在做自然资源类项目的时候，因为各种原因，会产生大量的细碎图斑，这些图斑可能是外业采集的时候本身就是细碎的，也有可能是因为各种后期处理生成的（比如用村界去切割地类图斑的时候，也会生成大量的细碎图斑）如下所示：
图1：碎片图斑
当然还有的本身不是细碎图斑，但是因为形状非常怪异，导致制图的时候非常难以处理，也会需要作为细碎图斑识别处理加以处理，比如下面这几个图斑：
图二：碎片及带有小尖角的不规则图斑
图三：狭长的不规则图斑
图四：构造形状不规则图斑
（这种图斑，多半是由于多个地块融合的产生的，形状非常诡异）
这些图斑，都被认为是细碎图斑，需要从数据中识别出来，说到这里，做自然资源类项目的同学肯定已经深恶痛绝了……这个根本就是无解的难题啊。
所以有时候虾神去见客户粑粑的时候：
遇上这种情况，每次我的心里都是：
所谓的人工智能，目前主流的就是：
干活的时候，全是人工
写PPT的时候，就是智能了
讲道理，如果仅仅是细碎的碎片要处理，简单一句话，面积小于xx平方米的，统统一刀切……但是图三图四图五怎么办呢？当然，国土里面，还有一些指标，比如地块规则度的测量，比如形状率，圆形率，椭圆率指数，放射度指数、紧凑度指数等等，来识别这些图斑，但是每个地方都有每个地方不同的特点，任何情况下，都不可能做到用一个数值进行一刀切，这种情况怎么办呢？
如果没有固定的阈值指标，而只能“凭感觉”处理，那么有没有一种方法，能够尽量的减轻人工劳动呢？答案就是采用机器学习。
虽然说，我们不能给出所有的细碎图斑的指标值，但是总体说来，作为细碎图斑，还是一定的特征可以识别的，比如面积比较小，或者形状很不规范，又比如正好在若干大斑块的中间等等，但是这些特征如果要用数值来进行表达，可能非常的复杂，单单是“形状怪异”这个一个形容词，可能就需要几十个甚至上百个特征变量来描述，我们需要人工总结出这些复杂的特征，并且转换成if……else……编码来实现，几乎是一个不可能完成的任务。
而复杂性这个怪兽，我们也并非无可奈何，机器学习就是我们对付复杂性问题的一个卓有成效的武器。
我们仅需要把数据扔进去，就可以让系统自动的去构建需要识别的特征模型——这就是机器学习的神奇之处。
那么既然叫做机器学习，很核心的一点，就是“学习”二字，那么用人类可以解释的语言来说，一个学习的过程，需要有老师、教材、传授、接收、掌握……等一系列过程，机器学习也是一样。
具体机器学习的各种概念，大家可以到网上去找相关资料，绝对的汗牛充栋，我这里就不献丑了。
最后，给出一个题外话，下文有福利哦：
前段时间，有篇文章刷屏了，说的国内某度和国外的某歌的区别，比如在某度上搜索如下关键字：
然后同样的关键字在某歌上进行搜索：
结论是大家一致声讨某度的不（福）要（利）脸（啊），那么为什么white度，在很多时候，都变成了yellow度呢？从技术角度来说，真心不是某度的锅。
（上面文章原文链接：https://zhuanlan.zhihu.com/p/41800888，当然，现在上某度，已经无法搜到这些信（福）息（利）了）
那么到底是什么原因呢，如下所示：
以上漫画纯属虚构，某度的搜索机制和算法要比这个高端大气上档次个百八十倍的，虾神这里只是纯粹根据原理进行胡说而已，大家切勿当真。
上面的小案例中，机器会根据输入的信息，不断的调整系统内部的模型，以做出最优解，这个过程并不需要程序员进行人工干预，这就是机器学习的主要特点之一。相当于对系统进行搜索和确认的用户，就是老师，而机器就是学生，当然，这里大批量的“老司机”把模型给带沟里面去了，这个问题现在有，将来依然会不断的出现。
从下一篇开始，我们讲开始进入机器学习实战的阶段，第二篇主要讲技术路线，待续未完。
