综述:用于遥感应用的地理空间人工智能技术的进步

《Computer Science Review》:Advances in geospatial artificial intelligence for remote sensing applications

【字体: 大 中 小 】 时间:2026年01月25日 来源:Computer Science Review 12.7

编辑推荐:

  埃利亚斯·德里特萨斯(Elias Dritsas)| 玛丽亚·特里格卡(Maria Trigka)西阿提卡大学(University of West Attica)信息与计算机工程系,埃加拉利奥公园校区(Egaleo Park Campus),雅典,12243,希腊摘要人工智能(

  
埃利亚斯·德里特萨斯(Elias Dritsas)| 玛丽亚·特里格卡(Maria Trigka)
西阿提卡大学(University of West Attica)信息与计算机工程系,埃加拉利奥公园校区(Egaleo Park Campus),雅典,12243,希腊

摘要

人工智能(AI)与遥感(RS)的融合加速了地理空间AI(GeoAI)的发展,该领域专注于从空间明确的高维观测数据中提取结构化知识。本综述总结了GeoAI领域的最新方法论进展,重点介绍了现代机器学习(ML),特别是深度学习(DL)架构、时空建模、多模态融合、可解释性框架以及大规模预训练范式。研究探讨了GeoAI系统的算法基础和操作可扩展性,并强调了空间先验、非欧几里得结构以及动态环境对传统AI假设的挑战。根据不同应用领域的地理空间特性及其建模需求进行了分析。此外,还讨论了空间泛化、不确定性量化、伦理部署和基准测试等持续存在的问题。通过整合多模态表示学习、可扩展推理和自适应学习机制等方面的进展,本研究将理论创新与实际应用联系起来。最后,阐述了基础模型和生成模型在促进跨区域迁移和数据稀缺情况下的鲁棒性方面的作用。

引言

遥感平台(包括卫星、无人机(UAV)和机载传感器)的迅速发展大大提升了地理空间观测的数据量、多样性和分辨率。这些数据对于理解地球表面动态至关重要,但其固有的空间、光谱和时间复杂性使得传统分析方法在处理大规模数据时显得力不从心[1],[2]。从这些异构数据集中提取可靠信息需要能够考虑空间依赖性、可变采集条件和多尺度地理现象的模型[3]。
因此,GeoAI作为一门结合了AI、空间数据科学和RS的方法论框架应运而生,旨在从复杂的地理空间数据中学习。通过将ML和DL模型与空间分析原理相结合,GeoAI实现了捕捉空间结构、处理多模态观测以及将地理背景融入学习过程的功能[4]。这些特性使GeoAI适用于那些空间关系和语境一致性至关重要的领域[5]。
GeoAI的最新进展将分析重点从单纯的数据驱动模式提取转向了能够推理空间语义、不确定性及动态环境条件的模型。现代方法明确编码了空间依赖性、空间异质性和多尺度结构,从而实现了更稳健的推理和更具解释性的地理空间智能系统[6],[7]。
在这些发展的基础上,GeoAI支持了越来越复杂的操作场景。然而,实际应用仍面临诸多挑战,如可扩展性、传感器多样性、空间非平稳性和时间演变的景观等。这些挑战凸显了系统探讨现代GeoAI的计算基础和架构原则的必要性[8],[9]。
尽管GeoAI在土地覆盖制图、灾害评估和城市分析等任务中取得了显著进展,但目前的研究在模型架构、学习范式和地理空间约束方面仍存在碎片化现象。缺乏统一的方法论视角限制了最佳实践的整合,阻碍了跨传感器、区域和应用领域的通用解决方案的发展。
一个核心障碍是现代ML架构与核心地理空间原则(如空间自相关性、空间异质性和时间不规则性)之间的不一致。由于这种不对齐,许多模型在脱离受控实验环境时表现出较低的鲁棒性、对分布变化的敏感性或性能下降。在需要大规模或实时推理的场景中,基础模型、联邦学习(FL)、边缘部署以及大规模训练的计算挑战尚未得到充分研究。
为解决这些问题,本综述重点总结了GeoAI的方法论和计算基础,而非列举所有RS任务。重点关注那些在各种应用中系统地支配GeoAI方法的核心算法原则、架构类别和地理空间约束。这种框架确保了概念上的连贯性,便于将深度学习、多模态融合、时空建模和基础模型的进展整合到一个统一的方法论框架中。本研究的主要贡献如下:
  • •
    文中提供了核心地理空间原则的统一阐述,阐明了空间自相关性、非欧几里得结构和空间先验在GeoAI模型设计中的约束作用和归纳偏差。
  • •
    系统分析了现代ML和DL架构,包括变压器(Transformers)、图神经网络(GNNs)、时空模型和基础模型,并强调了它们的地理空间适应性和多模态融合能力。
  • •
    对主要应用领域进行了结构化概述,将GeoAI技术与当代RS实践中的数据模态和任务要求联系起来。
  • •
    综合分析了面临的开放性挑战和未来研究方向,包括空间泛化、不确定性量化、伦理和负责任的部署、动态学习以及大规模GeoAI系统的计算需求。
图1提供了该综述的高层次概念框架,将GeoAI领域划分为基础空间原则、数据特征、学习范式、ML和DL模型家族、时空和多模态方法、核心应用领域、方法论创新以及跨领域挑战。该图展示了这些组成部分如何在统一的框架内相互关联,从而组织了现代GeoAI的计算、方法论和应用层面。本文的其余部分结构如下:第2节详细介绍了采用的方法论;第3节介绍了GeoAI在RS中的理论基础;第4节回顾了与地理空间分析相关的主要ML和DL模型家族;第5节概述了主要应用领域;第6节总结了最近的方法论创新;第7节指出了关键的研究机遇和挑战;第8节对比分析了现有的GeoAI文献;第9节对研究进行了总结。

