地理空间与人工智能AI

目前很多人了解的“空间智能”来自于李飞飞教授。她提及的空间智能（Spatial Intelligence）本质主要是使机器通过视觉感知周围环境中的物体，并理解它们的几何形状、位置和相互之间的关系，使得机器能够与人类一样与复杂三维空间中的对象进行有效互动。

但空间不仅仅可以通过视觉数据感知，数字化的空间数据早已通过多种形式存在，如实景三维数据、二维导航地图数据、GPS轨迹数据等（遥感影像也可以被看做一种视觉数据）。这些丰富的数据类型，连同遥感影像等视觉数据，共同构成了地理空间数据的庞大体系。地理空间数据不仅是一个相对成熟的学术研究和工程领域，更可能是空间智能的核心数据基础 (乐阳 等, 2022)。

在大模型时代下，如何通过对多源地理空间数据的综合分析和处理，实现对地理、社会、经济等多维关系的精准理解和模拟预测？这种综合分析不仅涉及到对空间位置的深入理解，更扩展到对区域变迁、资源分布、权力结构等多维度空间的全面解构。为了避免与目前所说的“空间智能”产生混淆，此处仍然采用地理信息领域内的术语“地理空间智能（Geospatial AI, 简称GeoAI）”，来专门讨论利用地理空间数据的人工智能技术。通过这种方式，我们希望能够更清晰地界定和探讨空间智能在各领域的应用和潜力。

地理空间数据与人工智能

地理空间数据，涵盖遥感影像、路网、兴趣点（POI）、轨迹数据以及土地覆盖和土地利用等数据，它们共同构成了映射物理世界与社会现象的多源复杂信息网络，呈现出空间自相关、空间分异、时空动态和多尺度等独特的空间特性。然而，尽管这些数据的潜力无限，目前它们还未完全转化为人工智能的强大"燃料"。AI与地理空间数据的结合正处于探索阶段，如利用深度学习模型从遥感影像中提取土地和人类活动信息；结合街景影像和社交媒体数据，捕捉城市动态变化和人群行为模式等 (高松, 2020)。

在技术方法层面，图神经网络（GNN）、长短期记忆网络（LSTM）和Transformer等，已被应用处理时空数据；生成对抗网络（GAN）和扩散模型（Diffusion Model）也被用于模拟城市结构和生成人类活动轨迹、空气污染扩散等时空动态过程。此外，将地理数据和地理知识融入大语言模型（LLM），使自动化地球科学研究和地理知识发现成为可能。例如，遥感图像可以通过自然语言处理技术进行描述和分析，而文本数据可以用于提取和组织地理知识图谱。

然而，LLM的限制在于其知识来源于训练语料，而人类的大部分知识和现象并非以语言形式存在。因此，GeoAI真正的发力点，并非单纯利用深度学习等模型处理空间数据，而是将空间、时间和场所思维与大模型技术框架进行更深层次的融合 (Janowicz et al., 2020)。如果构建出能够深刻理解空间数据和空间关系的基础模型（foundation model），将有可能成为世界模型发展的基石，推动我们对地理空间世界的理解和应用达到新的高度。

GeoAI的关键技术问题

深度学习的本质就是表示学习，基于Transformer的大模型框架核心在于通过多层网络结构自动学习和优化数据（token）的表示，建模上下文的特征与关系 (OpenAI, 2023)。遵循这个逻辑，地理空间数据的token可以是经纬度坐标，也可以是图片像素、地块单元、社会事件等，是空间、时间和场所概念的具象载体。而将其融入大模型框架意味着需要对多源地理空间数据中的时空特征及其隐含的社会意象进行显式化表示，构建空间上下文关系，并完成其中的复杂关系建模。这些都是GeoAI的核心技术挑战 ()。

