从地理规律到地理空间人工智能

近年来,人工智能技术快速发展,影响了很多学科的研究范式。对于地理学而言,这种趋势也不例外。从知识发现的角度,地理学研究主要有两个任务,即揭示未知的具体事实和发现一般性的规律机理。在这两个方面,人工智能技术可帮助地理学家发现知识甚至自动提取知识。相对于地球科学其他学科,地理学自动提取知识的任务更为凸显。但是在寻求地理规律的过程中,需要处理一般性和地理异质性之间的权衡,其核心可以表述为人工智能学习过程中的基础问题:泛化及可解释性问题。因此,二者存在内在的逻辑一致性,积极引入人工智能技术有助于强化地理学的学科基础。本文通过实例给出了人工智能用于地理规律发现的一个简单框架,指出了未来地理空间人工智能发展的方向,以及地理信息科学在机制、模型、方法及应用方面潜在的新任务。

地理人工智能样本:模型、质量与服务

数据驱动的研究范式对地理人工智能(geospatial artificial intelligence, GeoAI)样本数据共享提出了强烈需求。不同的GeoAI应用样本数据内容和组织形式多样,如何构建统一的信息模型,是GeoAI样本数据共享与互操作的前提。通过分析不同GeoAI样本数据的公共特征与核心属性,提出了样本数据的共享信息模型,探讨了样本数据质量指标体系和评估方法,为GeoAI样本数据建库与共享服务提供了参考。

从地理信息服务到地理知识服务:基本问题与发展路径

从地理信息服务升级到地理知识服务,既是一种必然的发展趋势,也是信息爆炸困境下的迫切现实需求。本文辨析了地理知识服务的内涵、与地理信息服务的联系及区别,以及其对形式化知识表示与智能化知识处理的要求。在分析传统人工智能技术的局限性和人工智能技术新近突破性进展的基础上,指出最新发展水平的人工智能技术为发展地理知识服务提供了令人乐观的认知智能基础。从地理知识服务的时空本质特性的角度,指出了发展地理知识服务面临的空间表示知识化、空间分析认知化、知识服务情境化3方面的主要问题,进而提出了地理知识服务的分级发展策略和推进路径。

城市地理空间大数据高性能计算关键技术综述

城市地理空间大数据在大数据时代扮演着重要角色,当今大多数数据本质上是空间数据,通过无处不在的位置感知传感器进行采集、管理、存储和分析地理空间数据流,可为商业、科学和工程的发展提供新的决策支持。然而大数据的处理极具挑战性,对于地理空间大数据更是如此,因为大量的数据集必须同时考虑空间和时间的前提下进行分析,高性能计算以其基本的分而治之思想为地理空间大数据的处理提供了必要的解决方案。本文探讨了高性能计算处理地理空间大数据的关键技术,包括地理空间大数据存储与管理、空间索引技术以及并行任务调度技术,对高性能计算用于城市地理空间大数据处理的未来研究方向进行了展望,雾计算、地理人工智能和异构环境下全球统一参考框架将成为高性能计算处理地理空间大数据的重要研究方向。

地理空间人工智能的近期研究总结与思考

人工智能领域的技术进步给地理空间相关领域研究的智能化发展和融合创新带来了新机遇和新挑战。地理空间人工智能(geospatial artificial intelligence,GeoAI)是指地理空间科学与人工智能相结合的交叉学科研究方向,通过研究与开发机器的空间智能,提升对于地理现象和地球科学过程的动态感知、智能推理和知识发现能力,并寻求解决人类和地球环境系统相互作用中的重大科学和工程问题。简要回顾了GeoAI发展的历史渊源,介绍空间显式与隐式的人工智能模型,总结近期研究热点话题和应用方向(包括空间表征学习、时空预测和空间插值、对地资源环境监测、地图学、地理文本语义分析),思考并提出地理空间人工智能未来发展的几个重要挑战和研究方向。

地理分析中的空间效应

地理信息科学传承了地理学的空间分析传统。在地理空间分析中,由于地理空间的特殊性,地理信息科学在构造分析方法时,需要考虑空间效应。然而,空间效应具体的内涵和外延,到目前尚未有系统探讨。本文定义了地理空间效应,进而在形式化定义空间、位置、场、距离、区域等概念的基础上,归纳了4类空间效应:即空间异质性效应、空间依赖的近邻效应、空间交互的距离衰减效应、和空间分区的尺度效应,探讨了4类效应的内在逻辑关系,建立了统一的表达框架。其中,空间异质性效应是最为基础的效应,近邻效应和距离衰减效应反映了地理空间中两个位置之间的二阶关系,尺度效应则由于区域单元的汇总带来,因此这4类效应形成了递进关系。最后本文梳理了目前地理分析中对空间效应的体现,指出了地理空间人工智能技术对于空间效应的揭示和量化能力。

