全局检索与知识浏览

《国际地理信息科学杂志》；第39卷；第12期；页码2862-2885；2025年发表；出版机构Taylor & Francis。

在大数据时代，基于云边协同数据的智能教学空间模型构建是当前教育创新探索的重点。在理解构建模型的基础上，依托云边协同数据的安全存储体系，本文深入探讨了该技术的实现路径，并最终获得相关成果。

由于结构化查询语言的复杂性，地理空间数据库在可访问性方面面临重大挑战。为实现通过自然语言进行直观的人机交互，本文...

《国际地理信息科学杂志》；页码 1-27；发表于 2026 年；出版机构 Taylor & Francis。

《计算机、环境与城市系统》；第104卷；第102009页；2023年发表；出版机构Pergamon。

智能交通管理、气候响应型城市规划以及具备灾害韧性的数字孪生等应用，体现了面向复杂动态系统的“感知–预测–适应/学习”循环在实践中的运行。本文考察了高性能计算（HPC）、深度学习和地理大模型（geographic large models）在构建反馈回路中的使能作用，并探讨了数据集成、模型可解释性与治理等长期存在的挑战。最后，我们提出智能地理学（IG）应被视作一个持续演化的社会技术生态系统，通过适应与自主学习，将空间数据转化为知识与行动力。

真实土地地块在面积和复杂性方面具有高度变异性。现有基于深度学习的模型通常依赖网格划分或简单重采样以保证输入尺寸的一致性，这使得在保留信息的同时难以准确反映真实的土地分布情况。当前研究还缺乏对模型识别过程及数据融合结果的可解释性分析。为解决上述局限，本文提出一种新型多源数据融合方法——不规则地块分类模型（IPCM）。IPCM采用泊松盘采样对样本进行规范化处理，同时保留关键信息。通过梯度加权类别激活映射++（Grad-CAM++）与可解释性提升算法（Explainable Boosting），对IPCM的分类过程及数据融合机制进行可解释性分析。结果表明，该模型在多模态数据中对不同功能类别的关注程度存在差异，并揭示了由于融合过程中信息不匹配导致部分类别融合效果较差的现象；此外，模型通过优化数据融合权重，增强有效信息的贡献，从而缓解多源数据信息严重不匹配带来的负面影响。优化后的IPCM在不规则地块上的测试准确率达到0.892，Kappa系数为0.862。本研究可为高精度土地利用制图及数据融合过程的理解提供重要参考。

《计算机、环境与城市系统》；第85卷；第101569页；2021年发表；出版机构Pergamon

不断增长的客户需求以及动态城市系统带来的复杂性给物流配送带来了重大挑战，尤其是在大规模实时动态交通信息背景下...

《国际数字地球杂志》；第17卷；第1期；页码2304076；发表于2024年；出版机构Taylor & Francis。

《美国地理学家协会年鉴》；第115卷；第7期；第1720-1741页；2025年发表；出版机构Routledge。

元胞自动机（CA）被广泛用于土地利用变化的模拟。本研究采用基于矢量的元胞自动机模型，以模拟城市土地利用变化。

通过融合多模态数据可以更准确地绘制城市土地利用格局。然而，许多研究仅考虑地块内的社会经济与物理属性，忽略了多模态数据带来的空间交互作用及不确定性。为解决上述问题，我们构建了一种多模态数据融合模型（MDFNet），从多模态数据中提取自然物理、社会经济及空间连通性辅助信息。同时，建立基于广义加性模型与可学习权重模块的不确定性分析框架，以解释数据驱动的不确定性。选取深圳作为示范区域，实验结果表明该方法具有有效性，测试准确率达到0.882，Kappa系数为0.858。不确定性分析显示，遥感数据、社会感知数据和出租车轨迹数据对整体任务的贡献率分别为0.361、0.308和0.232。研究还揭示了多模态数据在不同土地利用类别中的协同机制，为城市分布格局的精准、可解释制图提供了有效方法。

《计算机、环境与城市系统》；第109卷；第102090页；2024年发表；出版机构：Elsevier

高质量的土地利用数据集对于构建高性能的土地利用分类模型至关重要。由于土地利用的复杂性和空间异质性，数据集构建过程效率低下且成本高昂，这一挑战影响了数据集的质量，进而制约了模型性能。新兴的数据中心人工智能（Data-Centric Artificial Intelligence, DCAI）领域有望提供数据集优化技术，为该问题提供有效解决方案。因此，本研究提出一种名为DCAI-CLUD的数据中心框架，用于土地利用数据集的构建。基于该框架，数据标注的准确率和标注速率分别提升5.93%和28.97%；数据集的Gini指数以及非混合土地利用类别样本占比分别提升3.27%和8.52%；土地利用分类模型的整体精度（OA）和Kappa系数显著提高27.87%和58.08%。本研究首次将DCAI引入地理信息与遥感领域，并验证了其有效性。所提出的框架能够有效提升数据集构建的效率与质量，同时优化模型性能。基于该框架，我们构建了中国主要城市多源土地利用数据集CN-MSLU-100K。本研究提出了优化土地利用数据集构建流程的框架，通过筛选与预标注提升了数据标注的质量与效率；通过数据集优化显著增强了土地利用分类模型的性能；先验结果对标注人员存在主观影响；本研究为首次将DCAI应用于土地利用分类的研究。

本文综述了地理空间数据的表示学习，重点探讨从多种数据类型中自动提取有意义特征的方法。通过简化任务并提升准确性，表示学习已成为地理空间分析的强大工具。由于其良好的泛化能力和可扩展性，表示学习为处理本质上多样且非结构化的地理空间数据提供了有效途径。我们总结了针对不同地理空间数据类型的表示学习方法，包括位置、兴趣点（POIs）、轨迹、空间交互、遥感影像以及街景影像。将每种数据类型视为一种独立模态，本文强调多模态表示学习在深化对地理现象理解方面的潜力，并提出一种由大语言模型（LLM）引导的框架作为潜在解决方案。综述最后指出，亟需进一步研究以改进多模态数据对齐，并增强在复杂动态地理环境中的特征表示可解释性。

摘要。随着中国城市化进程的快速推进，对城市土地利用模式的自动检测研究具有重要意义。深度学习是一种有效的图像特征提取方法。为充分利用深度学习方法在检测城市土地利用模式中的优势，本文采用基于迁移学习的遥感图像方法提取并分类特征。利用Google TensorFlow框架构建了一个强大的卷积神经网络（CNN）库。首先，将预训练于ImageNet——一个大型物体图像数据集——的模型用于充分开发其生成标准遥感地表覆盖数据集（UC Merced和WHU-SIRI）特征向量的能力。随后，基于生成的特征向量构建并训练了一个随机森林分类器，以实现交通分析区（TAZs）尺度上的实际城市土地利用模式分类。为避免遥感影像的多尺度效应，采用了大随机块（LRP）方法。所提出的方法在研究区域中能够高效获得可接受的分类精度（总体精度OA = 0.794，Kappa = 0.737）。此外，结果表明，该方法能有效克服在不规则地块层面进行城市土地利用分类时出现的多尺度效应。该方法可帮助规划者监测动态城市土地利用状况，并评估城市规划方案的影响。