李德仁院士时空智能学与DIKWP模型的理论联系研究

（DIKWP人工意识国际团队-深度研究发布）

段玉聪

人工智能DIKWP测评国际标准委员会-主任

世界人工意识大会-主席

世界人工意识协会-理事长

(联系邮箱：duanyucong@hotmail.com)

李德仁院士“时空智能学”定义解析

李德仁院士在2024年中国测绘地理信息技术年会上正式提出了“时空智能学”概念。他指出，时空智能学是在万物互联和人工智能时代背景下，对自然活动和人类活动进行智能感知、认知并支持决策的一门新兴科学技术 (李德仁院士提出“时空智能学”_腾讯新闻)。简单来说，时空智能学利用通讯-导航-遥感一体化的智能传感器、云计算和人工智能等手段，自动获取海量的时空数据并进行处理、提取信息和挖掘知识，从而能够自动回答何时(When)、何地(Where)、何物(What)、何种变化(What change)以及为何(Why)等关键问题 (李德仁院士提出“时空智能学”_腾讯新闻)。这使测绘、遥感和地理信息领域进入了一个智能化的新阶段，也是人工智能的重要组成部分 (李德仁院士提出“时空智能学”_腾讯新闻) (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网)。李德仁强调，时空智能学还属于服务科学的范畴，能够在正确的时间、将正确的地点所需的正确数据/信息/知识，智能地传递给正确的人，以支撑即时决策 (李德仁院士提出“时空智能学”_腾讯新闻)。由此可见，时空智能学的核心要素包括：时空数据的自动感知与获取、时空信息的提取与融合、时空知识的挖掘与推理，以及面向特定需求的智能决策服务。

DIKWP模型概述及其映射

DIKWP模型是对经典DIKW（金字塔）模型的扩充，在“数据-信息-知识-智慧”(DIKW)四层次之上增加了第五层次“目的”（Purpose，也称意图） (DIKWP 人工意识模型研究报告-段玉聪的博文 - 科学网)。这五个层级依次为：数据(Data)、信息(Information)、知识(Knowledge)、智慧(Wisdom)和目的(Purpose) (DIKWP 人工意识模型研究报告-段玉聪的博文 - 科学网)。其中，“目的”位于最高层，强调决策意图对整个认知过程的引导作用 (DIKWP蒸馏与DIKWP模型压缩的未来发展技术报告)。相比传统DIKW金字塔，DIKWP将主观意图/目标作为与数据、信息、知识、智慧同等重要的要素纳入模型，突出最终决策目标在人工智能认知过程中的重要性 (真实的未来：DIKWP坍塌理论概览-段玉聪的博文 - 科学网)。在这一模型中：

• 数据：原始的客观事实集合，是认识的起点；

• 信息：赋予数据以语境和意义，经过处理的数据变得可理解、有用；

• 知识：从信息中总结出的规律和模式，上升到可指导行动的原理层面；

• 智慧：综合运用知识进行判断和决策的能力，考虑价值和目的，做出最佳选择；

• 目的：最终要实现的目标或意图，它指导着上述整个过程，确保决策朝着期望的方向发展。

将李德仁院士的时空智能学框架映射到DIKWP模型，可以发现高度的契合：时空智能学关注从时空数据到智能决策的全过程，这本质上对应着从数据到目的的逐级跃升。 (李德仁院士提出“时空智能学”_腾讯新闻)中的“正确的数据/信息/知识送给需要的人”体现了从数据到知识的获取和应用，而“支持智能决策”“协同可持续发展”则点明了决策所服务的目的。因此，在时空智能学中：

• D（数据）层对应各种时空传感器获取的时空数据（如测绘数据、遥感影像、位置数据等）；

• I（信息）层对应将原始数据处理得到的时空信息（例如地图、影像解译结果、实时位置与状态等有意义的信息）；

• K（知识）层对应对时空信息进一步挖掘形成的时空知识（比如时空模式、变化规律、因果关系等领域知识）；

• W（智慧）层对应利用知识进行智能决策和行动（例如综合研判形势、预测未来趋势并制定决策方案），体现系统的智慧能力；

• P（目的）层则是整个时空智能应用希望实现的目标（如资源可持续利用、安全高效运行、惠民利民等决策目的）。

双向融合机制

时空智能学对DIKWP的支撑在于，它提供了丰富的时空场景和应用需求，推动DIKWP各层次在动态时空环境中落实。例如，在时空智能体系中，各种物联网传感器和遥感手段源源不断地产生海量数据，为DIKWP的数据层提供了内容丰富、时空标签明确的数据源；通过时空数据的融合和处理，形成对现实世界的信息表达（如动态地图、监测报告），充实了信息层；基于这些信息，结合地理模型和领域知识可提炼知识（如城市运行规律、环境变化机理），对应知识层；进一步地，系统可对未来进行模拟和智慧预测，从而支持决策者做出合理行动方案——这一过程相当于在DIKWP的智慧层赋予系统“洞察未来”的能力 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件) (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。同时，整个链条始终围绕着特定的目的（决策意图）运行，例如城市可持续发展、安全保障等目标引导着数据收集和分析的方向。可以说，时空智能学的出现为DIKWP在时空领域的落地提供了舞台，丰富了从数据到智慧再到目的的演进过程。

