Geo2Vec：地理空间实体的形状与距离感知神经表示
计算机视觉与模式识别
2025-08-28 v1 人工智能
摘要
空间表示学习对于城市分析等 GeoAI 应用至关重要，它能够对点、折线和多边形等地理实体的形状、位置及空间关系（拓扑关系与基于距离的关系）进行编码。现有方法要么仅针对单一地理实体类型，要么像 Poly2Vec 那样将实体分解为更简单的组件以进行傅里叶变换，从而引入了高昂的计算成本。此外，由于变换后的空间缺乏几何对齐，这些方法依赖于均匀的、非自适应的采样，这会模糊边缘和边界等细粒度特征。为了解决这些局限性，我们引入了 Geo2Vec，这是一种受符号距离场（SDF）启发的新方法，可直接在原始空间中运行。Geo2Vec 自适应地采样点并编码它们的符号距离（外部为正，内部为负），无需分解即可捕获几何信息。经过训练以逼近 SDF 的神经网络为所有地理实体类型生成了紧凑的、几何感知的且统一的表示。此外，我们提出了一种旋转不变的位置编码，以对高频空间变化进行建模，并为下游 GeoAI 模型构建了结构化且稳健的嵌入空间。实验结果表明，Geo2Vec 在表示形状和位置、捕获拓扑和距离关系方面始终优于现有方法，并在实际 GeoAI 应用中实现了更高的效率。代码和数据可在以下地址找到：https://github.com/chuchen2017/GeoNeuralRepresentation。
引用
@article{arxiv.2508.19305,
title = {Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities},
author = {Chen Chu and Cyrus Shahabi},
journal= {arXiv preprint arXiv:2508.19305},
year = {2025}
}