人工智能正深刻改变着我们的城市生活，也深刻影响着城市科学的研究。随着海量的时空数据和重要的人工神经网络模型的出现，地理空间人工智能（GeoAI）的概念也应运而生。如何用地理空间人工智能模型去刻画城市空间的特殊性？CNN、GNN、RNN、GAN、Transformer等人工神经网络框架分别适用于怎样的城市科学和地理场景、又有怎样的建模技巧？如何利用地理人工智能进行时空预测，从而帮助解决交通拥堵、空间规划和土地利用、空气污染的监测管理、灾害风险评估与应急响应等城市问题？
“复杂系统视角下的城市科学”读书会的第六次分享，我们邀请到了朱递老师以《地理空间人工智能GeoAI》为题，讨论地理现象的空间性及其对地理人工智能模型的影响，介绍空间显式模型以及人工智能与地理空间的内在联系，并分析地理人工智能如何解决实际的城市问题。
集智俱乐部的“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，通过对“城市作为复杂系统”的理论、研究方法及应用的分享、讨论和梳理，促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。本系列读书会线上进行，2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。欢迎对城市科学这一前沿领域有兴趣的朋友报名参与！
本期读书会，朱递老师将从地理现象的空间性（why）、空间显式地理人工智能（what）、人工智能与地理空间的内在联系（how）、地理人工智能的城市应用（where）、城市系统中的GeoAI问题与挑战（then）五个角度，系统介绍地理空间人工智能（GeoAI）的学术领域进展。
第一部分介绍地理现象的空间性。重点讨论地理空间的表达方法，空间机理的建模，以及空间推测。并总结针对地理现象的一般分析任务。
第二部分介绍空间显式地理人工智能。介绍空间分析与非空间分析的差异、空间显式模型的定义及检验方式：不变性检验（Invariance）、空间表达检验（Representation）、公式化检验（Formulation）、输出检验（Outcome）四项检验。
第三部分介绍人工智能与地理空间的内在联系。从地理空间研究中人工智能的发展讲起，介绍CNN、GNN等人工智能模型中地理空间的表达先验；介绍卷积、池化、感受野等概念的地理映射，介绍人工智能框架与局部依赖、时间依赖、长程依赖、空间推理等地理关系建模的关系；最后介绍数据不完备下的时空预测方法，包含分布数据补全、属性数据回归、流数据补全等。
第四部分概述地理人工智能在城市研究中的最新进展。结合综述文章，归纳地理人工智能在城市的自然环境和社会经济两类应用细分领域的研究现状。并介绍城市计算（Urban computing）和社会感知（Social sensing）两个重点概念。
• 空间表达 Spatial representation：地理科学中的空间表达是指通过各种方式和工具来描述和呈现地球表面上的空间特征和现象。这包括使用地图、图表、模型等手段来展示地理实体的位置、分布、关系和变化。通过空间表达，地理科学可以更好地理解和解释地球上的自然和人文现象，揭示地理模式和规律，支持地理研究和决策制定。
• 空间关系 Spatial relationship：空间关系可以是由空间实体的几何特性(包括空间物体的地理位置与形状)引起的空间关系，如距离、方位、连通性、相似性等；也可以是由空间实体的几何特性和非几何特性(包括度量属性如高程值、坡度值、气温值等，名称属性如地名、物体名称等)共同引起的空间关系，如空间分布现象的统计相关、空间自相关、空间相互作用、空间依赖等；还有一种是完全由空间实体的非几何属性所导出的空间关系，如由两个城市的人口数的比较所产生的大小关系、时间上的先后关系、等级上的高低关系以及成因上的因果关系等都属于此类关系 。
• 空间推测 Spatial prediction：在地理科学中，空间推测是一种通过观察和分析现有的地理数据和模式，来推断或预测未知地理现象的方法。它基于现有的数据和模型，利用统计学、地理信息系统和空间分析技术等工具，来推断未知地点、未来状态或未观测到的地理现象。
• 空间显式模型 Spatially explicit model：一种用于研究地理空间和地理现象的数学模型。该模型将地理空间划分为离散的单元或单元格，并通过在这些单元之间定义关系和交互来描述地理现象的分布和变化。通过使用空间显式模型，我们可以更好地理解和解释地理现象的空间分布和相互作用，从而对地理空间进行更精确的建模和分析。具体来说，如果一个人工智能模型满足以下检验中的一条，则可以称为空间显式模型：（1）不变性检验；（2）表征检验；（3）公式化检验；（4）结果检验。
• 地理人工智能 GeoAI：将人工智能技术应用于地理信息系统（GIS）领域的一种方法。利用机器学习、自然语言处理、图像识别等技术，从地理数据中提取有意义的信息并进行分析和决策，以支持空间规划、资源管理、环境监测、城市规划等领域的决策和预测。地理人工智能将智能算法与地理数据和空间分析相结合，提供更高效、准确和智能的地理信息处理和决策支持能力。
• 城市社会经济 Socio-economic dimension of cities：城市中各种社会和经济活动的组合和相互关系。它包括城市人口的组成与结构、就业与收入水平、居民消费和生活方式、产业结构和经济发展、社会服务与公共设施等方面的内容。城市社会经济的特点是多样化、复杂性和相互依赖性。城市的社会经济活动不仅仅是经济生产和消费，还包括社会关系、文化传统、教育、医疗等方面的各种活动。通过研究城市社会经济，可以了解城市发展的动态变化、城市居民的生活状况和需求，为城市规划和管理提供参考和决策支持。
朱递：明尼苏达大学助理教授、博士生导师；北京大学本硕博、伦敦大学学院访问讲师/研究员。研究兴趣为地理信息科学、地理空间人工智能、空间分析、社会感知和城市复杂性。
个人主页 https://cla.umn.edu/about/directory/profile/dizhu。
2023年8月5日（本周六）晚上20:00-22:00
扫码参与复杂系统视角的城市科学读书会，加入群聊，获取系列读书会回看权限，成为城市科学社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动城市科学社区的发展。
• Artificial Intelligence in Geography, Openshaw, 1997
• Handbook of Geospatial Artificial Intelligence, Gao et al, 2023 forthcoming
• Die Geographie: ihre Geschichte, ihr Wesen und ihre Methoden, A. Hettner, 1927
• Perspective on the Nature of Geography, R. Hartshorne, 1959
• Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography, 46, 234–240. https://doi.org/10.2307/143141
• Goodchild, M. (2001). Issues in spatially explicit modeling. Agent-based models of land-use and land-cover change, 13-17.