反过来，DIKWP模型对时空智能学的增强体现在为时空数据到决策的转化提供了清晰的方法论框架。DIKWP提醒研究者和工程师在构建时空智能系统时，不仅要关注底层的数据获取和信息处理，还应注重知识的形成与积累，以及最终决策目的的达成。这种分层思维有助于系统性地打造时空智能：确保原始时空数据经过处理变成有用信息，被进一步沉淀为知识，并最终用于智慧决策服务于预定目标，而不至于在海量数据中迷失方向或停留在浅层信息展示。例如，有了DIKWP指导，GIS时空大数据平台被设计为“实体库-指标库-模型库-知识库”四库架构，即对应数据、信息、知识、智慧四层逐级进阶，能够从描述、诊断到预测和处方性分析全面支撑城市决策 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。可以预见，通过引入目的驱动的理念，时空智能系统将更具“以终为始”的智能决策能力——始终围绕预期目的来采集数据、提炼知识和应用智慧，从而显著提升智能决策的针对性和有效性。

DIKWP在时空智能学核心应用中的作用

针对测绘遥感、地理信息系统、智能交通、环境监测四大领域，DIKWP模型能够为时空智能应用提供从数据到智慧的完整思路，提升各环节的智能化程度。

测绘遥感中的DIKWP应用

数据层（Data）：在测绘和遥感领域，数据层体现为多源遥感影像、LiDAR点云、测量坐标等基础时空数据的获取。利用卫星、无人机和地面测量设备，可实现对地表要素的高分辨率、多时相感知，形成海量原始数据。

信息层（Information）：通过对遥感影像的智能解译和测绘数据的处理，原始数据转化为有用的信息。例如，采用图像识别算法从卫星影像中提取地物类别、土地利用类型；将LiDAR数据处理生成数字高程模型；利用测绘数据制作地图和三维模型。这些信息为进一步分析提供了语义和上下文 (李德仁院士提出“时空智能学”_腾讯新闻)。智能遥感分析系统借助人工智能，可自动完成目标检测和变化检测，把海量遥感数据浓缩为可理解的信息（如识别出“何种目标、何种变化” (李德仁院士提出“时空智能学”_腾讯新闻)）。

知识层（Knowledge）：在信息基础上，通过数据挖掘和模型推理获取更深层次的规律和知识。例如，基于多时相遥感信息，可以总结土地覆被变化的时空模式；结合气象与遥感数据，可以形成旱涝灾害的致因分析模型；将测绘与地理信息融合，可提炼城市扩张的空间规律。李德仁院士提出时空智能要能回答变化及其机理(Why) (李德仁院士提出“时空智能学”_腾讯新闻), 正是强调从信息中提炼知识以揭示因果关系。这一层面上，知识库和专业模型发挥作用，将散落的信息升华为成体系的认知，如地学规律、环境演变机制等。

智慧层（Wisdom）：有了对规律的掌握，系统即可进入智慧决策层次。在遥感测绘中，智慧体现为利用知识进行决策支持和策略制定的能力。例如，根据提炼的知识预测未来土地利用变化趋势，智慧地规划城市用地；根据地质监测知识判断潜在风险区域，提前采取防灾措施；结合多源知识为国土空间规划提供科学决策支撑 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。这一层常借助AI模拟和专家系统，将知识转化为具体决策方案，体现“识变—应变”的智能。

目的层（Purpose）：所有分析和决策最终服务于特定目标。在测绘遥感应用中，目的可能是国家宏观规划、资源可持续管理、生态保护等。例如，高分辨率遥感监测旨在服务国家生态文明建设这一宏伟目标，因而数据获取、知识提炼均围绕生态监测这一意图展开。DIKWP确保团队始终明确“为了什么”而收集分析数据——如为了减缓森林消失率，就重点监测林区变化并提供预警决策；为了城市智慧管理，就围绕城市规划和治理需求来组织遥感测绘活动。通过目的引导，遥感测绘由被动测量转向主动智能服务，大幅提升了工作的价值产出。

地理信息系统（GIS）中的DIKWP应用

数据层：GIS作为时空信息管理的核心平台，其数据层涵盖空间数据库中存储的各种地理实体数据和属性数据，比如道路、建筑物、人口、管网等原始空间数据。随着时空智能的发展，GIS的数据获取也越来越依赖物联网感知（传感器网络实时采集位置信息）和大数据汇聚（如交通卡口记录、手机位置数据等）。这些杂多的数据构成了城市和环境数字孪生的基础。

信息层：GIS将原始数据经过清洗、集成和分析，生成有意义的信息。例如，通过空间分析计算指标信息：人口密度分布图、交通流量热力图、土地利用统计报表等 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。信息层可以看作GIS的指标库，提炼出反映客观现象特征的度量和图形化表达 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。在时空智能环境下，这一步常涉及实时信息更新和多源数据融合，可动态呈现城市体征（如环境质量指数、交通运行指数等）。信息层使决策者可以直观了解“发生了什么”。

