Current Status and Trends of Artificial Intelligence Geodesy

MI Jinzhong; LI Zhenpeng; BAI Zhendong; WU Wentan; JIANG Tao; LI Dehai

doi:10.13203/j.whugis20260027

您当前的位置：

首页 >

文章列表页 >

Current Status and Trends of Artificial Intelligence Geodesy

Geodesy and Survey Engineering | 更新时间：2026-11-05

- Current Status and Trends of Artificial Intelligence Geodesy
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 8, Pages: 1584-1596(2026)
- 作者机构：
  
  1.中国测绘科学研究院，北京，100036
  2.北京房山人卫激光国家野外科学观测研究站，北京，100036
  3.辽宁工程技术大学测绘与地理科学学院，辽宁阜新，123000
  4.自然资源部地理信息管理司，北京，100034
  5.河北省自然资源档案馆，河北石家庄，071299
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20260027
  CLC： P228
- Received：20 January 2026，
  
  Published：05 August 2026
- 稿件说明：
移动端阅览
秘金钟,李振鹏,白振栋，等.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.

MI Jinzhong,LI Zhenpeng,BAI Zhendong,et al.Current Status and Trends of Artificial Intelligence Geodesy[J].Geomatics and Information Science of Wuhan University,2026,51(8):1584-1596.
秘金钟,李振鹏,白振栋，等.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.whugis20260027

MI Jinzhong,LI Zhenpeng,BAI Zhendong,et al.Current Status and Trends of Artificial Intelligence Geodesy[J].Geomatics and Information Science of Wuhan University,2026,51(8):1584-1596. DOI：10.13203/j.whugis20260027

摘要

人工智能（artificial intelligence，AI）作为新一轮科技革命的核心驱动力，正在深刻重塑大地测量学的研究范式与技术体系。在深入总结大地测量学科的重要进展和关键应用领域基础上，重点分析了深度学习与机器学习等AI算法在坐标框架维持、高程与深度基准构建、重力场建模、导航定位以及地质灾害形变监测等核心领域的最新动态，梳理形成了AI大地测量（AI geodesy，AIG）技术新方向及其发展趋势。AIG将突破传统大地测量方法的局限性，利用累积的大地测量观测数据集、样本数据集、产品数据集，构建海量多源异构测量数据智能处理算法，形成复杂测量误差改正和多重物理场计算的AIG大模型，推进大地测量学科从“物理模型驱动”的测量数据优化估计向“物理机理与数据智能双驱动”的建模决策转型，支撑国家空间基准维持和全域高精度智能定位导航授时等服务，满足自然资源治理、低空经济、防灾减灾等应用需求。

Abstract

Artificial intelligence (AI)

acting as the core driving force of the current technological revolution

is profoundly reshaping the research paradigms and technical systems of geodesy. The primary objective of this research is to systematically define the concept of AI geodesy (AIG) and analyze its developmental trends. It aims to clarify how AI technologies can upgrade traditional geodetic frameworks to facilitate the transformation from data processing to intelligent decision-making

thereby meeting emerging strategic demands in natural resource governance and the low-altitude economy. A systematic review is conducted to investigate the application status and latest progress of deep learning and machine learning algorithms within the geodetic domain. The research focuses on analyzing five core areas: coordinate frame maintenance

height and depth datum construction

gravity field modeling

navigation and positioning and geological disaster deformation monitoring. By utilizing accumulated geodetic observation datasets

sample datasets

and product datasets

the technical architecture of AIG is examined. The methodology involves constructing intelligent processing algorithms for massive multi-source heterogeneous survey data to address complex geodetic challenges. The investigation reveals that AIG technology significantly breaks through the limitations of traditional geodetic methods. By integrating advanced AI algorithms

AIG large models are formed

which are capable of performing complex measurement error correction and multi-physics field calculations. A critical finding is that the integration of AI drives a fundamental transformation of the geodesy discipline from a geodetic data-driven optimization estimation approach to a dual-driven paradigm combining physical mechanisms with data intelligence. These models demonstrate superior capability in handling non-linear problems and massive heterogeneous data compared to conventional approaches. AIG represents a pivotal new direction for the future of geodesy. It provides robust technical support for essential services such as national spatial reference maintenance and all-domain high-precision intelligent positioning

navigation

and timing. Furthermore

the advancement of AIG is essential for satisfying the rigorous application demands of disaster prevention and reduction

as well as the rapidly growing low-altitude economy. Future developments will focus on deepening the dual-driven modeling approach to further enhance the precision

reliability

and intelligence of geodetic services.

