提供及时和准确的地理空间情报（GEOINT）需要从卫星图像到地面报告等多个来源收集数据。这种地理空间数据通常使用不同的数据模型收集、处理和共享，从而导致了GEOINT社区中许多持久的挑战，例如确保系统互操作性、执行数据融合以及向最终用户提供通用作战图（COP）。地理原子（Geo-Atom）是一种地理空间数据模型，它定义了时空位置和属性之间的关联[1]。这个简单的模型包含了离散对象（即矢量）和连续场（即光栅）数据，并且可以扩展为表示地球表面上几乎任何特征或现象[2]。在本文中，使用一个紧急疏散场景来演示如何采用Geo-Atom数据模型来帮助处理与收集、处理和传播GEOINT相关的挑战。

本文所开发的紧急场景是基于由于飓风而疏散的德克萨斯州休斯顿市区。虽然这种特殊的情况是假设的，但鉴于哈维飓风（2017年）、艾克飓风（2008年）和丽塔飓风（2005年）对该地区造成的破坏和生命损失，有重大的历史先例。该场景的基础是由哈里斯郡国土安全和应急管理办公室开发的飓风疏散路线和疏散区地图[3]。该地图的数据与其他地理空间数据集融合在一起，创建了一个能够预测交通拥堵区域的网络科学模型，并使用地理原子来开发该模型，向应急管理决策者交付COP。

一、背景

地理原子以前被应用于许多与地球物理界有关的地球空间问题。例如，地理原子被用来改进遥感图像的利用，方法是建立类似真实世界的物体，而不是使用原始像素作为分类的基础[4]。地理原子的另一个有趣的应用是使用它来创建标准化的制图产品。已经进行了[5]工作，将地理原子数据模型集成到模拟粒子分散的四维模型[6]中，但是到目前为止，还没有已知的将地理原子与网络科学模型集成的研究工作。

网络科学是一门研究物理、生物和社会现象的网络表征的学科，它可以为这些现象建立预测模型[7]。在USGIF的《2018State and Future of GEOINT》报告中，Collins等人指出，“GEOINT和建模之间的联系已经成为决策者和快速响应团队可以依赖的一种能力，可以提高他们决策的正确性、可靠性和及时性[8]。”以下研究的目的是展示如何将地理原子与网络科学模型结合起来，以提高决策者做出与紧急疏散计划和/或执行有关的及时决策的能力。

本研究的基本设计如下：首先，利用多个来源的地理空间数据建立网络科学模型。接下来，将该模型应用于休斯顿地区的一段路网，并将模型结果用于预测假设飓风疏散期间的交通拥堵区域。然后利用地理原子向网络流模型中添加新的输入变量，得到了新的模型结果，显示了洪水和大碎片等因素如何影响交通流。最后，将模型结果作为地理原子数据发布，并在多个软件平台上显示，以演示互操作性。这个网络科学应用程序展示了采用geo-atom如何改进GEOINT模型提供的决策支持功能。

二、数据

本研究中使用的最重要数据是由哈里斯郡国土安全和应急管理办公室开发的飓风疏散路线和疏散区域地图。此地图如图1所示

图1.哈里斯郡飓风疏散图

还使用了几个GIS数据集：邮政编码的多边形形状文件和疏散路线的多边形形状文件。另外还开发了一个假设的实时洪水数据集，并将其存储为地理原子数据。

三、方法

创建网络科学模型最常见的方法是使用节点来表示一组离散对象和弧用来说明这些对象之间的连接。对于哈里斯郡的紧急疏散模型，弧线表示如图1所示的道路，节点表示疏散路线或道路交叉口的起点或终点。利用邮政编码shapefile属性确定需要疏散的位置和人数，利用GIS计算每个路段的距离。利用这些数据对网络科学模型进行求解，结果显示了可能发生交通拥堵的区域。这个网络科学模型最初是由Micah Brachman和Suzana Dragicevic. [10]开发的。

在GEOINT领域和地理信息科学的更广泛领域中，将实时数据集成到模型中都是一项挑战。通过使用地理原子，代表实时飓风影响的新变量可以无缝地整合到网络科学模型中。然后，该模型可以生成新的输出，这些输出显示了在考虑实时条件的情况下，交通拥堵是如何变化的。将假设的实时洪水数据编码为一个地理原子的具体方法如下：

g = {p，A，a(p)}

Where：

g = flooding

p = (WGS84 Latitude，Longitude)

A = water depth (cm)

a(p) = 170

Anexample of record for a flood event is：

flooding = {(30.012，-95.806)，water depth(cm)，170}

然后在网络科学模型中输入假设的实时洪水数据作为新的变量。据推测，由于洪水泛滥，几条道路将无法通行。然后，利用这些新的可变输入再次求解网络科学模型，并得出了在道路被淹没的情况下，疏散交通拥堵如何变化的结果。

四、实验结果

网络科学应急疏散模型的输出如图2所示。这张地图显示了由网络科学模型预测的交通拥堵区域，该模型利用地理原子结合实时洪水深度数据，可以由地面观察员报告。应急管理人员可以利用这些结果来决定如何重新引导车辆，以应对洪水等灾害，或者帮助确定可供选择的疏散路线。

在GEOINT社区中使用了许多不同的软件平台，因此数据互操作性对于提供COP非常重要。通过将应急疏散模型的输出转换为地理原子，几乎可以在任何平台上方便地传播和可视化数据。

