《ISPRS International Journal of Geo-Information》:Continued Advances in AI-Driven Geospatial Analysis and Data Generation
编辑推荐:
自2024年“人工智能驱动的地理空间分析与数据生成进展”特刊结束以来,地理空间人工智能一直保持着强劲的发展势头。虽然期刊特刊仍是传播最新进展的重要方法,但GeoAI研究格局也在通过专门的会议、研讨会和其他学术场所进行扩展,这些场所提供了更多的交流和提高可见度的
自2024年“人工智能驱动的地理空间分析与数据生成进展”特刊结束以来,地理空间人工智能一直保持着强劲的发展势头。虽然期刊特刊仍是传播最新进展的重要方法,但GeoAI研究格局也在通过专门的会议、研讨会和其他学术场所进行扩展,这些场所提供了更多的交流和提高可见度的机会。例如,2026年6月,在比利时根特举行的首届国际GeoAI会议以及以“无处不在的人工智能”为主题的大学地理信息科学联盟(UCGIS)年度研讨会,都强调了该社区对人工智能在地理空间背景中应用的持续兴趣。顺应这一势头,并在第一版成功的基础上,这篇社论介绍了“人工智能驱动的地理空间分析与数据生成进展(第2版)”特刊,旨在展示新方法和新兴应用。最近的系统性综述强调,由于生成式人工智能和大语言模型快速集成到空间工作流中,GeoAI文献激增。为了构建这一不断扩大的格局,Wang等人使用科学计量学和文献计量学分析,根据信息增益将GenAI的操作角色归类为不同的功能:用于目标数据提取和特征工程的净化器,用于跨模态转换的转换器,用于合成数据增强的生成器,以及用于类人空间问题解决的推理器。该综述还指出,虽然文本仍然是主要的数据输入,但应用在制图学、空间分析、信息学和交通运输等领域迅速多样化,对整合文本、图像、地图、轨迹和其他时空数据源的多模态工作流的兴趣日益浓厚。
研究背景与意义
当前,地理空间人工智能的研究正经历从特定任务深度学习向任务无关架构、自主地理信息系统以及地理基础模型的深刻转变。尽管该领域发展迅速,但仍面临诸多问题:生成式人工智能与大语言模型在空间工作流中的集成虽然带来文献激增,但在自主推理中常缺乏对物理约束、拓扑规则和地理尺度的理解,导致“空间幻觉”和价值对齐偏差;此外,当前研究存在严重的地理集中性,跨国合作率低,全球南方地区代表性不足,引发数据与算法偏见隐患。为梳理这些趋势并展示新方法,研究人员在《ISPRS International Journal of Geo-Information》发表了关于“人工智能驱动的地理空间分析与数据生成进展(第2版)”的特刊社论,系统总结了最新方法论与应用,并对未来发展方向进行了深入探讨,这对于推动GeoAI向空间原生架构和公平性发展具有重要意义。
主要技术方法
研究人员在此次研究中运用了三大关键技术方法:一是预测性时空GeoAI,通过构建用户相似度、兴趣点(POI)转换等多视图图,融合长短期记忆网络(LSTM)、Transformers等时间编码器进行预测;二是表征学习与空间结构发现,采用多视图学习、对比表征学习等手段提取有意义的地理嵌入;三是生成式与面向接口的GeoAI,应用空间约束扩散模型和LLMs管道实现场景生成与自然语言转译。相比以往经典模型,当前方法更侧重于基于图的时空学习、多源融合以及模块化复合框架。
研究结果
应用的GeoAI方法
通过对特刊论文的方法论聚类分析,研究人员得出当前GeoAI方法可划分为三类集群。第一集群关注预测性时空GeoAI,通过丰富关系架构联合编码多种地理交互(如结合转移概率与距离衰减的TAGAT-LSTM-trans模型);第二集群强调表征学习与空间结构发现,利用多视图学习和对比学习增强地理邻近性的语义与功能语境;第三集群围绕生成式GeoAI(如SceneDiffusion结合空间关系注意力图模块与布局信息引导的条件扩散模块),实现了从预测向生成与交互的跨越。
城市交通与交通预测
研究人员利用时空神经网络开展了城市交通预测研究。Zhou等和Gao等通过转移感知注意力机制与网格分区策略预测宏观城市车辆交通;Wang和Hu开发了多模态交通预测集成框架;Lee和Kang预测了局部阴影区域的行人拥堵;Brahimi等则开发了可解释的时空推理框架,成功预测了汽车共享需求并解决了模型可解释性挑战。
人类行为与社会动态
在位置预测研究中,Li等构建UPTRec模型关注POI序列和时间模式;Lun等采用相似多视图方法实现更广泛的城市定位;Yu等结合图神经网络与Transformers联合建模友谊关系与运动轨迹,有效提升了下一POI推荐精度。
城市形态、视觉质量与建成环境
研究人员从多模态数据中提取城市建成环境特征。Wang和Li利用多模型数据融合评估街道视觉质量;Hua等应用对比学习客观映射城市形态;Yang等基于流的社区搜索对功能相关建筑进行分组;Kleebauer等在南非通过深度学习绘制风力涡轮机地图,提升了OpenStreetMap众包数据的准确性。
生成式GeoAI与环境监测
在生成式与自动化应用中,Yu等引入SceneDiffusion模型生成满足拓扑、方向和距离约束的视觉场景;Sherman等微调LLMs将自然语言提示转换为可执行Python代码;Xiang等将自动化机器学习应用于高光谱数据绘制土壤养分图,证明高级感知与人工智能分析能有效简化环境监测。
讨论与结论
研究人员总结指出,尽管GeoAI正向任务无关的GeoFMs转变,但现有架构仍重度依赖自然语言和计算机视觉范式的微调,未来必须开发空间原生架构。Agentic GeoAI与自主GIS代表了从被动分析工具向主动自执行系统的范式转变,利用LLMs作为推理引擎,可自主搜索数据并生成代码,实现空间模型的自动化决策。然而,这种集成也暴露了空间推理漏洞与地理对齐缺失。研究结论强调,由于地理语境中的社会规范和法律框架差异巨大,需用多元的、具备地理感知的对齐基准取代标准评估指标。同时,针对全球代表性失衡及空间数据公平性问题,未来研究需重点开发鲁棒的零样本和少样本领域适应技术,将密集城市环境训练的模型有效转移到数据稀疏和代表性不足的地区。