GeoAI的可复现性与可复用性：计算与空间视角
计算机视觉与模式识别
2024-04-23 v2 机器学习
摘要
GeoAI已成为一个令人兴奋的跨学科研究领域，它将空间理论与数据与前沿AI模型相结合，以新颖的、数据驱动的方式解决地理空间问题。尽管GeoAI研究在GIScience文献中蓬勃发展，但其可复现性与可复用性（R&R）——决定研究结果的可重用性、可靠性与科学严谨性的基本原则——却鲜少被讨论。本文旨在从计算与空间两个视角对这一主题进行深入分析。我们首先对复现GeoAI研究的主要目标进行分类，即验证（可重复性）、学习并调整方法以解决类似或新问题（可复现性），以及检验研究结果的可推广性（可复用性）。每个目标都需要对GeoAI有不同层次的理解，并需要不同的方法来确保其成功。随后，我们讨论了可能导致GeoAI研究中缺乏R&R的因素，重点在于：（1）训练数据的选择与使用；（2）存在于GeoAI模型设计、训练、部署与推理过程中的不确定性；以及更重要的（3）地理空间数据与过程固有的空间异质性。我们以基于深度学习的图像分析任务为例，展示了由不同因素导致的结果不确定性与空间方差。研究结果重申了知识共享的重要性，以及生成一个将空间自相关与空间异质性纳入考量以量化GeoAI研究空间可复用性的“可复用性图”的重要性。
引用
@article{arxiv.2404.10108,
title = {GeoAI Reproducibility and Replicability: a computational and spatial perspective},
author = {Wenwen Li and Chia-Yu Hsu and Sizhe Wang and Peter Kedron},
journal= {arXiv preprint arXiv:2404.10108},
year = {2024}
}
备注
Accepted by Annals of the American Association of Geographers