章节摘录

方法论

本综述采用了一种结构化且透明的方法论,以确保在总结GeoAI在RS领域的进展时既能深入主题又能保证可重复性。这种方法符合系统证据综述(Systematic Evidence Synthesis)和元分析(Meta-Analyse)的优选报告项目(PRISMA)框架[10]的要求,涵盖了识别、筛选、资格评估和纳入等阶段(见图2)。综述时间范围限定在2020年1月至2025年11月

将AI整合到地理空间分析中需要深入理解RS所固有的理论结构和数据特定挑战。本节概述了支撑现代GeoAI系统的核心计算原则和传感器驱动的数据模态。

随着RS数据复杂性和量级的增加,采用先进的ML和DL方法进行自动化分析已成为必要,这些方法补充了之前的数据采集和预处理流程。除了传统的统计方法外,这些学习框架还能够实现空间、光谱和时间动态的可扩展和自适应建模。

将GeoAI与RS相结合,实现了广泛地理空间应用中的自动化、可扩展和上下文感知分析。如图4所示,本节探讨了特定领域的实现方式,其中先进的AI模型利用空间、光谱和时间信号来解决复杂的环境、城市和社会问题。

GeoAI的最新进展引入了一系列方法论发展,扩展了AI模型表示空间结构、整合异构感测模态和建模复杂地理空间现象的能力。本节概述了这些技术及其在现代RS工作流程中的方法论原则和功能角色。

本节系统地总结了GeoAI中的关键方法论挑战和研究机遇,反映了社区建议和对该领域的最新评估。

本研究通过全面梳理GeoAI在RS领域的架构趋势、方法论创新和部署路径,总结了其中的最新进展。在此基础上,我们将我们的工作与现有文献进行了对比,并阐述了其更广泛的理论和实践意义。

本综述全面总结了GeoAI在RS领域的方法论进展,涵盖模型架构、时空表示学习、多模态融合以及新兴的基础模型生态系统。同时,还探讨了日益影响GeoAI大规模应用的伦理、计算和地缘政治因素。
本综述的一个核心发现是,通用预训练模型正迅速发展,能够适应多样化应用场景

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

埃利亚斯·德里特萨斯(Dr. Elias Dritsas)获得了希腊帕特拉斯大学(University of Patras)计算机工程与信息系计算机科学与信息学的文凭、硕士学位及博士学位。他还获得了英国德比大学(University of Derby)的MBA学位。他的研究兴趣包括人工智能与机器学习、大数据、数据库、数据挖掘、云计算和人机交互。他是多篇机器学习和数据相关论文的作者或合著者
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号