图2.飓风疏散期间休斯顿地区可能出现的交通拥堵（图片来源：Micah Brachman）

五、亟待改进的问题

对地理空间建模和仿真的一个常见批评是，很难将结果转化为现实世界的决策。为了避免这个和其他陷阱，使用Collins等人确定的一个好的GEOINT模型的特征来评估上面提出的建模方法是有用的[11]：

1.与决策或分析目标相关的输出：所提供的模型输出可供紧急疏散期间负责管理交通流的应急管理人员和其他决策者使用。将实时的地理原子数据整合到模型中，使得这些决策可以根据地面的开发条件进行更改。

2.一致、可识别和可用的数据：邮政编码和道路网络数据可用于整个美国，而开源道路网络数据集（如OpenStreetmap）具有全球覆盖范围。紧急疏散地图的可用性各不相同，但大多数受到一个或多个危险持续威胁的大都市地区都有一个疏散计划。

3.评估和比较输入的影响的能力：对于这种特殊的紧急疏散模式，道路网络的地理位置、指定的疏散路线和将要疏散的人员的位置可以被视为固定输入。因此，通过比较不考虑实时数据的模型实例的输出与不考虑实时数据的模型实例的输出，可以轻松评估实时地理原子数据输入的影响。

4.一致的输出：网络科学紧急疏散模型生成一张地图，显示交通拥挤可能发生的位置。Brachman和Dragisevic提出的该模型的广义数学公式可以使用多种不同类型的道路网络和人口数据输入，并且仍然可以生成交通拥挤图作为输出。

5.同化实时观测的能力：地理原子的主要优点之一是它可以用来表示几乎任何类型的地理空间数据。随着新的实时传感器的开发和新的地理空间数据源被用于分析，采用地理原子将有助于确保这些观测可以迅速纳入支持决策者的模型中。

6.为高级可视化平台生成结果的能力：geo-atom的灵活和可扩展设计确保它可以用于将新的实时观测纳入模型，并共享模型输出。地理原子的简单性使得这些输出可以在许多不同类型的平台上可视化，从桌面地理信息系统和遥感软件到移动设备。

本文介绍的研究表明，采用地理原子数据模型可以帮助解决与收集、处理和传播GEOINT相关的许多持久挑战。虽然将实时的地理原子数据集成到网络科学模型中仅限于假设的飓风紧急疏散场景，但未来的研究有许多途径。

其中一个途径是进一步探索使地理原子成为广泛使用的地理空间数据标准的潜力。开放地理空间联盟等组织可以在促进这方面发挥重要作用。另一个是设计和实现紧急疏散决策支持系统，该系统可以使用全国或全球可用的道路网络数据，并直接结合来自各种传感器的实时数据。网络科学只是地理原子的一种可能应用；支持GEOINT决策过程的其他应用程序还有很多，包括前沿的机器学习和人工智能功能。

参考文献：

1.Michael F. Goodchild. “GeographicalData Modeling.” Computers & Geosciences，1992：18(4)：401-408.

2.Michael F. Goodchild，May Yuan， and Thomas J. Cova. “Towards aGeneral Theory of Geographic Representation in GIS.” International Journal ofGeographical Information Science，2007：21(3)：239-60.

3.Harris County Hurricane Evacuation Map，Harris County Office of Homeland Security and Emergency Management. http：//prepare.readyharris.org/Evacuation-Map.Accessed May 12，2018.

4.Ivan Lizarazo and Paul Elsner. “FromPixels to Grixels：A Unified Functional Model for Geographic-Object-Based Image Analysis.” TheInternational Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2008：38(4/C1).

5.Robert G. Cromley，Shuowei Zhang， and Natalia Vorotyntseva. “AConcentration-Based Approach to Data Classification for Choropleth Mapping.”International Journal of Geographical Information Science，2015：29(10)：1845-63.

6.Anthony Jjumba and Suzana Dragicevic.“Integrating GIS-Based Geo-Atom Theory and Voxel Automata to Simulate theDispersal of Airborne Pollutants.” Transactions in GIS，2015：19(4)：582-603.

7.National Research Council. NetworkScience Committee on Network Science for Future Army Applications. The NationalAcademies Press. Washington，D.C.； 2005.

8.Brian Collins，Ofer Heyman，Joaquín Ramírez，Trude King，Brad Schmidt， Paul M. Young， KC Kroll， Ryan Driver and Carl Niedner. “Modeling Outcome-BasedGeospatial Intelligence.” State and Future of GEOINT Report， The United States Geospatial Intelligence Foundation； 2018

9. Image credit：Harris County Office of Homeland Security and Emergency Management preparednesswebsite http：//prepare.readyharris.org/Evacuation-Map.html.

10.Micah L. Brachman and SuzanaDragicevic. “A Spatially Explicit Network Science Model for EmergencyEvacuations in an Urban Context.” Computers，Environment and Urban Systems，2014：44：15-26.

11.Brian Collins，Ofer Heyman， Joaquín Ramírez，Trude King， Brad Schmidt，Paul M. Young， KC Kroll，Ryan Driver， and Carl Niedner. “ModelingOutcome-Based Geospatial Intelligence.” State and Future of GEOINT Report. TheUnited States Geospatial Intelligence Foundation；2018.

作者：Micah LBrachman，Ph.D.，University of Maryland；Zachary Mostowsky，NT Concepts；and Ian Jonesi，BlackSky Corporation

原载：《2019 State and Future of GEOINT Report》，Publishedby United States Geospatial Intelligence Foundation。

编译：蓝荣钦（郑州信息工程大学），《慧天地》特约撰稿人

荐读

编辑 / 李允琛 审核/刘峰 富裕