类型b：学术综述报告

该文档是由Gengchen Mai（美国德克萨斯大学奥斯汀分校SEAI实验室）、Yi-Qun Xie（马里兰大学地理科学系）、Xiaowei Jia（匹兹堡大学计算机科学系）等14位学者合作撰写的综述论文，题为《Towards the Next Generation of Geospatial Artificial Intelligence》（迈向新一代地理空间人工智能），发表于2025年的《International Journal of Applied Earth Observation and Geoinformation》（第136卷，文章编号104368）。论文系统回顾了地理空间人工智能（GeoAI）的发展历程、研究现状及未来挑战，旨在为下一代GeoAI研究提供方向性指导。以下是其核心观点与内容：

1. GeoAI的历史溯源与学科定位

GeoAI是地理空间科学与人工智能的交叉领域，其发展可追溯至20世纪80年代。早期先驱如Smith（1984）和Couclelis（1986）提出AI在地理学中的两类应用路径：
- 工程路径：开发智能机器解决地理问题（如专家系统）；
- 认知路径：模拟人类空间认知机制。
Openshaw（1997）进一步开发了空间模式自动发现模型（如GAM、GCEM），奠定了GeoAI的理论基础。21世纪以来，随着深度学习（Deep Learning）和高性能硬件的进步，GeoAI在遥感、城市计算等领域实现了爆炸式增长。

2. GeoAI的当前研究版图

论文通过Web of Science对1984–2024年的20,486篇文献进行定量分析，发现中国和美国是主要研究贡献国。研究聚焦五大子领域：

（1）遥感（Remote Sensing）

• 核心任务：场景分类（如EuroSAT数据集）、语义分割（如SpaceNet）、目标检测（如YOLO-Fine）、图像修复（如扩散模型EDiffSR）等。
  
• 技术突破：Transformer架构在遥感图像全局特征提取中表现优异（Bazi et al., 2021），而生成对抗网络（GANs）提升了超分辨率重建的细节还原能力（Gong et al., 2021）。
  

（2）城市计算（Urban Computing）

• 应用场景：交通优化（如Uber动态匹配算法）、环境可持续性（如城市热岛分析）、智慧社区（如COVID-19疫情追踪）和能源管理（如智能电网）。
  
• 典型案例：Wang et al.（2020a）利用实时GPS数据减少网约车空驶率，Zhou et al.（2018）通过遥感与传感器数据识别热岛效应缓解区域。
  

（3）地球系统科学（Earth System Science, ESS）

• AI融合：传统过程模型（如CMIP）与AI结合，提升气候预测精度。例如，Ruiz et al.（2023）利用AI优化碳循环模型，实现了高分辨率CO₂排放绘图。
  
• 灾害预警：AI模型可提前预测极端天气事件（Tripathy et al., 2023）和农业干旱风险（Xing and Wang, 2024）。
  

（4）制图学（Cartography）

• 自动化革新：包括地图要素提取（如MapKurator从历史地图中识别100万+文本标签）、地图生成（如EarthGen基于扩散模型生成全球地图）、风格迁移（如Kang et al., 2019的神经网络风格化）。
  
• 挑战：现有方法对矢量数据的直接处理能力不足，且文本标签生成易出现乱码（Zhang et al., 2024b）。
  

（5）地理空间语义（Geospatial Semantics）

• 知识表示：地理本体（如GeoSPARQL）与知识图谱（如KnowWhereGraph）支持复杂空间推理。
  
• 自然语言处理：预训练模型如GeoOLM（Li et al., 2023c）提升了地名识别与链接的准确率。
  

3. GeoAI的未来挑战

论文将未来研究方向分为方法论与伦理两类：

方法论挑战

• 异构感知（Heterogeneity-aware）：空间异质性导致传统ML的独立同分布假设失效，需开发自适应空间分区框架（Xie et al., 2021a）。
  
• 知识引导（Knowledge-guided）：将物理方程融入模型架构（如Chen et al., 2023b的流域流量预测），但需解决知识不完美性带来的偏差。
  
• 空间表征学习（Spatial Representation Learning）：需开发统一模型处理点、线、面等矢量数据（Mai et al., 2024b）。
  
• 地理基础模型（Geo-Foundation Models）：现有通用基础模型（如GPT-4）难以满足空间自相关等需求，需构建领域专用模型（如DiffusionSat, Khanna et al., 2023）。
  

伦理挑战

• 公平性（Fairness-aware）：避免算法在资源分配中加剧区域不平等。
  
• 隐私保护（Privacy-aware）：如位置数据匿名化技术的开发。
  
• 可解释性（Interpretable GeoAI）：需增强模型决策的透明度，尤其在灾害预警等高风险场景。
  

4. 论文的价值与意义

该综述首次从时空、语义多维度量化分析了GeoAI文献，提出了“空间表征学习”“地理基础模型”等原创性概念框架，为领域发展绘制了技术路线图。其核心贡献在于：
1. 系统性梳理：整合了分散于遥感、城市科学等子领域的进展，揭示了GeoAI作为独立学科的整体性；
2. 前沿预判：指出知识引导AI与伦理约束将是下一代研究的关键，推动GeoAI从“技术驱动”转向“问题驱动”；
3. 跨学科桥梁：为计算机科学、地理学、环境科学等领域的交叉合作提供了理论工具。

5. 亮点总结

• 数据支撑：基于20,486篇文献的定量分析，揭示了中美主导的研究格局和2015年后的指数增长趋势（图3）。
  
• 创新分类：将GeoAI分为符号主义（如知识图谱）与连接主义（如深度学习），并提出行为主义AI（如LLM智能体）的新分支。
  
• 技术前瞻：强调地理基础模型需处理多模态空间数据，而非简单适配现有NLP/CV模型。
  

（注：专业术语如“Transformer”“GANs”等在首次出现时保留英文原名，后文使用中文译名。）