知识层：在GIS平台中引入知识库和模型库，对信息层的指标进一步挖掘，形成知识 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。例如，引入时空知识图谱技术，将地理实体及其关系建模，存储关于“事物间联系”的知识；利用预测模型（如城市扩展模型、环境影响模型），推演不同因素下的系统行为，将指标信息转化为知识规则。在智慧城市GIS中，这体现为一系列分析模型（人口迁移模型、交通模拟模型等）对指标进行组合运算，揭示系统运作规律 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。知识层回答的是“为什么会这样，未来会怎样”，赋予GIS以类脑的推理能力。

智慧层：GIS的智慧层表现为利用知识进行高层次的智能决策支持。有了知识库，GIS不再只是制图工具，而成为决策大脑的一部分。例如，GIS可以根据知识自动生成规划方案建议：通过综合考虑交通模型输出，建议优化公交线路布局；根据洪水模拟知识，给出城市防涝设施选址方案；结合环境承载力知识，辅助制定土地利用政策。智慧层还包括情景模拟和预警：GIS基于知识预测未来发展情景，并在偏离目标时发出预警信号，为管理者提供智慧化的建议 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。因此，GIS从信息系统升级为具备决策智慧的地理智能系统。

目的层：GIS应用的最终目的驱动整个系统架构设计。例如，智慧城市建设的目的在于提高城市管理效率和居民生活质量，那么GIS的数据汇聚、模型分析都紧紧围绕这一目标展开 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。又如，自然资源管理的目的在于资源的可持续利用和生态保护，则GIS的平台需满足“天地一体化监测、全流程监管”的需求，以该宏观目标指导数据与模型的配置 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)。引入“目的”层使GIS不再孤立地处理空间数据，而是成为服务特定战略目标的时空智能平台。这促使在GIS治理中出现“五官”（首席数据官、首席信息官、首席知识官、首席智慧官、首席意图官）各司其职的理念 (DIKWP模型在现代企业管理中的应用：构建首席X官角色与AI融合的 ...)——保证从数据到目的各环节都有专责，最终实现GIS对组织使命的强有力支撑。

智能交通中的DIKWP应用

数据层：智能交通系统依赖大量交通数据作为基础，包括道路传感器采集的车流量数据、摄像头视频流、GPS车辆轨迹、交通事件和气象数据等 (什么是智能运输系统？(智能交通系统） | 定义 - Digi International)。随着V2X（车路协同）和物联网的发展，交通数据的体量和维度不断增加，实现对车辆、行人、基础设施的全时空感知。这些原始数据构成DIKWP的第一层。数据层强调全面、实时、准确，如通过传感器网络24小时采集路况信息，形成交通大数据，为后续处理奠定基础 (环境监测系统 - 天筑云智慧工地)。

信息层：将采集的杂乱数据进行处理、融合，得到有意义的交通信息。例如，实时计算道路的通行速度和拥堵指数，提取公共交通的运行时刻和客流动态，分析事故报警信息等。信息层在智能交通中体现为交通管理中心的各种监测面板和报表：道路拥堵热力图、公交准点率统计、信号灯周期优化建议等。这些信息赋予数据以交通语义，回答了“当前交通状况如何”的问题，使管理者对全局态势心中有数 (什么是智能运输系统？(智能交通系统） | 定义 - Digi International)。

知识层：在信息基础上，通过数据挖掘和机器学习，智能交通系统提炼交通领域知识。例如，根据历史信息总结出高峰拥堵规律、节假日出行模式；通过对比分析找出事故多发路段及其成因；利用预测模型形成交通流预测和出行需求预测的知识。知识层可能以规则库或预测模型的形式存在，包含了交通系统“怎样运作、为何如此”的深层认知。例如，一个训练好的AI模型可以预测未来一小时各路段的拥堵概率，为调度提供依据——这其实就是在获取“未来交通状况”的知识。再如，分析模型揭示某路口事故频发是因信号配置问题，这属于因果知识，指导管理者采取改进措施。通过持续学习，智能交通系统的知识库不断丰富，提升了对复杂交通现象的洞察力。

智慧层：智慧交通的最高表现是实现主动优化和决策。当掌握了足够的知识后，系统可以自动或半自动地制定交通管理决策，实现智能调度。例如，根据预测的拥堵状况智能调整红绿灯配时（自适应信号控制），提前疏导车流；结合实时公交和地铁客流，智慧调度公共交通运力，动态增减班次；在检测到事故时，自动规划绕行路径并引导车辆，减少二次拥堵。智慧层还包括面向个体的决策支持，如通过导航APP将优化路径和出行建议发送给驾驶员和乘客。所有这些智慧决策都旨在实现更高层的交通系统目标，如减少拥堵、提高出行安全、降低排放等。可以说，智慧层使交通系统具有了“自我调节”和“协同优化”的能力，不再只是被动响应，而是主动趋利避害地管理交通。

目的层：智能交通项目通常服务于明确的城市发展目的，例如**“缓解城市拥堵、构建绿色交通、提升出行体验”等。这些顶层目标会映射为具体的绩效指标（比如高峰平均车速提高X%，公共交通分担率提升Y%，交通事故率降低Z%）。DIKWP将这些目的置于体系顶端，确保智能交通系统的设计和运行始终围绕目标开展：数据采集哪些、分析侧重什么、决策如何衡量效果，都以最终目标为导向。例如，为了提高通勤效率这个目的，系统会重点采集高峰期道路数据，知识层侧重通勤流模型，智慧决策上突出快速通勤通道的优化。在目的牵引下，各层形成闭环反馈**：不断评估决策效果是否达成目标，若未达成则调整算法或收集更多相关数据，体现出目的驱动的自我改进。总之，引入目的层使智能交通真正成为一个目标导向的智慧闭环系统，持续朝着城市交通愿景演进。