地图图像智能识别与理解:特征、方法与展望

随着测绘制图与通讯技术的发展,公众能够借助各种平台和工具实时地自由创建、发布、编辑和共享地图图像大数据资源和产品,地图图像在地图内容、绘图标准等方面具有了显著的泛在性,导致难以创建大规模、高质量的地图图像标注数据。因此,尽管现有深度学习方法在识别标准地图的内容中取得了突破性的进展,但受制于地图图像标注数据的局限,依然无法有效应对地图图像的识别和理解。根据目前国内外的相关研究进展与挑战,结合地理空间人工智能技术,探讨支持泛源地图图像大数据识别的理论与技术框架。首先,提出既能够表达地图图像内容,又能够为模型或算法表征的地图特征;然后,探讨面向地图图像内容识别的地理空间人工智能技术,以及面向地图图像理解的语义分析方法;最后,总结和展望基于地图图像大数据的相关应用及潜在价值。需要进一步研究支持地图图像表征的理论与方法,且集成地图图像显式内容的识别(地图感知)和地图图像潜在语义的分析(地图认知)才可充分挖掘地图图像大数据的价值。希望能够从数据表征和地理空间人工智能的角度为地图图像的研究提供新思路。

中医古籍中地域诊疗特色研究路径

地域之间文化、社会经济、自然环境差别,产生了不同地域医学特征,形成医家独特的诊疗认知及用药特色。目前研究存在问题包括:多侧重于地域流派医家思想,缺少对地域医学体系的研究;多侧重于单方面用药规律挖掘,缺少对地域医家诊疗系统认知的研究;多侧重于地域医家群体内的共性,缺少对医家关联互动的研究;多侧重于历史人文,缺少支持地域诊疗决策的深度研究。文章提出中医古籍中地域诊疗特色研究路径:构建地域医学体系是挖掘地域诊疗特色的前提,梳理古籍医家诊疗系统认知是发掘地域诊疗特色的根本,研究地域诊疗特色传承演变的关键是医家之间关联互动,提取古籍中地域诊疗特色,实现地理决策的重要手段是多学科交叉融合。

人类移动数据生成方法:研究进展与趋势探讨

人类移动行为与交通、传染病、安全应急等现实应用息息相关。尽管现代信息和通信技术发展使得采集大规模个体移动定位数据成为易事,但涉及个人隐私又存在冗余、缺失和噪声的原始轨迹数据在实际中的可得性和易用性仍有很大局限。通过建模方式生成个体轨迹数据和群体移动数据,使其在统计层面接近并在应用层面可替代真实数据,是值得尝试的解决思路。本文面向个体轨迹数据生成和群体移动数据生成两大研究主题,将生成方法分为基于机理模型的方法和基于机器学习的方法,对其研究进展进行了系统总结,并探讨了其发展趋势和所面临的挑战。本文提出,未来人类移动数据生成方法研究需要多学科深度交叉共同探索人类移动行为底层机制、关注机理模型与机器学习耦合建模、借助生成式人工智能与大语言模型前沿技术、平衡生成数据可用性与隐私保护效果、强调空间泛化与迁移学习能力、控制模型训练与使用成本等。本文认为,人类移动过程是典型的人地交互过程,地理信息科学应在吸纳计算机科学、统计物理学、复杂性科学等多学科理论方法的基础上,充分发挥本学科特色,将空间依赖、距离衰减、空间异质性、尺度等地理空间效应显式纳入建模过程,提升模型性能及合理性。

场所模型及大数据支持下的场所感知

场所是连接人类行为与地理环境的重要纽带,为地理分析提供了以人为本的研究视角。由于场所名称固有的模糊性、不确定性与多义性,以及个体层面的空间活动数据的获取成本高,导致早年有关场所的研究难以捕获场所特征并将其在计算机中进行表达。近年来,多源地理大数据和人工智能方法为场所建模与感知带来了新机遇。场所建模也是地理人工智能中知识表达的重要构成。梳理了有关场所模型与场所感知两个方向的研究历程及其技术进展。场所建模的研究目标旨在建立更符合人们空间认知与空间交流习惯的空间知识表达模型,以提高地理信息检索、智能问答的智能化与人机交互水平。场所感知致力于捕获人们对地理环境的情感与认知,深入理解人类活动与地理环境之间的耦合关系,精细表达场所丰富的地理语义属性,从而促进地理人工智能系统的发展。