.png){kind=icon}
返回
Representation learning for geospatial data
.png){kind=icon}
PRE
AI
DOI：10.1080/19475683.2025.2552157.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文综述了地理空间数据的表示学习，重点介绍了从多种数据类型中自动提取有意义特征的方法。通过简化任务和提高精度，表示学习已成为地理空间分析的有力工具。由于其泛化性和可扩展性，表示学习为处理本质上多样化和非结构化的地理空间数据提供了有效途径。我们总结了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、遥感影像和街景影像。将每种数据类型视为一种独特的模态，我们强调了多模态表示学习在促进地理现象理解方面的潜力，并提出了一种LLM引导的框架作为潜在解决方案。综述最后强调了进一步研究的必要性，以改进多模态数据对齐和增强特征表示的可解释性，特别是在复杂和动态的地理环境中。
Keyword:
Representation learning
geospatial data
multi-modal representation learning
期刊
IF:
3.3
论文数:
81
被引数:
1.2K
机构
引用论文
.png){kind=icon}
分享收藏Unsupervised land-use change detection using multi-temporal POI embedding基于多时相POI嵌入的无监督土地利用变化检测
PREAI
分享收藏
查看更多内容