综述：《时空城市化及土地利用/土地覆盖的机器学习建模方法综述》 作者：Farasath Hasan、Jian Liu 和 Xintao Liu

《Smart Cities》：A Review of Machine Learning Modeling Approaches of Spatiotemporal Urbanization and Land Use Land Cover Farasath Hasan, Jian Liu and Xintao Liu

　　

摘要

人工智能（AI），尤其是机器学习（ML）和深度学习（DL），正在改变对复杂时空城市过程的建模，例如城市增长、扩张、收缩、再开发和土地利用/土地覆盖变化（LULCC）。然而，尽管方法创新迅速，但这些应用仍然存在碎片化现象，对于基于AI的模型如何补充、扩展或取代传统方法也缺乏系统性的综合分析。本研究通过系统地回顾了6356篇文献，选出了120篇进行详细分析，探讨了以下内容：（i）ML/DL技术如何嵌入到时空建模框架中；（ii）它们在模拟城市化动态和土地利用（LU）转变中的应用；（iii）与传统统计和基于规则的模型相比，在方法论和性能上的优势；（iv）新兴的研究方向和局限性。回顾表明，LULCC是当前应用的主要领域，人工神经网络（ANNs）是最常见的ML方法，而深度学习架构也日益被广泛应用。在各种案例中，AI主要被用于学习非线性转换动态、表现空间和时间依赖性、识别关键驱动因素以及提高分类精度和计算效率。基于这些见解，本文总结了AI在时空城市建模中的作用，并提出了前瞻性的研究方向，以支持更稳健、透明且与政策相关的城市可持续性应用。