La interpretación inteligente de los datos de inteligencia del espacio aéreo es el proceso de utilizar tecnologías de inteligencia artificial para procesar e interpretar de manera inteligente los datos multi-fuente obtenidos de una plataforma aérea para obtener información. En la actualidad, los modelos de interpretación inteligente basados en datos dependen en gran medida de conjuntos de datos de entrenamiento a gran escala y estructuras de red avanzadas para mejorar el rendimiento de la interpretación, pero se enfrentan a problemas como la dependencia de los datos anotados, la inestabilidad de la adaptación general al escenario y la falta de explicabilidad del modelo. La interpretación inteligente basada en causas, mediante la combinación del razonamiento causal con el aprendizaje profundo, puede resolver eficazmente estos problemas para lograr una interpretación más eficiente, confiable y robusta, y podría convertirse en un nuevo paradigma de interpretación inteligente de datos del espacio aéreo. Este artículo se centra principalmente en la investigación sobre modelos de interpretación inteligente de datos del espacio aéreo que combinan la teoría causal, exponiendo primero las tendencias de investigación en la interpretación de información del espacio aéreo desde el punto de vista de la correlación, relevancia y causalidad, y luego estableciendo una escalera de causalidad para el reconocimiento inteligente del espacio aéreo, utilizando características temporales de datos espaciales del espacio aéreo y características estadísticas espaciales, examinando un marco de análisis de causalidad para datos espaciales y métodos de representación de causalidad, enfocándose en el proceso de construcción de modelos de interpretación inteligente basados en la causalidad, que incluyen un modelo de grafo causal, razonamiento contrafactual e intervención de características del modelo. Finalmente, se destacan las aplicaciones y desafíos de la interpretación inteligente basada en causas en el entorno de observación espacial.

Razonamiento causal; interpretación inteligente; aprendizaje profundo; dirigido por causas; información espacial; razonamiento contrafactual; intervención causal