《Progress in Human Geography》：Models and modeling in human geography I: Classic or new, uncertainty and tradeoffs remain
编辑推荐：
人文地理学家不断努力加深对格局与过程的理解。因此，模型在简化、可视化、解释和预测地球上的人类活动方面并不匮乏。然而，地理建模方法的最新进展正在迅速改变我们处理当代地理问题的方式。在这份第一篇进展报告中，研究人员概述了人文地理模型中的不确定性并构建了其类型学，使
人文地理学家不断努力加深对格局与过程的理解。因此，模型在简化、可视化、解释和预测地球上的人类活动方面并不匮乏。然而，地理建模方法的最新进展正在迅速改变我们处理当代地理问题的方式。在这份第一篇进展报告中，研究人员概述了人文地理模型中的不确定性并构建了其类型学，使研究人员能够在其数据管道和建模选择上做出更明智的决策。具体而言，本工作探讨了经典演绎模型、归纳模型、基于智能体的模型以及空间数字孪生中的不确定性。
人文地理学中的模型与建模长期面临一个核心张力：经典模型与新兴模型孰优孰劣，以及不确定性如何在不同范式中分配和演化。George Box的箴言“所有模型都是错的，但有些是有用的”在当代人文地理学中愈发具有现实意义。随着地理空间人工智能（GeoAI）、空间数字孪生（SDT）和空间基于智能体的建模（SABM）等新框架的迅猛发展，人文地理学家不得不重新审视传统演绎模型的价值。本文旨在提供一个关于人文地理模型不确定性的概述与类型学，帮助研究者在数据管道和建模选择中做出更明智的决策。研究指出，无论是经典演绎模型还是新兴归纳模型，不确定性均以不同形式存在，且建模中的权衡并未因技术更替而消失。该论文发表在《Progress in Human Geography》上，作者为Tony H. Grubesic。
在技术方法方面，研究者构建了涵盖经典演绎模型、归纳GeoAI模型、SABM和SDT四类范式的比较框架，从不确定性主导类型、传感器噪声脆弱性、延迟脆弱性及缺失数据影响四个维度进行综合剖析。研究未涉及具体实验或样本队列，而是基于文献综合与理论分析，对各类模型的不确定性来源和传导机制进行了定性归纳。特别关注了空间数字孪生中六层架构（物理世界、数据获取处理、数据集成与元数据管理、数据建模与分析、GIS中间件、可视化与交互）的组成，以及SABM的四种地理空间化形式（GIS集成、元胞自动机、空间网络、连续空间）。
研究结果部分首先呈现了“经典演绎模型与不确定性”的分析。经典模型如回归、空间交互、空间插值和区位模型，受可修改面积单元问题（MAUP）影响显著，包括尺度效应、聚合效应和过程效应。边界效应和空间非平稳性也会造成系统性偏差。研究者指出，经典模型通常通过确定性空间插值、克里金或贝叶斯技术处理缺失数据，但空间非平稳性会干扰插值精度，且静态历史快照的性质使其难以避免空间与时间错位。
在“归纳式地理空间人工智能与不确定性”部分，研究者指出GeoAI模型（如空间卷积神经网络SCNN和时空图神经网络ST-GNN）通过位置编码器和图结构保持地理上下文，能有效捕捉非线性时空交互。但其不确定性主要源于空间过拟合和分布外（OOD）失效——当模型部署到具有不同空间结构、气候或社会经济特征的新地理区域时，预测能力显著下降。此外，传感器荒漠（sensor deserts）导致训练数据缺乏空间正义性，会对边缘化社区产生系统性预测偏差。GeoAI还存在“黑箱”可解释性问题，即使采用可解释AI（XAI），数据质量和模型拟合问题仍可能导致不可靠的解释。
在“空间基于智能体模型（SABM）与不确定性”中，研究者描述了四种SABM原型：GIS集成模型、元胞自动机（CA）模型、空间网络图谱模型和连续空间模型。SABM的不确定性主要源于模型路径依赖性——初始条件的微小测量误差或行为规则偏差会在模拟时间步中指数放大。行为随机不确定性（如有限理性导致的次优决策）和等终性（equifinality）问题（不同规则和初始条件可产生相同宏观格局）也令过程推断困难。
在“空间数字孪生（SDT）与不确定性”部分，研究者强调了SDT通过物联网（IoT）、卫星和无人机实时数据连续更新虚拟映射的能力。SDT的六层架构中，数据集成和元数据管理对确保多源数据一致性至关重要。SDT的不确定性包括传感器噪声、延迟、缺失数据，但最具破坏性的是语义漂移（semantic drift）——虚拟空间与现实环境之间的概念或标签错位。延迟引起的失同步（desynchronization）在关键任务场景（如洪灾疏散）中可导致系统失效。此外，多个SDT在联邦架构中交互时，数据可信度和模型结果可靠性成为突出问题。
在讨论与结论部分，研究者指出经典演绎模型仍具有重要价值：其与实时数据管道的解耦使其免受“墙钟时间”约束，提供了一种认识论上的安全防护，并赋予模型结构稳定性。相反，归纳GeoAI模型在数据环境变化时可能表现出脆弱性，缺乏连续可验证的空间采样时易产生“地理空间幻觉”。通过综合类型学分析，研究者发现模型的计算复杂度与其对噪声的韧性呈反比关系：经典模型可以通过空间聚合平滑噪声，而SDT对噪声和延迟高度敏感，连续的腐蚀数据会破坏物理-虚拟同步。此外，数据稀缺问题在归纳模型中尤为突出，传感器荒漠导致的数据偏差会通过模型反馈强化结构性不平等。最后，研究者回归模型“有用性”的哲学追问，认为模型的有用性不应仅由统计稳健性或数学精度决定，而应考量其能否增进对世界的理解、提高社区韧性、保护弱势群体，并具备可复现性和伦理性。他们提议未来通过混合建模架构（如将经典空间交互模型与SABM结合）以及将人类行为动态嵌入SDT管道来弥合演绎与归纳范式之间的鸿沟。
研究结论可概括为：人文地理模型无论经典还是新兴，都无法完全消除不确定性——认知（epistemic）误差可部分减少，但随机（aleatoric）误差始终存在。模型的价值不在于追求绝对正确，而在于能否在现实数据稀缺、噪声和延迟的约束下保持稳健并深化对格局和过程的理解。研究者应正视不确定性的持久现实，融合演绎和归纳框架的优势，以构建既符合理论驱动又具备可解释性的地理模型。
