GeoAI 中的位置编码：方法与应用综述

更广泛的地球科学中人工智能模型的一个常见需求是将各类空间数据（如点（例如兴趣点）、折线（例如轨迹）、多边形（例如行政区）、图（例如交通网络）或栅格（例如遥感图像）表示并编码到隐藏嵌入空间中，以便它们能轻易整合进深度学习模型。一个基本步骤是将单个点位置编码到嵌入空间中，使得该嵌入对支持向量机和神经网络等下游机器学习模型友好。我们称此过程为位置编码。然而，目前缺乏对位置编码概念、潜在应用以及需要解决的关键挑战的系统性综述。本文旨在填补这一空白。我们首先给出位置编码的形式化定义，并从机器学习角度讨论 GeoAI 研究中进行位置编码的必要性。接下来，我们对位置编码研究的现状进行全面调研与讨论。我们根据输入和编码方法将位置编码模型分为不同类别，并基于是否为参数化、多尺度、保距和方向感知进行比较。我们证明现有位置编码模型可以在一个共享的公式框架下统一。我们还讨论了位置编码对不同类型空间数据的应用。最后，我们指出了未来位置编码研究中需要解决的若干挑战。