深度学习，即使用分层的人工神经网络进行非结构化数据学习，在过去几年中在研究中获得了极大的普及。如果没有专业知识的话，它在GIS中的集成并不是那么容易。然而，正在开发的新工具可能会让更广泛的研究人员更好地利用机器学习和深度学习。到目前为止，出现了两个优质的平台。
使用ArcGIS深度学习
近年来，ArcGIS大力开发更好的用于深度学习的工具。 他们使用了各种为图像分析开发的平台，例如Keras和Tensorflow，它们是流行的深度学习平台，并且已经将它们与ArcGIS Pro工具（如ArcGIS Image Server）集成在一起。 大多数工作都集中在图像分类上。 ArcGIS已经构建了一些可以应用的模块，例如Regularize Building Footprints，它可以快速完成建筑物的绘图。 工具实现了自动化，深度学习驱动的分类功能。该工具方便在构建场景中展示现实场景，以及计算图像中的个体以估计人群规模和其他景观特征。
有一个有趣的应用可以自动检测特定城区中游泳池的状态。 庭院被废弃后，游泳池可能成为携带疾病的昆虫的大本营。 游泳池的检测评估可用于估计特定区域的疾病潜力。还有其他应用侧重于更为广泛的图像分割和分类。 对图像中的像素进行分类的语义分割也是包的一部分，用户可以使用python接口来定制自己的深度学习。 尽管如此，大多数努力都集中在计算机视觉技术上，这些技术允许进行图像分析和分类，尤其是航拍图像。
使用QGIS深度学习
一种流行的开源工具是Orfeo，它是一种分析高达TB级的高分辨率光学，多光谱和雷达图像的工具。 该项目最初由法国航天局CNES开发，但后来以开源格式合并了许多开发人员。 该工具可以与QGIS等流行的GIS应用程序一起使用。该工具需要相对较少的编程经验即可接触深度学习。 同样，虽然该技术可以调整以分析其他数据形式，但是主要的对象还是图像。 该工具还与Monteverdi密切相关，后者将Orfeo的深度学习方法应用于可视化。 Monteverdi可用于可视化深度学习输出，例如遥感数据中的特征分类。 该工具还具有QGIS界面，可以直接与这种流行的开源选项集成。
深度学习工具
其他用于支持开源项目的工具包括GRASS和R统计软件包。 这两种工具不仅允许一般和各种形式的空间分析，而且还有助于不同的工具集成。开源方面的Orfeo等工具和ArcGIS Pro的AI工具套件由于可扩展性而获得了更大的吸引力。 部署的架构允许他们在处理大型图像数据时也利用云计算。 虽然许多工具可能会集成到GIS工具中，特别是开源工具，但其局限性通常在于可扩展性，研究人员还需要访问功能强大的GPU处理器或大型计算集群，这些集群并非总是可用。
虽然Esri和Orfeo等开源工具越来越明确地为用户提供深度学习，但应用领域仍然相对有限。 特别是，文本数据与图像和其他空间数据的整合尚未在很大程度上应用。 此外，物联网(loT)的发展意味着多传感器数据将越来越需要集成到ArcGIS Pro等分析平台中。 这可能是专有GIS和开源工具的下一个巨大挑战。