环境监测中的DIKWP应用

数据层：环境监测涉及对空气、水体、土壤、生物等多介质环境要素的数据获取。传统人工监测正被传感网和遥感所补充乃至替代：空气质量监测站、卫星大气探测、河流湖泊水文传感器、地表覆被遥感影像、噪声和辐射监测仪等，源源不断提供环境数据。这些数据具有时间连续、空间分布广的特点，包括实时的温度湿度、PM2.5浓度、河流水位、植被覆盖率等等。物联网和高空/空间对地观测相结合，实现了对环境要素的全天候、立体监测 (环境监测系统 - 天筑云智慧工地)。数据层越丰富，越能全面刻画环境现状，为信息提取提供可靠基础。

信息层：将原始环境数据加工汇总，形成清晰的环境信息。例如，计算空气质量指数(AQI)及发布区域空气质量地图，汇总水质监测数据生成水质月报，利用遥感影像提取植被覆盖度或城市热岛强度等指标信息。这一层通过时空数据融合和统计分析，把离散数据转化为可理解的环境状态描述。如“某市今日AQI=80（良）、主要污染物PM2.5浓度为XX µg/m³”就是信息层的典型输出。信息层还包括异常检测，如发现某监测站数据异常升高，则标记为预警信息。通过仪表盘、GIS地图等形式，环境管理者可直观掌握当前环境状况和变化趋势。总之，这一层回答了环境的状况如何，为决策提供依据。

知识层：环境监测的知识层重在揭示环境变化的机理和规律。通过对信息层长期积累的数据进行深入分析，可以获得许多宝贵知识。例如，运用数据挖掘发现污染源与空气质量的关联规律（识别工业排放、机动车尾气等对AQI的影响程度）；结合气象和地理信息建立污染物扩散模型，作为大气环境领域的知识；分析多年遥感序列数据，总结土地荒漠化的发展趋势及其驱动因素；利用生态监测数据构建物种栖息地模型，理解生物多样性的变化原因。这些知识常以模型公式、规则库或知识图谱形式存储，构成环境领域的智能“大脑”。例如，“每年冬季静稳天气时易出现PM2.5峰值”是经验知识；“植被覆盖率与地表温度负相关”是定量知识。这一层让系统能够回答**“环境发生变化的原因是什么，未来会如何发展”**等更深层的问题，把环境监测提升到认知层次。

智慧层：智慧层体现为在掌握环境知识的基础上进行智能决策和行动。环境管理部门可以依赖系统提供的智慧建议来制定政策和采取措施。例如，根据污染扩散模型的预测结果，智慧地调度工业企业生产（在预计污染严重时段限产停产），以避免空气质量恶化 (浅谈智慧环保在线监测设备系统 - ResearchGate)；依据水质模型预测，提前启动水库泄洪或城区排水，减轻洪涝风险；利用生态模型识别关键生态红线区域，优化国土空间开发管制以保护生态功能。智慧层还包括预警和应急响应：当监测数据和知识模型指示将发生环境事件（如重污染天气、蓝藻暴发）时，系统自动发布预警并推荐应对方案（比如启动应急预案、发布健康防护通知等） (浅谈智慧环保在线监测设备系统 - ResearchGate)。通过这些智慧决策，环境监测系统不只是记录环境变化，而且能主动干预和改善环境。

目的层：环境监测与治理的最终目的通常是保障生态环境安全、促进环境质量改善与可持续发展。这一目标贯穿DIKWP各层，引导着监测系统的设计与运行。例如，以“持续改善空气质量”为目标，那么数据层会侧重于覆盖城市和工业区的空气监测布局；信息层着重AQI及相关指标的准确发布；知识层则建立大气污染成因及治理效果评估模型；智慧层围绕该目标提出减排策略和应急措施。又如，以“实现碳达峰碳中和”为远景目标，监测体系会着眼于碳排放数据的获取和碳循环知识的积累，智慧决策上支持低碳政策制定。明确的目的确保环境监测的各项工作始终以最终生态效益为指引，避免陷入只采集数据不应用、或只关注局部指标不服务整体目标的窘境。在目的牵引下，环境智能监测系统才能不断自我完善，最终实现“数据驱动、知识支撑、智慧决策，保护环境”的闭环。

案例分析与方法论高分遥感智能分析案例

案例背景：以我国高分辨率对地观测系统为例（高分系列卫星工程），每天获取海量的光学和雷达遥感影像数据。传统上，这些遥感数据需要人工判读和专题制图，而在时空智能学框架下，我们希望实现从数据获取到信息提取、知识发现，再到决策支持的智能流水线。

