.png){kind=icon}
返回
Self-supervised representation learning for geospatial objects: A survey
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103265.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在城乡环境中，各类数据源的激增显著促进了地理空间人工智能（GeoAI）在广泛地理空间应用领域的发展。然而，地理空间数据作为与地理空间对象固有的关联，常表现出数据异质性，这需要专门的融合与表示策略，同时其下游任务所需的标签也天然稀疏。因此，对于能够有效利用地理空间数据且不依赖任务特定标签和模型设计的技术需求日益增长。这一需求与自监督学习（SSL）的原则相契合，后者因能直接从数据中学习有效且可泛化的表示，而无需大量有标签监督，已获得广泛关注。本文针对地理空间对象的三种主要矢量几何类型（点、折线、多边形）所应用或开发的SSL技术，提供了一份全面且最新的综述。我们系统地将各类SSL技术划分为预测性方法和对比性方法，并分析它们对不同数据类型的适应性，以实现各种下游任务的表示学习。此外，我们考察了地理空间对象SSL的 emerging trends，特别是向地理空间基础模型的逐步发展。最后，我们讨论了当前研究中的关键挑战，并展望了未来研究的可行方向。通过提供对现有研究的结构化分析，本文旨在激发SSL与地理空间对象整合的持续进步，并推动地理空间基础模型的长期发展。
Keyword:
Geospatial artificial intelligence
Spatial data mining
Self-supervised learning
Spatial representation learning
Geospatial foundation models