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

该论文介绍了一种名为 GDML 的新型学习问题，旨在解决全球分布式数据的学习问题，提出了一种新的方法进行地理分布式培训，可同时应对法规制约和隐私等问题，并在三个真实数据集上进行了实证评估。

Mar, 2016

本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用，揭示了独特的挑战并提出了解决方案，以解决机器学习在遥感中受到有标签数据瓶颈的困扰。

Jul, 2021

数字农业通过数据科学、机器学习、传感技术、机器人技术和新的管理策略，在减少环境影响的同时满足全球对食物、饲料、纤维和燃料不断增长的需求。为了充分发挥数字农业的潜力，强调数据积极性的机器学习研究在此领域显得至关重要，需要发展获取和整理有价值数据的策略，并实施能够利用数据内在价值的有效学习和评估策略，从而创建准确、可推广和适应性强的机器学习方法，有效可持续地应对农业任务，如产量预测、杂草检测和早期病害识别。

Dec, 2023

本文旨在讨论全球或遥感数据下地理空间机器学习模型的评估挑战，以及如何改进评估方法，以确保其准确性和适用性。

Mar, 2023

使用 GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

Oct, 2023

人工智能发展历史中，高质量数据对各种深度学习模型的影响显著。最近，与基于模型的方法相比，AI 社区的关注重点转向了基于数据的方法，即更好地处理数据以增强神经模型的能力。这项调查从数据为中心的角度全面回顾了图学习方法，并旨在回答两个关键问题：（1）何时修改图数据和（2）如何修改图数据以发掘各种图模型的潜力。我们提出了一个基于图学习流程阶段的新分类法，并强调了处理图数据中不同数据结构（如拓扑、特征和标签）的方法。此外，我们分析了嵌入图数据中的一些潜在问题，并讨论了如何以数据为中心的方式来解决它们。最后，我们提供了一些关于数据为中心的图学习未来发展方向的前景。

Oct, 2023

本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

Nov, 2020

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