DIKWP应用：

• 数据：高分卫星影像作为原始数据源，分辨率高时间覆盖频繁，为地物监测提供了基础。地面接收站每天接收TB级的数据流，并通过云平台存储管理。

• 信息：利用深度学习图像识别技术，对高分影像进行自动解译。例如，识别提取全国耕地、建设用地、水体的分布信息；检测变化区域（如新增建筑、灾害损毁地表）等。通过遥感信息提取，高分数据被转化为专题图层和报告，供相关部门直接查阅 (李德仁院士提出“时空智能学”_腾讯新闻)。

• 知识：在持续监测信息的基础上，构建领域知识模型。例如，基于多期土地利用信息，可以训练一个城市扩张预测模型，成为知识的一部分；综合分析植被覆盖变化和气象数据，形成土地荒漠化风险评估模型；将多源信息汇入时空知识图谱，连接起“地物-属性-变化-原因”等知识点，方便查询推理。这些都是从遥感信息中萃取的知识资产。

• 智慧：有了上述知识，系统可以对未来情景进行模拟预测，支持决策。比如利用城市扩张模型预测某地区5年后的建设用地增长趋势，为国土规划提供科学依据；根据荒漠化风险模型预测重点区域的生态退化风险，提前制定治理方案。管理者在高分遥感智能分析平台上，可以收到决策建议：哪些区域需要及时保护，哪些地方适合发展建设等。这体现了从知识到智慧的跃升。

• 目的：整个案例的实施围绕国家“资源环境监测与科学决策”的目的展开。高分遥感智能分析的目标在于服务国家战略需求——例如粮食安全需监测耕地红线、生态文明需监测环境变化、城市规划需掌握用地动态等。因此，无论数据获取还是模型构建，都紧扣这些应用目的。最终，高分遥感智能分析系统在相关决策中发挥了重要作用，如支持划定生态保护红线、评估区域发展政策效果等，实现了“天上看、地上用”的目标。

分析总结：该案例展示了DIKWP如何在遥感领域闭环应用。从海量遥感数据出发，通过信息提炼和知识挖掘，最终服务于宏观决策目的。相比以往仅提供图像和地图的模式，融入DIKWP后，系统具备了自我“认知-决策”能力：能自动发现变化、解释变化原因并提出行动建议。这种智能分析方式极大提高了遥感数据的价值转化效率，实现了从数据到知识，再到智慧决策的贯通。

智慧城市交通调度案例

案例背景：某大城市引入“城市大脑”系统来缓解交通拥堵和提升出行效率。该系统整合了交管部门监控、公共交通调度、地图导航服务等多方数据与能力，希望利用AI实现全局最优的交通调度。

DIKWP应用：

• 数据：城市大脑汇聚了全市交通相关数据：交叉路口摄像头视频、道路传感器流量、公交地铁GPS、出租车网约车轨迹、交通事故和报警记录、甚至天气和大型活动日程等。这些来自不同部门的数据打破壁垒融合在一起，形成城市交通的“数据湖”。实时数据流的接入使系统能够随时感知城市每个角落的交通状况。

• 信息：通过对多源数据的融合分析，城市大脑生成全局交通信息。例如，计算所有路段的实时拥堵指数并在地图上标注红黄绿；统计公共交通载客率和等车人流，形成客流热力图；监测并定位每一起交通事故、施工占道事件，并评估其影响范围。这些信息以仪表盘形式提供给交通指挥中心，也通过公众平台告知市民（如导航App实时路况）。信息层让决策者对交通态势一目了然，相当于城市有了“交通感知中枢”。

• 知识：基于历史和当前的信息，系统运用机器学习和仿真模型积累交通知识。一方面，分析历史数据得到规律知识：早晚高峰时段分布、节假日热门商圈的交通模式、不同行政区的出行特征等，形成规则库；另一方面，引入交通仿真模型和预测算法，作为知识推理引擎。例如，训练深度学习模型预测未来30分钟各路段车流量；使用强化学习模型模拟不同信号配时方案对车辆排队的影响，从中学习最优策略。久而久之，系统“学会”了城市交通的脾气，知道在哪些条件下容易拥堵、采取何种措施效果最佳，这就是宝贵的领域知识。

• 智慧：当面对实时变化的交通状况，系统借助知识做出智能调度决策，实现“绿波”效应和全局优化。例如，一旦预测某主干道15分钟后将严重拥堵，系统提前联动相邻区域的信号灯错峰放行车辆，引导车流分流避开高峰；在检测到突发事故时，自动调整区域内多条道路的信号配时，为救援车开通绿灯通道，同时通过导航服务推荐绕行路径给社会车辆；根据公交地铁客流预测，动态调整发车间隔，避免站点滞留过多乘客。更高层次的智慧还体现在策略模拟：城市大脑每天夜间模拟次日多种出行场景，提前制定优化方案，如“大雨天气交通策略”，一旦天气预报印证则立即启用。这些智慧化调度举措使交通管理从被动应对转为主动优化，大幅提升了交通运行效率和市民体验。

• 目的：该智慧交通系统的建设围绕城市交通治理的核心目标，如**“减少拥堵时间40%、公共交通分担率提高到60%、交通事故率降低20%”等具体指标展开。这些目标（目的）既是项目立项时的要求，也是系统评价的最终标准。因此，每一次算法优化和决策实施都要检验是否朝着目标改进。如果某项措施未达到预期减堵效果，系统会记录并调整策略（例如重新训练模型或采用新的调度方案），体现出目的驱动下的闭环改进**。反之，当数据表明拥堵里程率持续下降时，说明系统朝着缓堵目标运作良好，将继续巩固相关策略。通过明确目的，城市大脑能够协调各子系统朝统一方向努力：交警部门、公交公司、地铁公司在统一目标指引下共享数据、联动行动，形成合力。这种目标牵引的架构确保智慧交通调度始终服务于市民便捷出行和城市可持续发展的最终愿景。