关键词

Keywords

references

BUTT J ， WIESER A ， GOJCIC Z ， et al . Machine Learning and Geodesy： A Survey ［J］. Journal of Applied Geodesy ， 2021 ， 15 （ 2 ）： 117 - 133 .

ALTAMIMI Z ， REBISCHUNG P ， MÉTIVIER L ， et al . ITRF2014： A New Release of the International Terrestrial Reference Frame Modeling Nonlinear Station Motions ［J］. Journal of Geophysical Research： Solid Earth ， 2016 ， 121 （ 8 ）： 6109 - 6131 .

KIANI SHAHVANDI M ， DILL R ， DOBSLAW H ， et al . Geophysically Informed Machine Learning for Improving Rapid Estimation and Short-Term Prediction of Earth Orientation Parameters ［J］. Journal of Geophysical Research： Solid Earth ， 2023 ， 128 （ 10 ）： e2023JB026720 .

YANG Y G ， NIE W F ， XU T H ， et al . Earth Orientation Parameters Prediction Based on the Hybrid SSA + LS + SVM Model ［J］. Measurement Science and Technology ， 2022 ， 33 （ 12 ）： 125011 .

邹蓉，孙付平，王啸，等 . 地球参考框架的发展现状和未来展望［J］. 中国地震， 2020 ， 36 （ 4 ）： 684 - 692 .

ZOU Rong ， SUN Fuping ， WANG Xiao ， et al . Development Status and Prospects of the Geodetic Terrestrial Reference Frame ［J］. Earthquake Research in China ， 2020 ， 36 （ 4 ）： 684 - 692 .

孙付平，贾彦锋，朱新慧，等 . 毫米级地球参考框架动态维持技术研究进展［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 10 ）： 1688 - 1700 .

SUN Fuping ， JIA Yanfeng ， ZHU Xinhui ， et al . Advances in Dynamic Maintenance Technology of mm-Level Terrestrial Reference Frame ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 10 ）： 1688 - 1700 .

GAO W Z ， LI Z ， CHEN Q S ， et al . Modelling and Prediction of GNSS Time Series Using GBDT， LSTM and SVM Machine Learning Approaches ［J］. Journal of Geodesy ， 2022 ， 96 （ 10 ）： 71 .

WEI C S ， ZHOU M S ， DU Z X ， et al . Assessment of Hydrological Loading Displacement from GNSS and GRACE Data Using Deep Learning Algorithms ［J］. Scientific Reports ， 2025 ， 15 ： 6070 .

CROCETTI L ， SCHARTNER M ， SOJA B . Discontinuity Detection in GNSS Station Coordinate Time Series Using Machine Learning ［J］. Remote Sensing ， 2021 ， 13 （ 19 ）： 3906 .

ÖZBEY V ， ERGINTAV S ， TARı E . GNSS Time Series Analysis with Machine Learning Algorithms： A Case Study for Anatolia ［J］. Remote Sensing ， 2024 ， 16 （ 17 ）： 3309 .

JIANG W P ， WANG J ， LI Z ， et al . A New Deep Self-Attention Neural Network for GNSS Coordinate Time Series Prediction ［J］. GPS Solutions ， 2023 ， 28 （ 1 ）： 3 .

WANG J ， LI Z ， FAN W L ， et al . A New Ensemble Learning Method Based on Signal Source Driver for GNSS Coordinate Time Series Prediction ［J］. GPS Solutions ， 2025 ， 29 （ 2 ）： 68 .

SHAHVANDI M K ， SOJA B . Inclusion of Data Uncertainty in Machine Learning and Its Application in Geodetic Data Science， with Case Studies for the Prediction of Earth Orientation Parameters and GNSS Station Coordinate Time Series ［J］. Advances in Space Research ， 2022 ， 70 （ 3 ）： 563 - 575 .

张丽，董有福，厉鸣 . 利用弹性反馈神经网络融合ASTER GDEM和SRTM1高程数据［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 5 ）： 777 - 783 .

ZHANG Li ， DONG Youfu ， LI Ming . ASTER GDEM and SRTM1 Elevation Data Integration with RProp Neural Network ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 5 ）： 777 - 783 .

JIANG T ， TU Z J ， LI J C . Physics-Informed Neural Networks for Geoid Modeling ［J］. Journal of Geodesy ， 2026 ， 100 （ 1 ）： 4 .

