热力学启发式可解释 GeoAI：揭示异构空间系统中的态依赖机制
人工智能
2026-04-07 v1 机器学习
摘要
建模空间异质性及相关临界转变仍然是地理学和环境科学中的基本挑战。虽然传统的地理加权回归（GWR）和深度学习模型提高了预测能力，但它们往往无法阐明态依赖的非线性性，即驱动因素在异构区域中的功能角色呈现相反效应。我们提出了一种热力学启发式的可解释地理空间 AI 框架，将统计力学与图神经网络相结合。通过将空间变异性概念化为系统负担（E）与容量（S）之间的热力学竞争，我们的模型解耦了驱动空间过程的潜在机制。使用三个模拟数据集和三个来自不同领域（住房市场、心理健康患病率和野火引发的 PM2.5 异常）的真实数据集，我们证明新框架成功识别了标准基线遗漏的驱动因素态依赖角色反转。特别值得注意的是，该框架明确诊断出 2023 年加拿大野火事件期间进入以负担为主导的相变，区分了物理机制转变与统计异常值。这些结果表明热力学约束可以在保持复杂空间系统中强预测性能的同时提高 GeoAI 的可解释性。
引用
@article{arxiv.2604.04339,
title = {Thermodynamic-Inspired Explainable GeoAI: Uncovering Regime-Dependent Mechanisms in Heterogeneous Spatial Systems},
author = {Sooyoung Lim and Zhenlong Li and Zi-Kui Liu},
journal= {arXiv preprint arXiv:2604.04339},
year = {2026}
}