案例成效：实施城市大脑之后，该市高峰平均通行速度明显提升，交通延误时间下降，公共交通准点率提高。在某些试点区域，AI调度使红绿灯切换效率提升，路口通行能力提高了10-20%，公交乘客候车时间减少了15%以上（根据当地交通部门公开的数据）。更重要的是，管理者通过系统提供的智慧决策，避免了过去“头痛医头脚痛医脚”的局部优化陷阱，转向全局最优，大幅减少了因信息不对称造成的决策失误。该案例充分说明，将DIKWP贯穿于智能交通，可以使城市交通治理从经验驱动走向数据和目标驱动，实现真正的智慧交通。

卫星环境监测与决策案例

案例背景：某环境监管部门建立了“天地一体化环境监测平台”，综合利用卫星遥感、无人机巡查和地面传感网络，实现对流域水环境的智能监测和管理。其目标是及时发现水质异常和污染源，辅助流域环保决策。

DIKWP应用：

• 数据：平台收集了大量与水环境相关的数据：包括卫星遥感获取的水体影像（可以反演悬浮物、藻类分布等）、地面水质传感器数据（pH值、溶解氧、氨氮浓度等实时读数）、工业排口在线监测数据、无人机巡河影像，以及气象和上游水文数据。这些数据在时间和空间上高度异构，但都与流域水环境息息相关，形成了监测平台的底层数据资产。

• 信息：通过对多源数据的处理，平台生成了流域环境综合信息。例如，每日更新水质分布图，展示河流各断面主要水质指标及其达标情况；利用卫星影像计算藻华（蓝藻）覆盖面积并监测其扩散趋势；结合工业排放数据，形成污染物排放清单和地图。信息层将复杂的数据转化为直观的环境状态：管理者可以在一个界面上了解“哪里水质出现了异常”、“疑似污染源有哪些”、“近期降雨如何影响水质”等等。这些信息让环境现状透明化，便于锁定关注区域。

• 知识：平台进一步引入环境知识模型以分析原因、预测趋势。比如，构建水质预测模型：综合考虑流域历史降雨、上游来水和污染排放，预测未来几天各断面的水质指标变化，这属于对环境系统行为的知识化表示；建立污染溯源模型：当某断面水质变差时，根据水动力学模型和污染物特征，推断可能的污染源位置和类型（如上游某工厂偷排或面源污染），这是因果知识的应用；构建藻华生消模型：基于水温、营养盐等数据预测蓝藻暴发风险。这些知识使系统能够解释环境异常的成因，以及预见未来可能出现的问题。知识层还可采用规则引擎：例如“若连续3天无降雨且高温，则藻华风险高”。通过不断校准，这些知识库变得愈发准确。

• 智慧：在知识支撑下，平台为环保决策提供智慧方案。当水质预测模型指示某湖区一周后可能出现富营养化风险，系统会发出预警并建议提前采取措施（如加大生态补水、启动应急藻类打捞）以防范水华；当污染溯源模型锁定嫌疑污染源时，系统自动通知执法人员对相应企业开展现场检查，并提供相关证据线索；在流域治理规划中，平台基于多年知识模拟出不同治理方案的效果（例如减少多少污染负荷可使水质提高到何等级别），帮助决策者优化投资和治理次序。这些智慧功能体现了平台不仅能“看”和“想”，还能给出**“怎么办”**的建议，大大提高了环境管理的科学性和时效性。

• 目的：该系统的建设初衷和评价标准是**“改善流域水环境质量”**这一根本目的。围绕这一目标，数据层侧重水环境要素的全面覆盖，信息层聚焦水质达标与否的呈现，知识层致力于污染治理规律的掌握，智慧层直接服务于水质改善行动。例如，若目标要求一年内该流域劣V类水体断面全面消除，则系统将特别关注每一个劣V类断面数据并针对性建模分析；智慧建议也以消除劣V类为优先（如推荐重点治理这些断面周边污染源）。目的层还通过KPI反馈机制评估系统效果——比如每季度统计河流水质达标率是否提升，污染事件响应是否更及时等，借此不断改进系统功能。在明确的环保目标牵引下，监测平台实现了从发现问题到辅助解决问题的闭环，推动流域水环境持续向好。

方法论提炼：上述案例体现了一种基于DIKWP的时空智能方法论，可概括为：“感知-理解-行动”三部曲在时空领域的具体实践：

1. 感知（Perception） – 对应数据和信息层：利用多源传感全面感知客观世界，集成处理得到对环境现状的描述。关键在于构建统一的时空数据底座和高效的信息提取管道，实现对客观状态的数字化映射。

2. 理解（Cognition） – 对应知识层：对获取的信息进行深入分析和模式挖掘，上升为对系统行为的理解与规律的掌握。关键在于引入领域模型、知识图谱和AI算法，将数据积累升华为机器可用的知识体系，使系统具备一定的“专业认知能力”。