ZHANG B Y ， YANG M ， FENG W ， et al . RTM Gravity Forward Modeling Using Improved Fully Connected Deep Neural Networks ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2024 ， 62 ： 5926911 .

PHAM H T ， AWANGE J ， CLAESSENS S ， et al . Local Hybrid Geoid/Quasigeoid Development Using Machine Learning with Consideration of Neighbour Spatial Characteristics ［J/OL］. Survey Review ， 2025 . https：//doi.org/10.1080/00396265.2025.2543647 https://doi.org/10.1080/00396265.2025.2543647 .

ELLMANN A ， DELPECHE-ELLMANN N ， VARBLA S ， et al . Development of Continuous Dynamic Vertical Reference for Maritime and Offshore Engineering by Applying Geodetic and Machine Learning Strategies ［C］// EGU General Assembly ， Vienna， Austria ， 2025 .

KIM T Y ， YUN H S ， YOON H M ， et al . Comparative Analysis and Validation of LSTM and GRU Models for Predicting Annual Mean Sea Level in the East Sea： A Case Study of Ulleungdo Island ［J］. Applied Sciences ， 2025 ， 15 （ 20 ）： 11067 .

HU Y ， TIAN A D ， LIU W ， et al . Enhancing Sea Surface Height Retrieval with Triple Features Using Support Vector Regression ［J］. Remote Sensing ， 2023 ， 15 （ 16 ）： 4029 .

YANG C H ， WU C H ， HSIEH C M . Long Short-Term Memory Recurrent Neural Network for Tidal Level Forecasting ［J］. IEEE Access ， 2020 ， 8 ： 159389 - 159401 .

LEE E J ， KIM K ， PARK J H . Reconstruction of Long-Term Sea-Level Data Gaps of Tide Gauge Records Using a Neural Network Operator ［J］. Frontiers in Marine Science ， 2022 ， 9 ： 1037697 .

LIU Y B ， ZHANG Y ， PANG Q P ， et al . Gravity Predictions in Data-Missing Areas Using Machine Learning Methods ［J］. Remote Sensing ， 2024 ， 16 （ 22 ）： 4173 .

ZHANAKULOVA K ， ADEBIYET B ， ORYNBASSAROVA E ， et al . Application of Machine Learning Methods for Gravity Anomaly Prediction ［J］. Geosciences ， 2025 ， 15 （ 5 ）： 175 .

MARTIN J ， SCHAUB H . Physics-Informed Neural Networks for Gravity Field Modeling of Small Bodies ［J］. Celestial Mechanics and Dynamical Astronomy ， 2022 ， 134 （ 5 ）： 46 .

MESSINA C ， BIANCO L ， ABBAS M A ， et al . Gravity Modeling in Sedimentary Basins with a Mixed Machine Learning-Inversion Method ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2025 ， 63 ： 5920310 .

CHEN Z W ， ZHENG W ， YIN W J ， et al . Improving the Spatial Resolution of GRACE-Derived Terrestrial Water Storage Changes in Small Areas Using the Machine Learning Spatial Downscaling Method ［J］. Remote Sensing ， 2021 ， 13 （ 23 ）： 4760 .

XIE J K ， XU Y P ， YU H J ， et al . Monitoring the Extreme Flood Events in the Yangtze River Basin Based on GRACE and GRACE-FO Satellite Data ［J］. Hydrology and Earth System Sciences ， 2022 ， 26 （ 22 ）： 5933 - 5954 .

LI X Y ， LONG D ， SCANLON B R ， et al . Climate Change Threatens Terrestrial Water Storage over the Tibetan Plateau ［J］. Nature Climate Change ， 2022 ， 12 （ 9 ）： 801 - 807 .

GAO X ， YAO Y B ， WANG Y . Reconstruction of Global Ionospheric TEC Maps from IRI-2020 Model Based on Deep Learning Method ［J］. Journal of Geodesy ， 2024 ， 98 （ 2 ）： 10 .

LIU N ， YAO Y B ， ZHANG L . A 1°-Resolution Global Ionospheric TEC Modeling Method Based on a Dual-Branch Input Convolutional Neural Network ［J］. Remote Sensing ， 2025 ， 17 （ 17 ）： 3095 .