1. 1. 融合多源数据的Token空间化底座策略（Geo-tokenization）

空间是世界的载体，是现象发生的场所。地理空间数据存在多种模态，为理解物理世界与社会空间现象提供了多维视角，如遥感、街景影像（栅格数据）、线划图（点、线、面等矢量数据）、三维点云（point cloud）等，不仅涵盖地理实体的位置、形态等基本信息，更蕴含着丰富的空间关系与语义信息。遥感卫星影像不仅具有多分辨率，而且能够捕捉RGB以外的多种光谱通道；地质、土壤、水文数据见证了地球环境和生态的演变轨迹；POI同时具备空间、语义和社会文化维度特征，其层次性与多样性是城市空间复杂结构的体现。因此，地理空间数据可以作为其它多源数据的空间底座，通过高效的Geo-Tokenization，为多维度的理解世界奠定空间关系基础。这也是GeoAI发展需要解决的首要问题。

目前常用的Geo-Tokenization策略包括：

1. 地理位置的Token化：将地理位置信息（如经纬度坐标）转换为可以被机器学习模型处理的形式，例如，通过地理编码将地址转换为坐标；

2. 图像数据的Token化：在遥感图像处理中，将图像分割成小块或“patches”，每个patch作为一个token，模型可以单独处理这些小块以提取特征；

3. 轨迹数据的Token化：在处理移动对象的轨迹数据时，可以将轨迹分割成多个部分，每个部分作为一个token，以分析对象的运动模式；

4. 空间特征的Token化：将复杂的空间特征（如地形、土地利用类型）分解为更小的、可管理的单元，以便于模型学习；

5. 文本数据的Token化：对于地理文本数据，如地名或用户评论，token化可能涉及将文本字符串分解成单词、短语或其他有意义的符号。

但是多源多模态地理空间数据如何token化，乃至作为其它数据token化的空间底座，是一个尚未被充分关注的问题。深度学习和自然语言处理的工作已经证明地理空间数据可与文本、图像等其他形式的模态数据相互关联。理论上，能够有效解决数据异构性、时空对齐，语义对齐等的Geo-token，将有望使大模型成为真正的世界模型，理解和生成复杂的空间语境，帮助我们追踪地理空间的变化，预测特定事件对区域和人类的影响。

1. 2. 空间关系的显式表示学习 （Spatial representation learning）

空间显式的表示学习是目的在于能够从数据中提取和学习空间特征，明确反映数据在空间上的分布、形态、位置和相互关系等，如邻近性、方向性和连接性。这些都曾是空间数据库、空间拓扑关系的研究重点，也是空间分析的前提和基础。

上述token化是空间表示学习过程中的一个关键步骤，直接影响模型能够如何理解和处理空间数据。仅以轨迹数据为例，如果只是将地理坐标作为体现空间特征最基础的单元（Token），尽管模型通过离散化经纬度得到表示向量，能够学习查询两点之间的距离关系；加入时序信息，进行（轨迹）下一个经纬度的预测，可关联用户在时空间上的出行行为偏好。但是，地理位置并非孤立的坐标点，离散的坐标特征无法全面描述不同对象之间的复杂关系。例如，两条道路之间是否存在交通连接，不同道路之间存在交通流量和级别差异。位置点可以构成折线、多边形以及网络，因此，除了选择合适的token化方法，AI模型中还需要具有“宏观-微观”编码理念的空间显式的表示学习。

设计地理空间数据适用的表示学习网络结构也并非易事。在微观层面应该关注位置间关系的编码，如邻近性、连通性和动态性；宏观层面则需要编码其所处空间的形态、语义与层次结构。但不规则的空间组织形式、复杂的空间关系，使得传统神经网络中的位置、距离和方向等概念难以直接应用，加大了token划分和表示的难度 (Mai et al., 2022; 吕健荣 2024)。与此同时，空间表征学习，如Place2Vec或Road2Vec，这些技术通过学习空间实体的嵌入表示来进行token化，在一定程度上捕捉了空间实体的语义和上下文信息。