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

人文地理学中人工智能的最新进展和应用主要集中在机器（深度）学习方面，包括地点表示与建模，空间分析与预测性映射，城市规划与设计。这一交叉学科合作将有助于推动 GeoAI 的发展，为所有人创造一个更好和可持续发展的世界。

Dec, 2023

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

通过展示 AI 模型如何通过创建语言地图来实现语言文档的空间文档化，该研究研究了 AI 模型特别是 GPT4 和 GPT Data Analyst 在语言文档化中的能力，通过整合纪录片语言学、语言地理学和 AI，用最少的地理制图专业知识促进了语言的空间文档化。

Apr, 2024

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

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

通过分析 378 个伦理问题的 19 个主题领域，本研究综述了生成人工智能伦理问题的分类和排名，主要关注大型语言模型和图像生成模型，为学者、从业人员和政策制定者提供了关于公平性、安全性、有害内容、幻觉、隐私、交互风险、安全性、社会影响等伦理争论的全面概述，并讨论了结果、评估了文献中的不平衡现象，并探讨了未经证实的风险场景。

Feb, 2024

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

通过生成人工智能在地球科学领域的潜在应用，我们探讨了机器学习和深度学习的最新发展，以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络（GANs）、物理信息神经网络（PINNs）和基于生成预训练转换器（GPT）的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战，如确保物理解释性、恶意用途案例和可信度。总的来说，GAI 模型对地球科学界有着巨大潜力，特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面，通过其对数据驱动建模和不确定性量化的非凡能力。

Jan, 2024