LU C X ， ZHENG Y X ， WU Z L ， et al . TropNet： A Deep Spatiotemporal Neural Network for Tropospheric Delay Modeling and Forecasting ［J］. Journal of Geodesy ， 2023 ， 97 （ 4 ）： 34 .

LIU X X ， TANG Z P ， WEI J L . Temporal Convolutional Network Based on Squeeze-and-Excitation Module and Multi-scale Feature Fusion for GNSS Positioning Error Correction ［J］. GPS Solutions ， 2025 ， 29 （ 3 ）： 136 .

LI H Q ， BORHANI-DARIAN P ， WU P ， et al . Deep Neural Network Correlators for GNSS Multipath Mitigation ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 2023 ， 59 （ 2 ）： 1249 - 1259 .

DE CELIS R ， SOLANO-LOPEZ P ， BARROSO J ， et al . Neural Network-Based Ambiguity Resolution for Precise Attitude Estimation with GNSS Sensors ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 2024 ， 60 （ 5 ）： 6702 - 6716 .

ZHANG Z T ， LI X Z ， YUAN H J . Best Integer Equivariant Estimation Based on Unsupervised Machine Learning for GNSS Precise Positioning and Navigation in Complex Environments ［J］. IEEE Transactions on Aerospace and Electronic Systems ， 2024 ， 60 （ 3 ）： 2672 - 2682 .

YU F Z ， YUAN H ， YANG G ， et al . Cross-Type Representation Learning in GNSS： A New Approach for Enhanced SPP Positioning Through Pseudorange Residuals ［J］. GPS Solutions ， 2024 ， 29 （ 1 ）： 6 .

裴凌，李涛，花彤，等 . 多源融合定位算法综述［J］. 南京信息工程大学学报（自然科学版）， 2022 ， 14 （ 6 ）： 635 - 648 .

PEI Ling ， LI Tao ， HUA Tong ， et al . A Survey of Multi-source Fusion Positioning Algorithms ［J］. Journal of Nanjing University of Information Science & Technology （Natural Science Edition）， 2022 ， 14 （ 6 ）： 635 - 648 .

ZHANG Y L . Multi-sensor Fusion for Localization： Comparative Study of Kalman Filter and Machine Learning Models ［C］// The 4th International Conference on Electronics， Integrated Circuits and Communication Technology （EICCT）， Chengdu， China ， 2025 .

NIU X J ， DAI Y H ， LIU T Y ， et al . Feature-Based GNSS Positioning Error Consistency Optimization for GNSS/INS Integrated System ［J］. GPS Solutions ， 2023 ， 27 （ 2 ）： 89 .

NOURELDIN A ， EL-SHAFIE A ， BAYOUMI M . GPS/INS Integration Utilizing Dynamic Neural Networks for Vehicular Navigation ［J］. Information Fusion ， 2011 ， 12 （ 1 ）： 48 - 57 .

DAI H F ， BIAN H W ， WANG R Y ， et al . An INS/GNSS Integrated Navigation in GNSS Denied Environment Using Recurrent Neural Network ［J］. Defence Technology ， 2020 ， 16 （ 2 ）： 334 - 340 .

KANG J M . Monocular Visual/IMU/GNSS Integration System Using Deep Learning-Based Optical Flow for Intelligent Vehicle Localization ［J］. Sensors ， 2025 ， 25 （ 19 ）： 6050 .

林秋良，赵有兵，冯威，等 . LSTM神经网络辅助的GNSS/VO组合定位方法［J］. 导航定位学报， 2023 ， 11 （ 3 ）： 156 - 164 .

LIN Qingliang ， ZHAO Youbing ， FENG Wei ， et al . GNSS and Visual Odometry Integrated Localization Method Based on LSTM Neural Network ［J］. Journal of Navigation and Positioning ， 2023 ， 11 （ 3 ）： 156 - 164 .

ALMAHADEEN S . GPS and LiDAR Optimizing Transformation Parameters for Localization in Autonomous Vehicles ［J］. The Egyptian Journal of Remote Sensing and Space Sciences ， 2025 ， 28 （ 4 ）： 597 - 606 .

党亚民，蒋涛，杨元喜，等 . 中国大地测量研究进展（2019—2023）［J］. 测绘学报， 2023 ， 52 （ 9 ）： 1419 - 1436 .

DANG Yamin ， JIANG Tao ， YANG Yuanxi ， et al . Research Progress of Geodesy in China （2019—2023）［J］. Acta Geodaetica et Cartographica Sinica ， 2023 ， 52 （ 9 ）： 1419 - 1436 .