3. 行动（Action） – 对应智慧和目的层：在知识支持下制定和执行决策，实现对现实世界的影响和干预，并检验效果是否符合预期目的。关键在于建立闭环决策机制——让系统输出可执行的方案，并以预设目标为评价标准不断反馈调整。这一步使智能系统真正融入业务流程，产生实际价值。

贯通感知、理解、行动的核心在于始终以目标Purpose为导向。每收集一项数据、训练一个模型都要问“是否有助于最终目的”。这种理念确保了时空智能系统不会为了智能而智能，而是解决实际问题、服务现实需求。通过DIKWP框架的引导，不同层面的技术（IoT、大数据、GIS、AI、专家知识等）被有机串联，形成一个面向应用目标的时空智能一体化框架。在实践中，可以遵循以下方法论步骤：

• 需求牵引，目的先行：首先明确应用场景的最终目标（如提升交通效率、改善环境质量），将其分解为可量化的指标，这就是DIKWP最顶层的指导。

• 数据汇聚，构建时空底座：整合该场景相关的时空数据资源，建立标准统一的时空数据库。注意数据的质量和时效，并利用空间定位将多源数据关联，为信息提取打下基础。

• 智能处理，提炼信息：针对目标需求，设计数据处理和分析流程，将原始数据转化为有用的信息产品（报表、图像、指数等）。可引入自动化和智能算法提升效率，并确保信息与决策相关。

• 知识融合，沉淀规律：通过专业模型、机器学习和专家知识，将信息进一步转化为知识。构建领域知识库或模型库，融合先验理论与数据驱动发现，形成可解释、可推理的认知能力。

• 决策支持，评估反馈：开发决策支持功能，将知识应用于模拟、优化和决策推荐。把决策结果与预期目标比较，评估效果，进而调整模型或收集更多数据，完善系统认知。这一步确保智慧决策闭环，并通过反馈学习不断增强系统。

这一方法论强调“数据-信息-知识-智慧-目的”层层递进又相互作用的过程。在具体应用中灵活运用，可逐步打通时空数据到智能决策的链条，实现真正的时空智能融合创新。

未来发展与展望时空智能学与DIKWP融合的发展趋势

面向未来，时空智能学与DIKWP模型的融合将进一步加深，并成为推动地理信息领域变革的主导思路。首先，随着物联网感知的无处不在，时空大数据将持续爆发式增长，这迫切要求以DIKWP方式进行分层管理和认知：即用自动化的方法从海量数据中提炼信息，再升华为知识，最后服务于智慧应用和决策目的。这种需求使得DIKWP不再只是理论模型，而将融入各类时空信息平台的架构设计中。例如，新一代数字孪生城市平台已经在采用**“数据-指标-模型-知识-仿真”类似DIKW的分层架构 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件)，未来将进一步显式纳入“目标管理”模块，对应Purpose层，用以动态校正城市运行策略。其次，不同行业的时空应用将因DIKWP融合而走向协同**。过去，各行业各自采集数据、各自决策；未来，通过统一的时空智能框架，不同行业的数据和知识有望打通，实现跨领域的智慧决策。例如，交通部门和环保部门可以共享同一时空数据底座，在各自模型分析之余，结合对方知识共同服务城市可持续发展的总目标。DIKWP提供了一个通用语言，使跨部门、跨领域的时空智能应用能够在同一框架下对话，这将催生更多“平台级”的时空智能服务。

技术层面，一个重要趋势是知识图谱与时空智能的结合。为了承载DIKWP中的“知识”与“智慧”，需要新的知识表示和推理手段。时空知识图谱就是备受关注的方向之一：它将地理实体、事件及其关系以图谱形式存储，支持语义查询与逻辑推理，从而让机器“理解”时空数据的含义 (时空知识图谱研究进展与展望 - 地球信息科学学报)。未来的时空智能系统或将在底层构建全球范围的时空知识图谱，将观测到的一切实体和过程关联起来，在此基础上进行智能分析。这相当于构筑了时空版的“智慧大脑”，实现机器对客观世界更深刻的认知。有了这样的知识支撑，DIKWP各层级转化会更加顺畅：自动信息提取的结果可直接挂接到知识图谱中，新的知识又能反馈优化信息提取算法，实现自我增强。地理信息领域正在探索这一方向，将知识工程引入GIS和遥感系统，使之从处理几何图形转向处理语义知识 (时空人工智能介绍- PetterLiu - 博客园)。可以预见，知识驱动的时空智能将成为未来研究热点之一。

