本文重申了 GeoAI 开放研究方向的现状、最新发展和新兴议程，呼吁各领域的社区共同参与跨学科的交流。

Oct, 2022

GeoAI 是一个令人兴奋的新领域，借助人工智能、地理空间大数据和大规模计算能力来解决高度自动化和智能化的问题。该论文回顾了人工智能在社会科学研究中的进展，强调了使用 GeoAI 填补重要数据和知识空白的重要进展。论文还讨论了打破数据孤岛、加速 GeoAI 研究方法的融合以及将 GeoAI 推广到超越地理空间利益的重要性。

Dec, 2023

GeoAI 研究偏重于 GIScience 文献，本文从计算和空间角度深入分析了 GeoAI 研究的重复性和可复制性，包括验证、学习和适应方法以解决相似或新问题，以及研究结果的普适性。通过深度学习的图像分析任务实例，强调了训练数据选择和使用、GeoAI 模型设计、训练和部署过程中的不确定性，以及地理空间数据和过程的空间异质性对结果的影响。结果强调了知识共享的重要性，并提出了一个综合考虑空间自相关和空间异质性的 “可复制性图” 用于量化 GeoAI 研究的空间可复制性。

Apr, 2024

Spatial representation learning (SRL) is addressed with the proposed TorchSpatial framework, which includes a unified location encoding framework, benchmark tasks, and evaluation metrics, aiming to support SRL model development, reproducibility, and spatial fairness in GeoAI research.

Jun, 2024

本研究利用空间隐式神经表示联合估计 47k 个物种的地理范围，建立了四个新的基准模型，证明嘈杂和有偏差的众包数据可以与隐式神经表示相结合，近似许多物种的专家开发的范围图。

Jun, 2023

分析空间变化效应在地理分析中至关重要，然而由于地理空间数据的复杂性和非线性，准确捕捉和解释这种变异性是具有挑战性的。本文介绍了一个集成框架，将局部空间加权方案、可解释人工智能（XAI）和先进的机器学习技术相结合，以弥合传统地理分析模型和通用机器学习方法之间的差距。通过对合成数据集的测试，验证了该框架在地理回归和分类中通过阐明空间变异性，提高了预测的解释性和准确性。它显著提升了预测精度，为理解空间现象提供了一种新的方法。

Mar, 2024

本文介绍了一种通用的神经结构图，其具有地理空间归纳偏差，经过大量未标记的地球观测数据的自我监督训练。该模型可能有助于研究人员和人道主义援助和灾难响应从业者之间的合作。作者展示了这个神经结构图的初步结果，该神经结构图可以处理各种地理空间数据类型，并证明其在与领域特定的结构在联合国可持续发展目标相关任务上具有竞争性的表现。

Nov, 2022

地球科学进入大数据时代，人工智能不仅有可能解决地球科学问题，还在加速理解地球行为的复杂、交互和多尺度过程中起着关键作用。这项研究提出了一个可解释的地球科学人工智能 (XGeoS-AI) 框架，通过以计算机断层扫描 (CT) 影像识别为例展示了其有效性和多功能性。该框架受人类视觉机制的启发，从整个影像中生成一个阈值来完成识别。不同种类的人工智能方法，如支持向量回归 (SVR)、多层感知器 (MLP)、卷积神经网络 (CNN)，可以被采用作为该框架的引擎，高效地完成地球科学影像识别任务。实验结果表明，该框架的有效性、多功能性和启发式具有解决地球科学影像识别问题的巨大潜力。在地球科学领域中需要更加重视可解释人工智能，这是促进人工智能在地球科学领域更加合理和广泛应用的关键。此外，这一提出的可解释框架可能是地球科学技术创新的先驱。

Nov, 2023

本文介绍了 GeoAI 基础模型的潜在隐私和安全风险，并提出了全面的预防和控制策略，旨在引起地理空间领域的研究人员和决策者对 GeoAI 基础模型固有的隐私和安全风险的重视，并倡导隐私保护和安全的 GeoAI 基础模型的发展。

Sep, 2023

本文探讨了 GeoAI 和空间数据科学的哲学基础，重点强调了可持续性、培训数据中的偏见、模式知识的多样性和 GeoAI 系统的中立性（潜在缺乏）等主题，并从统一的伦理学角度出发思考我们专业的伦理影响，帮助我们更负责任地开展潜在的颠覆性研究，识别设计、培训和部署基于 GeoAI 的系统的陷阱，并在学术领域内共同开发人工智能和机器学习研究的优势和潜在风险，同时与他人分享我们独特的（地球）空间视角。

Mar, 2023