朱祥维，沈丹，肖凯，等 . 类脑导航的机理、算法、实现与展望［J］. 航空学报， 2023 ， 44 （ 19 ）： 1 - 33 .

ZHU Xiangwei ， SHEN Dan ， XIAO Kai ， et al . Mechanisms， Algorithms， Implementation and Perspectives of Brain-Inspired Navigation ［J］. Acta Aeronautica et Astronautica Sinica ， 2023 ， 44 （ 19 ）： 1 - 33 .

SUN Z ， MA K H ， XIA S ， et al . BIG： A Framework Integrating Brain-Inspired Geometry Cell for Long-Range Exploration and Navigation ［J］. Satellite Navigation ， 2025 ， 6 （ 1 ）： 6 .

LIN J T ， MELGAR D ， THOMAS A M ， et al . Early Warning for Great Earthquakes from Characterization of Crustal Deformation Patterns with Deep Learning ［J］. Journal of Geophysical Research： Solid Earth ， 2021 ， 126 （ 10 ）： e2021JB022703 .

ZHANG X ， ZHANG M ， TIAN X . Real-Time Earthquake Early Warning with Deep Learning： Application to the 2016 M 6.0 Central Apennines， Italy Earthquake ［J］. Geophysical Research Letters ， 2021 ， 48 （ 5 ）： 2020GL089394 .

CARBONARI R ， RICCARDI U ， DE MARTINO P ， et al . Wavelet-Like Denoising of GNSS Data Through Machine Learning. Application to the Time Series of the Campi Flegrei Volcanic Area （Southern Italy）［J］. Geomatics， Natural Hazards and Risk ， 2023 ， 14 （ 1 ）： 2187271 .

张成枫，倪四道，张涵，等 . 自编码器神经网络与小波变换相结合的高频GNSS地震波降噪方法［J］. 地球物理学报， 2025 ， 68 （ 1 ）： 66 - 80 .

ZHANG Chengfeng ， NI Sidao ， ZHANG Han ， et al . The Denoising Method for High-Rate GNSS Seismic Waves Combining Auto-encoder Neural Networks and Wavelet Transform ［J］. Chinese Journal of Geophysics ， 2025 ， 68 （ 1 ）： 66 - 80 .

CUI W F ， CHEN K J ， WEI G G ， et al . Simultaneous Magnitude and Slip Distribution Characterization from High-Rate GNSS Using Deep Learning： Case Studies of the 2021 Mw 7.4 Maduo and 2023 Turkey Doublet Events ［J］. Geophysical Journal International ， 2024 ， 238 （ 1 ）： 91 - 108 .

LI H Y ， WANG J ， WU S G ， et al . Transforming Structural Health Monitoring： Leveraging Multisource Data Fusion with Two-Stage Encoder Transformer for Bridge Deformation Prediction ［J］. IEEE Transactions on Instrumentation and Measurement ， 2025 ， 74 ： 2520613 .

WANG Y X ， LI S Y ， LI B . Deformation Prediction of Cihaxia Landslide Using InSAR and Deep Learning ［J］. Water ， 2022 ， 14 （ 24 ）： 3990 .

YUAN R ， CHEN J . A Hybrid Deep Learning Method for Landslide Susceptibility Analysis with the Application of InSAR Data ［J］. Natural Hazards ， 2022 ， 114 （ 2 ）： 1393 - 1426 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Advances in Artificial Intelligence-Driven Modeling， Prediction， and Applications of GNSS Atmospheric Effects

From Task-Specific Models to General-Purpose Model-Driven Paradigm Shift： A Review and Future Directions of GeoAI Research

A Brushstroke Style Transfer Method from Painting to Map

Constructing an Urban Waterlogging Depth Grade Assessment Model Using Images Captured by the Public

Safety Supervision Analysis and Technology Research of Intelligent Connected Vehicle High-Definition Map

Related Author

ZHOU Yaozong

ZHANG Zhenyi

REN Xiaodong

LUO Xiaomin

ZHANG Weixing

LIU Mengjie

BI Haohang

LOU Yidong

Related Institution

Institute of Geodesy and Photogrammetry, Eidgenössische Technische Hochschule Zürich, Zürich

School of Geography and Information Engineering, China University of Geosciences

School of Surveying and Mapping, Wuhan University

Hubei Luojia Laboratory

GNSS Research Center, Wuhan University

AI问答

⁰