《iScience》：GeoAI: Beyond mapping earth and cities through explainability, adaptability, and sustainability
编辑推荐：
本刊特邀编辑聚焦GeoAI在可解释性、适应性与可持续性方面的突破，通过11个案例研究展示了GeoAI如何超越传统制图功能，为解决地球与城市复杂系统问题提供方法论支持。研究成果为未来GeoAI解决方案的评估与设计提供了多维交互框架，对推动地理人工智能在环境监测、气候适应和城市管理领域的科学透明化与社会应用具有重要意义。
随着人工智能技术的飞速发展，地理空间人工智能（GeoAI）作为人工智能、地理信息科学（GIS）和地球观测的交叉领域，正在深刻改变人类对复杂人地系统的认知与管理方式。尽管机器学习、深度学习和高性能计算的进步使GeoAI能够整合遥感、激光雷达（LiDAR）、众包和原位数据等海量异构地理空间数据，但在模型可解释性、跨时空背景的适应性以及长期可持续性等方面仍存在显著不足。特别是在应对地球科学与城市研究领域的现实问题时，领域特异性方法与实践应用之间尚存重要缺口。
为应对这些挑战，《iScience》特邀编辑团队通过组织"GeoAI塑造地球与城市：进展、机遇与挑战"专题，系统梳理了GeoAI在三大维度上的突破性进展。该专题收录的11项案例研究构建了可解释性、适应性与可持续性的三维框架，展示了GeoAI如何超越传统地理空间分析范畴，动态解析城市系统、人文地理和复杂社会环境问题。这些研究成果于2026年1月16日正式发表在细胞出版社旗下期刊《iScience》（第29卷，114407页），为GeoAI在科学透明化与社会影响力方面的提升提供了重要理论支撑。
研究团队主要采用多源数据融合技术、深度学习架构优化和空间语义分析等关键技术方法。其中涉及全球多城市餐厅复苏轨迹分析、东南亚地区蚊媒栖息地适宜性制图、中国城市热风险评估等具有地域代表性的样本队列，通过整合卫星遥感数据、社会感知数据和地面验证数据，构建了多尺度地理空间数据集。
可解释性突破
在模型内在可解释性方面，研究团队开发了注意力机制混合模型。例如针对热带气旋预测的混合卷积神经网络（CNN）模型，通过将时空特征嵌入预测架构，实现了与气旋物理动力学对齐的内置可解释性。时空变换图神经网络（TSTGNN）模型则通过自适应图结构解析异质交通模式的时空依赖性，为深度学习的决策过程提供透明化解读。
后处理可解释性方法通过SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）等模型无关解释技术，结合莫兰指数（Moran's I）空间自相关分析，揭示了深度学习模型的地理语义关联机制。如基于句子双向编码器表示变换器（BERT）的空间语义推荐模型，通过评估语义相似性与地理邻近度的相关性，成功解析了推荐结果的空间聚类规律。
界面级可解释性通过UNET++卷积神经网络架构的海洋碎片检测系统，将模型输出转化为直观的沿海区域分布图，显著提升了环境监测的公众参与度。堆叠集成模型生成的城市热风险分布图，通过高分辨率空间可视化技术，为城市规划者提供了可直接应用的决策支持工具。
情境特定可解释性强调领域知识的融合应用。随机森林模型在蚊媒适宜性制图中整合了昆虫生态学专业知识，确保模型输出符合病媒控制的实际需求。卷积长短期记忆网络（ConvLSTM）通过多时空分辨率组合实验，为快速城市化地区的规划决策提供了分辨率选择的情境化指导。
适应性创新
数据级适应性体现在模型对多源异构数据的兼容能力。TSTGNN模型从异质时空交通数据中学习长期依赖关系与局部变异，显著提升了动态城市系统的预测精度。ConvLSTM模型通过融合多分辨率土地利用数据，在快速发展和稳定区域均表现出优异的城市增长模拟鲁棒性。
模型级适应性通过可迁移架构设计实现。集成长短期记忆网络-多层感知器（LSTM-MLP）模型灵活捕捉不同气候区的干旱指数时序动态，在数据稀疏区域仍保持高精度干旱监测能力。混合CNN模型通过多尺度特征聚焦机制，实现了对热带气旋关键时空模式的动态识别。
情境级适应性验证了模型的跨地域推广潜力。随机森林模型生成的500米分辨率蚊媒适宜性地图，成功应用于东南亚多元气候区，准确捕捉了环境条件的空间变异性。基于GIS的餐厅复苏分析模型通过适应社会经济异质性，精准识别了美国不同城市的差异化经济反弹模式。
可持续性应用
在生态环境监测领域，结合空间自相关和地理探测器的物种分布模型，实现了东南亚地区病媒传播疾病风险的精细化评估。基于深度学习的海洋碎片检测系统通过处理噪声数据和学习上下文空间特征，使大尺度海岸线监测变得经济高效。
气候适应方面，卫星干旱指数分析不仅揭示了区域干旱化趋势，更通过多时序气候数据的持续学习更新能力，支持动态前瞻的水资源管理决策。集成机器学习生成的城市热风险地图，通过反映日/季尺度气候变异特征，为极端高温城市提供了精准脆弱性评估依据。
城市管理维度，ConvLSTM优化的时空分辨率选择策略，显著提升了快速发展城市的基础设施规划精度。基于知识库BERT（KB-BERT）的城市情感语义分析，通过区域化公众感知图谱支持社会包容性城市规划。TSTGNN模型捕捉的长期交通模式规律，为智能交通基础设施的主动式拥堵治理提供了科学基础。
本研究通过系统梳理GeoAI在三大维度上的方法论创新，证实了地理人工智能在解决地球与城市复杂问题方面的巨大潜力。研究提出的多维交互框架为GeoAI解决方案的科学评估建立了新标准，11项案例研究展示的技术路径为不同应用场景提供了可复制的范式参考。特别在模型透明化、跨域适应性和可持续发展等关键挑战方面，研究指出了通过数据质量提升、算法优化和情境融合的未来发展方向。这些成果不仅推动了地理信息科学的方法论革新，更为人工智能在地球系统科学中的负责任应用奠定了重要基石。随着下一代卫星产品、更精细分辨率数据和专家标注数据的持续融入，GeoAI有望在全球环境治理、气候变化应对和智慧城市建设中发挥更为关键的作用。
