概览

〖摘 要〗 个人用于整理大规模点参考数据时空统计分析方法的汇总帖，大致分为克里金法和贝叶斯建模、高斯过程及其推断理论、大 n 问题及其对策、并行化策略和方法、与深度学习的结合等部分。目前主要兴趣点在大规模点参考数据的高效计算方法和统计深度学习方面。 1 概览或综述 2 位置嵌入 3 社会感知 4 遥感数据 5 地图数据 6 位置物联网 7 街景数据 8 地理知识图谱 #refplus, #refplus li{ padding:0; margin:0; list-style:none; }； document.querySelectorAll(".refplus-num").forEach((ref) => { let refid = ref.firstChild.href.replace(location.origin+location.pathname,''); let refel = document.query ...

【摘 要】 许多历史地图页可公开用于需要长期历史地理数据的研究。这些地图的制图设计包括地图符号和文字标签的组合。从地图图像中自动读取文本标签可以大大加快地图解释速度，并有助于生成描述地图内容的丰富元数据。已经提出了许多文本检测算法来自动定位地图图像中的文本区域，但大多数算法都是在域外数据集（例如风景图像）上训练的。训练数据决定了机器学习模型的质量，而在地图图像中手动标注文本区域既费力又费时。另一方面，现有的地理数据源，例如 OpenStreetMap (OSM)，包含机器可读的地图图层，这使我们可以轻松地分离出文本图层并获得文本标签注释。但是，OSM 地图瓦片和历史地图之间的制图风格明显不同。本文提出了一种自动生成无限量带注释的历史地图图像的方法，用于训练文本检测模型。我们使用样式转换模型将当代地图图像转换为历史样式并在其上放置文本标签。我们表明，最先进的文本检测模型（例如 PSENet）可以从合成历史地图中受益，并在历史地图文本检测方面取得显着改进。 【原 文】 Lunga, D., Hu, Y., Newsam, S., Gao, S., Martins, B., Ya ...

GeoAI：地理知识发现中的空间显式人工智能技术 【摘要】 近年随着深度学习技术的突飞猛进，相关技术在地理信息科学领域也得到大量研究和应用。但随着大家对问题的深入理解，逐步意识到这些机器学习方法在解决地学问题上有些捉襟见肘，特别是很多机器学习模型几乎不考虑地理位置的作用，把很多地学问题转变成了计算机科学问题，引起了业内很多专家的质疑。本文为加州大学 Krzysztof Janowicz 教授 2017 年在地理信息科学杂志 GeoAI 专刊上发表的一篇评论文章，明确提出在地理空间人工智能领域中，空间显示模型需要得到重视和发展。 【原文摘要】无。 【原文】Janowicz, K., et al. （2019）. “GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond.” International Journal of Geographical Information Science 34（4）: 625-636. 【 ...

【摘 要】本文摘自武汉大学学报，作者在文章中列举了大量GeoAI领域的文献参考，值得收藏。尤其是梳理和总结了当前5个主要研究热点方向，并列出了最近急迫需要解决的3个方面挑战。 【原 文】高松，地理空间人工智能的近期研究总结与思考，武汉大学学报，DOI：10.13203/j.whugis20200597 1 GeoAI 的发展历史简介 （1）GeoAI背景 人工智能（AI）领域的技术进步给地理空间相关领域研究的智能化发展和融合创新带来了新机遇和新挑战。 近期快速发展的主要动力来自于深度学习模型和开发框架的快速发展、产业化的日趋成熟、各行业领域大数据的爆发、计算机硬件计算性能不断升级，进而可以支持在很短的时间内训练和部署人工智能模型、支持数据驱动的智能化决策和产业变革 （2）什么是GeoAI？ 地理空间人工智能（GeoAI）是地理空间科学与人工智能相结合的交叉学科研究方向 GeoAI通过研究与开发机器的空间智能，提升对于地理现象和地球科学过程的动态感知、智能推理和知识发现能力 GeoAI寻求解决人类和地球环境系统相互作用中的重大科学和工程问题 比如：人口迁移预测、复杂条 ...