geoAI：新兴趋势和挑战

geoAI地理空间人工智能领域（即geoAI）在一般人工智能（AI）中使用了许多相同的技术。然而，人工智能在应用地理空间知识时也必须面对挑战和机遇，这些知识也解决了时间和空间偏差问题。

最近，GeoAI会议于2017年举行了第一次年会。2018年，第二届GeoAI会议将举行。重点关注的问题包括城市和土地利用动态，数据爆炸导致需要更好的技术来应对该领域的挑战。

具体地理空间和应用人工智能方法的大型项目仍然相对较少; 然而，现在人们越来越意识到地理空间多样性，地点的规模和类型，以及时间变化和规模在处理有助于决策者和研究的应用方面的作用。一个面临这些挑战的项目主要是利用开源GIS数据预测洛杉矶的颗粒物空气污染。这项工作使用儿科研究综合传感器监测系统（PRIMS）数据集和OpenStreetMap（OSM）来更好地预测土地利用与道路之间的关系，这与颗粒浓度在给定时间和日期的位置有关。交通模式和城市人类活动，随着时间的推移和过去的行为

绘图，地图解释和深度学习技巧

一个挑战是使用深度学习技术开发自动地图阅读器，该技术可以将文本信息（例如地点名称）与地图特征（包括轮廓）分开。光学字符识别（OCR）的发展允许地图读者理解信息类型之间的变化，例如文本和基于图形的信息，以便它们可以被分离和解释在一起，例如特征的命名。

在GIS中使用人工智能的挑战

尽管取得了一些成功的努力，但仍存在许多挑战。一个挑战是改变时间分辨率。例如，建模和预测具有长潜伏期的慢性疾病模式尚未成功完成。在这种情况下，包括长期开发周期在内的各种因素以及多个物理环境因素可能意味着现有的空间数据集可能不够多样化，甚至不能及时回溯到足以使预测容易进行。 另一个挑战是大多数图像数据偏向于讲英语的西方国家，限制AI应用于某些国家，因为学习数据集较少。

其他重点领域是增强低分辨率图像，以提高给定区域或甚至历史数据目的的知识意识。卷积神经网络（CNN）的使用已经扩展到低分辨率卫星图像，并且已经显示出改进特征识别，因为可以利用不同光谱带中的基本输入来增强低分辨率数据。这使得这些方法可以解决早期卫星系统的限制，例如早期的Landsat系统，以便加强并更好地用于长期土地利用变化。

总体而言，我们看到在特征识别，数据增强，将大数据集成到预测应用程序中的更好方法方面取得了进展，其中最大的挑战是处理不同时间分辨率和数据偏差的情况。这包括涉及延迟和不同触发器的主题明显是现有geoAI的重点或更好地理解非英语国家的空间模式的情况。然而，geoAI的快速增长表明，这些问题可能会在不久的将来解决。