技术突破与AI+DIKWP增强体系

为了更好地融合DIKWP模型，未来的时空智能技术需在以下方面寻求突破：

• 人工智能与领域知识深度融合：目前AI在时空数据分析中的应用多集中在模式识别和预测（对应DIKWP中数据->信息->知识的自动化）。下一步，需要实现AI对智慧和目的层的参与，即让AI不仅能“识别模式”，还可以“理解目标，制定策略”。这要求AI能够将领域知识与深度学习结合，以及引入强化学习和决策AI，让系统学会在给定目标下优化行动方案。例如，引入强化学习代理在“数字孪生交通系统”中不断尝试调控达到最优交通畅通，这样的AI天然地把目的内嵌于学习过程（以目标函数形式）。同时，大模型(如DeepSeek类的通用人工智能模型)将逐步与时空物联网数据结合 (李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网 | 时空智能新十年-泰伯网)——业界已有头部企业尝试接入大语言/多模态模型来提升对复杂情境的分析能力 (李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网 | 时空智能新十年-泰伯网)。李德仁院士也指出，大模型主要擅长互联网信息，而时空智能侧重物联网实时数据 (李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网 | 时空智能新十年-泰伯网)；二者的结合可以优势互补，预示着**“AI+时空”**的新范式：利用大模型的推理和认知能力，来更好地解释时空数据、推演决策影响，而用时空智能的数据闭环来给大模型提供事实依据和目标校准。

• 实时智能与边缘计算：为了达到真正的“时空智能”，系统需要具备实时感知与响应能力。这意味着DIKWP流程要高度自动化并具备低延迟。从数据采集到决策执行，应尽可能缩短链路。例如自动驾驶、实时灾害预警等场景要求毫秒级处理，这对边缘计算提出了要求：将部分数据->信息->简单决策（W层的一部分）下放到靠近传感器的边缘节点执行，以减轻中心的压力，实现快速反应。同时，云端负责更复杂的知识提炼和策略优化（K和W层高级部分）。边缘与云协同，保证整套DIKWP链条在时间尺度上也“聪明”。未来可能出现分布式DIKWP架构：不同节点承担不同层级功能，但在目的驱动下协同运作，类似一个分工明确的智能体。

• 标准规范与评估体系：当越来越多系统声称采用DIKWP理念构建时，就需要统一的标准来规范各层含义以及系统智能程度的评估。一些学者已经在讨论DIKWP指标和测评方法 (DIKWP模型在现代企业管理中的应用：构建首席X官角色与AI融合的 ...)。未来可能诞生“DIKWP成熟度模型”，用于衡量一个时空智能系统在数据治理、信息集成、知识获取、智慧决策、目的对齐各方面的完善程度。这类似于对企业数据能力的评估，只不过评估对象是具体的智能系统或算法。通过标准化，DIKWP模型可被更加广泛接受和应用，也能避免概念滥用，促进行业健康发展。

愿景展望：综合以上趋势，可以描绘出未来AI+DIKWP时空智能增强体系的蓝图：那将是一个融合了泛在感知、智能认知、自主决策的体系。一切实体—from卫星到手机—from车辆到基础设施，都成为这个体系的“神经末梢”，源源不断采集时空数据；通过高速网络和云边协同，这些数据被即时传递到“智慧中枢”，在知识图谱和大模型的加持下，被解译为对世界的深刻洞察；系统再依据人类设定的目标和自身学习的经验，自动地调配资源、改变参数，作用于物理世界，解决我们面临的问题。这一过程中，人类专家的角色也将转变：更多地在目的层进行价值设定和约束条件输入，并对机器决策进行监督，而具体的数据处理和方案求解将由智能系统完成。正如李德仁院士展望的那样，到2030年可能建成全球实时智能监测网，让每个人都能方便获取所需的时空信息 (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网)；再进一步，通过AI赋能，每个人都可以得到智能分析和决策建议服务——真正实现时空智能的大众化、普惠化 (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网)。届时，测绘遥感地理信息领域将彻底实现从数字化到智能化的飞跃，诞生崭新的万亿级产业形态 (李德仁院士提出“时空智能学”_腾讯新闻)。DIKWP模型在其中扮演的是灵魂框架的角色，确保技术的演进始终围绕着从数据获取知识、运用知识达成目的这一人类智慧活动的本质。展望未来，时空智能学与DIKWP的融合发展，有望孕育出真正具备自主认知与决策能力的**“时空智能体”**，为人类理解和治理地球提供前所未有的强大工具，开创地理信息科学与人工智能深度融合的新时代。

参考文献：

1. 李德仁, 2024. 论无所不在的时空智能 报告摘录 (李德仁院士提出“时空智能学”_腾讯新闻) (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网).

2. 段玉聪, 2023. DIKWP模型概念解析 (DIKWP 人工意识模型研究报告-段玉聪的博文 - 科学网) (真实的未来：DIKWP坍塌理论概览-段玉聪的博文 - 科学网).

3. 超图软件, 2020. 基于DIKW的时空大数据平台架构 (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件) (时空大数据服务智慧城市和自然资源信息共享 - GIS案例 - SuperMap|超图软件).

4. Digi International, 2021. 智能交通系统定义 (什么是智能运输系统？(智能交通系统） | 定义 - Digi International).

5. WuLian6物联资讯, 2022. 智能环境监测介绍 (环境监测系统 - 天筑云智慧工地) (浅谈智慧环保在线监测设备系统 - ResearchGate).

6. 泰伯网, 2025. 李德仁院士评DeepSeek：时空智能新十年 (李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网 | 时空智能新十年-泰伯网) (李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网 | 时空智能新十年-泰伯网).

7. 新浪科技, 2025. 李德仁：用执着与热情“测绘”人生 (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网) (李德仁：用执着与热情“测绘”人生|李德仁|海南省_新浪科技_新浪网).