报告人：罗鹏（美国麻省理工学院 博士）

时间：2024年7月23日（周二）15:00-16:30

地点：测绘馆206报告厅

报告简介：

目前，人工智能主导的数据挖掘算法已广泛应用于地理研究（AI for Geo），尤其是在城市研究领域。然而，数据驱动的AI for Geo范式往往包含两个隐含且易被忽视的假设：1) 所采集的多源地理数据是对地理世界的完备表征；2) 地理数据的生成过程与模式是已知的。这两个假设的存在使得单纯数据驱动的算法难以实现更优性能，且难以发掘潜在的、未被很好定义的地理空间结构。更重要的是，这可能会使人们忽视空间分析结果中的偏差、遗漏，乃至伦理隐患。

在本研究中，我们首先讨论了广泛使用的AI for Geo范式所存在的问题，并对GeoAI的内涵进行了深入探讨。我们提出 GeoAI的核心应是回归对地理数据本质的认识，通过更完备的空间数据建模和理解，实现更准确的空间关系构建，从而最终提高空间分析的性能。

本次汇报将包括两个案例研究，展示如何通过更深入的建模和理解地理空间，帮助人工智能模型感知城市中“不可感知”的信息与结构。第一个案例研究尝试从极为稀疏的空间犯罪数据点预测整个城市的犯罪风险。第二个案例研究尝试从人类活动数据中推断出城市中潜在的重叠社区结构。

报告人简介：

罗鹏博士，麻省理工学院感知城市实验室（MIT Senseable City Lab）博士后研究员、牛津大学访问学者、慕尼黑工业大学工学博士以及北京大学工学硕士。他在地理信息、遥感、城市和计算机科学等领域的学术期刊和会议上发表了三十余篇论文，并以第一作者或通讯作者身份在ISPRS JPRS、IJGIS、CEUS、JAG、TGIS、Cities等权威期刊上发表了11篇论文。此外，他还担任了二十余个国际学术期刊的审稿人。

他的研究兴趣包括地理显式建模、地理人工智能和地统计等领域，通过对空间关系进行更广义和综合性的建模，实现更精确的空间分析任务：这些任务包括空间预测、空间相关性分析和空间模式识别。