尽管该方法弱化了地理位置保持，但显著提升了对象级关系结构的可读性与分析效率。SITC为空间交互分析提供了一种互补性的可视化范式，尤其适用于高密度空间交互数据中以地点为核心的结构探索任务，为复杂空间系统的关系理解与决策支持提供了一种表达路径。

深度学习已成为基于时空数据实现路网自动提取的主流手段。然而，由于道路尺度差异显著、易被遮挡等原因，现有方法普遍存在道路断裂、漏提、边缘锯齿等问题。针对上述问题，本文提出了一种融合层级特征，具备多样化注意力机制的道路面与中心线协同提取网络（HFDA-Net）。该网络以单一图像或多源数据为输入，采用双路协同建模策略提取路网。首先，设计层级特征交互融合模块（HFIFM），实现卷积网络与Transformer结构相耦合，有效融合不同层级特征中的局部细节与全局语义信息。其次，为了增强道路线性结构感知和特征判别性，提出状态空间全局扫描增强模块（SGSEM）和多样化注意力优化增强模块（DARM）。最后，构建基于图Transformer的双路解码器（DDGT），显式建模道路面与中心线之间的空间-结构共生关系，实现解码阶段的信息互补与预测协同，提升路网提取的完整性。在BJRoad、Massachusetts和City-scale数据集上的试验结果表明，本文方法在IoU、F₁值和TOPO等关键指标上均优于现有对比方法，能够有效缓解道路漏提和中断等问题。本文方法可为大规模路网更新和智能驾驶提供技术支持。