原标题：GeoAI-空间显式模型

转载本文需经【慧天地】许可

GeoAI-空间显式模型

理想情况下，从人工智能和数据科学到地球科学和社会科学中空间数据的技术应用并非是一个不可逆的过程。最近的研究（Yan等人2017、2018、2019，Chu等人2019，Mac Aodha等人2019）显示，将空间显式模型应用于空间数据时，其性能明显优于一般模型。比较有意思的是，为空间显式模型设计神经体系结构也可以被视为引入归纳偏差（Battaglia et al.2018）。但是，什么是空间显式模型？它们有什么共同点？我们如何将时空方面整合到各种基于机器学习的技术中，这些模型需要多少空间数据才能发挥作用？

图片来源：https://ecologylab.net

虽然不缺少满足特定领域或应用程序需求的空间显式模型和方法，但最初使模型在空间上显式的问题却很少受到关注。著名的例子包括Goodchild and Janelle（2004）和Kuhn（2012）的著作。例如，如果模型满足以下要求，则可以称为空间显式模型（Goodchild 2001）：

（1）不变性检验：在所研究现象的迁移下，空间显式模型的结果并非不变。

（2）表示测试：空间显式模型在其实现中包含所研究现象的空间表示（可以采用坐标，空间关系，地名等形式）。

（3）公式化测试：空间明确的模型在其公式化中使用了空间概念，例如邻里的概念。

（4）结果测试：模型的输入和结果的空间结构（形式）不同。

空间显式模型指的是至少满足这些测试标准之一的模型。例如，一个简单的数据集，其中包含城市，地理位置和人口。这些城市仅基于人口的排名在空间上并不明确，因为它们的位置不属于分析对象的一部分。相反，要回答人口稠密的城市是否聚集在一起，则需要更加清晰的空间视角，但这不应该与可能揭示空间见解而不进行明确空间分析相混淆。

正如我们所了解的，上述测试标准并不能通过实验来进行，也不能测量其聚集程度或相关性。更具体地讲，设计一个机器学习体系结构和一个必须学习隐式以明确考虑空间设置之间的权衡究竟是什么？如果给定足够多的数据，这些更通用的模型是否会迎头赶上而同时无需扩充架构的复杂性？数据集的哪一部分必须是空间的才能证明空间显式模型的合理性？那些支持通用模型的人必须给出说明，如果数据的可用性是唯一重要的变量，为什么在根本上需要在神经体系结构上取得进步呢？那些支持特定领域模型的人则需要说明开发更复杂的模型优于提供更多标记数据的原因。这两种立场以及它们之间的任何中间立场都必须解决下面的问题：如何在跨域的数据中表示空间（和基于地点）方面，以及我们目前在领域和对象方面进行大量思考的方式是否仍然有足够多的图形数据和跨域链接语句功能，这些是否处于时代的最前沿？最后，地理标识符通常扮演着关键角色，在全球链接数据云上，它是跨数据的中心，将参与者，事件和对象连接在一起的纽带。因此，时空范围数据（Silva等，2006；Adams等，2015）只可能不断增加这种趋势，并使空间方面成为许多日常信息检索任务的一部分，例如我们对新闻的语义注释等。

换句话说，成功的GeoAI研究将必须通过阐明空间显式模型来解决为什么（地理）空间这么重要的问题。它还必须能够展示如何将在符号和子符号级别之间开发的图形数据和新方法轻松地集成到当今的GIS工作流中（Mai等人2019a）。

文章来源：

Journal International Journal of Geographical Information Science

参考文献：

Yan, B., et al., 2017. From itdl to place2vec: reasoning about place type similarity and relatedness by learning embeddings from augmented spatial contexts. In: Proceedings of the 25th ACM SIGSPATIAL international conference on advances in geographic information systems.

Yan, B., et al., 2018. xnet+ sc: classifying places based on images by incorporating spatial contexts. In: S. Winter, A. Griffin and M. Sester, eds. 10th international conference on geographic information science (GIScience 2018).

Yan, B., et al., 2019. A spatially explicit reinforcement learning model for geographic knowledge graph summarization. Transactions in GIS, 230 (3), 620–640.

Chu, G., et al., 2019. Geo-aware networks for fine grained recognition.

Mac Aodha, O., Cole, E., and Perona, P., 2019. Presence-only geographical priors for fine-grained image classification.

Battaglia, P.W., et al.. 2018. Relational inductive biases, deep learning, and graph networks.

Goodchild, M.F. and Janelle, D.G., 2004. Thinking spatially in the social sciences.

Kuhn, W., 2012. Core concepts of spatial information for transdisciplinary research. International Journal of Geographical Information Science.

Goodchild, M., 2001. Issues in spatially explicit modeling. In: D. C. Parker, T. Berger, and S. M. Manson, eds. Agent-based models of land-use and land-cover change report and review of an international workshop.

Silva, M.J., et al., 2006. Adding geographic scopes to web resources. Computers, Environment and Urban Systems.

Adams, B., McKenzie, G., and Gahegan, M., 2015. Frankenplace: interactive thematic mapping for ad hoc exploratory search. In: Proceedings of the 24th international conference on world wide web.

Mai, G., et al., 2019a. Deeply integrating linked data with geographic information systems. Transactions in GIS.

内容转载、商务活动、投稿 等合作请联系

《慧天地》高度重视版权，对于原创、委托发布的稿件，会烦请作者、委托方亲自审核通过后才正式推发；对于来自网站、期刊、书籍、微博、微信公众号等媒介的稿件，会在作者栏或者文章开头显著标明出处，以表达对作者和推文引用平台版权的充分尊重和感谢；对于来源于网络作者不明的优质作品，转载时如出现侵权，请后台留言，我们会及时删除。感谢大家一直以来对《慧天地》的关注和支持！

编辑：富裕 审核：安有硕 韩政返回搜狐，查看更多

责任编辑：