本文综述了将深度学习技术应用于时空数据挖掘，并介绍了应用深度卷积与循环神经网络等模型在处理此类数据时的分类学、任务、应用和展望。

Jun, 2019

通过深度学习对时空数据进行不确定性量化，可以解决在高风险决策应用中出现的预测错误问题，并为未来的研究方向提供了潜在的机会。

Nov, 2023

本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

Nov, 2022

电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

Nov, 2023

通过收集相关数据集、模型资产和有用工具，我们提供了面向时间序列和时空数据的大规模模型研究的最新进展，强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。

Oct, 2023

现代机器学习在地理空间领域取得了巨大的进展，而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类，总结了地理空间领域的相关研究，并将其归类为不同的组别，通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。

Dec, 2023

介绍了关于 spatio-temporal 数据挖掘领域的研究，在各个领域如气候科学、社会科学、神经科学、流行病学、交通运输、移动健康和地球科学方面，讨论了六种主要类型的问题：聚类、预测学习、变化检测、频繁模式挖掘、异常检测和关系挖掘。

Nov, 2017

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

分析了深度学习用于遥感数据分析的挑战、近期进展及如何利用该技术应对包括气候变化和城市化等前所未有的大规模具有影响力的挑战，鼓励遥感科学家将自己的专业知识带入深度学习，并将其作为隐式通用模型。

Oct, 2017

本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

Jun, 2020