• Janowicz, K., Gao, S., McKenzie, G., Hu, Y., & Bhaduri, B. (2020). GeoAI: spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. International Journal of Geographical Information Science, 34(4), 625-636. https://doi.org/10.1080/13658816.2019.1684500
• Fischer, M. M. (1998). Computational neural networks: a new paradigm for spatial analysis. Environment and Planning A, 30(10), 1873-1891. https://doi.org/10.1068/a301873
• 朱递. 地理现象空间分布的人工神经网络建模与分析方法研究. 北京大学博⼠学位论⽂, 2020.
• Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science, 353(6301), 790-794. https://doi.org/10.1126/science.aaf7894
• Yan, X., Ai, T., Yang, M., & Yin, H. (2019). A graph convolutional neural network for classification of building patterns using spatial vector data. ISPRS journal of photogrammetry and remote sensing, 150, 259-273. https://doi.org/10.1016/j.isprsjprs.2019.02.010
• Mai, G., Janowicz, K., Hu, Y., Gao, S., Yan, B., Zhu, R., … & Lao, N. (2022). A review of location encoding for GeoAI: methods and applications. International Journal of Geographical Information Science, 36(4), 639-673. https://doi.org/10.1080/13658816.2021.2004602
• Simini, F., Barlacchi, G., Luca, M., & Pappalardo, L. (2021). A deep gravity model for mobility flows generation. Nature communications, 12(1), 6576. https://doi.org/10.1038/s41467-021-26752-4
• Zhu, D., Zhang, F., Wang, S., Wang, Y., Cheng, X., Huang, Z., & Liu, Y. (2020). Understanding place characteristics in geographic contexts through graph convolutional neural networks. Annals of the American Association of Geographers, 110(2), 408-420. https://doi.org/10.1080/24694452.2019.1694403
• Yuan, Q., Shen, H., Li, T., Li, Z., Li, S., Jiang, Y., … & Zhang, L. (2020). Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing of Environment, 241, 111716. https://doi.org/10.1016/j.rse.2020.111716
• Grekousis, G. (2019). Artificial neural networks and deep learning in urban geography: A systematic review and meta-analysis. Computers, Environment and Urban Systems, 74, 244-256. https://doi.org/10.1016/j.compenvurbsys.2018.10.008
• Casali, Y., Yonca, N. A., Comes, T., & Casali, Y. (2022). Machine learning for spatial analyses in urban areas: a scoping review. Sustainable Cities and Society, 104050. https://doi.org/10.1016/j.scs.2022.104050
• Liu, P., & Biljecki, F. (2022). A review of spatially-explicit GeoAI applications in Urban Geography. International Journal of Applied Earth Observation and Geoinformation, 112, 102936. https://doi.org/10.1016/j.jag.2022.102936
• Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J., & Carvalhais, N. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 566(7743), 195-204. https://doi.org/10.1038/s41586-019-0912-1
• Zheng, Y., Capra, L., Wolfson, O., & Yang, H. (2014). Urban computing: concepts, methodologies, and applications. ACM Transactions on Intelligent Systems and Technology (TIST), 5(3), 1-55. https://doi.org/10.1145/2629592
• Liu, Y., Liu, X., Gao, S., Gong, L., Kang, C., Zhi, Y., … & Shi, L. (2015). Social sensing: A new approach to understanding our socioeconomic environments. Annals of the Association of American Geographers, 105(3), 512-530. https://doi.org/10.1080/00045608.2015.1018773
随着工业化和现代化的发展，世界范围内的城市化率不断提高，越来越多的人口聚集在城市，使得交通拥堵、环境污染、资源短缺等城市问题日益严峻。为了建设一个让人们幸福生活、可持续发展的城市，我们对于城市的基本运行规律迫切需要科学的认知。
近十几年来，数据获取手段的进步及计算技术的发展，为研究城市问题提供了新的机会。智能手机、物联网、卫星遥感使我们可以获取高精度的城市数据，提供了数据基础；机器学习、人工智能的发展，为处理大规模多源异构数据提供了技术手段。
除了数据与方法外，复杂性科学（Complexity）也极大地推动了城市科学的跨学科发展。复杂性科学从演生的视角，在不同的时空尺度上研究城市现象的基础规律，丰富了城市科学的理论框架；同时，基于复杂系统的模拟方法也在实践中有广阔的应用前景。
在这个大背景下，集智俱乐部的“城市科学”读书会由北京大学助理教授董磊联合明尼苏达大学助理教授朱递、中南大学地球科学与信息物理学院教授李海峰、北京航空航天大学计算机学院博士寄家豪共同发起，通过对“城市作为复杂系统”的理论、研究方法及应用的分享、讨论和梳理，促进相关领域学者的交流，推动交叉学科间的合作，促进城市科学的发展和研究。
本系列读书会线上进行，2023年7月1日开始，每周六晚 20:00-22:00，持续时间预计10周。读书会详情及参与方式见后文。
