图像地理定位是将没有地理位置的图像，通过一系列方法获得对应地理位置，使其与现实地理空间建立关联映射的技术。该技术对进一步挖掘图像信息有着重要的作用，在网络空间测绘、情报获取、用户室外定位、增强现实等方面具有较高的应用价值。尽管计算机视觉领域取得了巨大的进展，但是由于图像地理定位涉及到图像特征提取、大规模数据检索、大规模点云处理、深度学习、地理信息特征提取、几何建模与推理、语义场景理解、基于上下文的推理、多数据融合应用等多个领域，所以对图像的高精度自动地理定位仍是需要进一步解决的难题。本文对图像地理定位研究进展进行了梳理，主要包括图像地理定位方法、图像地理定位数据集、图像地理定位评价方法和图像地理定位总结与展望4个方面。首先按照研究内容相关性将图像地理定位方法分为了图像检索、2D-3D匹配和跨模态检索3类方法，并详细介绍了每一类方法的最新研究进展；其次对图像地理定位研究所用的数据集和评价方法进行了归类与总结；最后分析了图像地理定位的研究现状，并从全球地理定位、自然区域地理定位、多方法融合地理定位、基于POI数据的地理定位和预选位置的精细化定位等方面对图像地理定位的未来研究方向进行了展望。

轨迹聚类是空间数据挖掘领域的一个研究热点，对城市交通规划、路网结构提取与更新等具有重要意义。轨迹聚类包括轨迹相似性度量和聚类参数设置2个核心问题。然而，由于轨迹的形态结构特征复杂，现有轨迹相似性度量指标存在对噪声敏感或未充分考虑轨迹运动方向一致性的问题，且大多数聚类算法仍需人为设置参数，聚类挖掘结果的质量受到用户主观经验的影响。针对上述问题，本文提出了一种融合多特征的移动轨迹自适应聚类方法。首先，通过融合轨迹的空间邻近性和运动方向特征定义了一种对噪声鲁棒的轨迹相似性度量指标—DSPD距离；在此基础上，通过扩展Ward层次聚类方法提出了一种基于中心轨迹概念的空间层次聚类算法，该算法使用DSPD距离作为相似性度量指标，利用聚类特征曲线自动确定最佳聚类参数。以11组模拟轨迹数据和武汉市真实轨迹数据为例进行实验与分析，结果表明，本文方法在顾及空间邻近性的基础上，可以有效区分不同移动方向的轨迹簇，同时，利用轨迹数据特征自动确定聚类参数，降低了挖掘结果的主观性。

许多复杂的物理现象和动态系统尚未为科学家所完全理解和解释，因此不能构建确定的数学方程来描述，不能直接使用紧凑的物理机理模型来进行分析和预测。随着观测数据的日益丰富，数据驱动的机器学习方法可以较好地描述复杂非线性现象，但是纯数据驱动模型在表征能力、可解释、泛化能力、样本利用效率方面还存在很多不足。常规机器学习方法在地学领域的应用还面临时空异质性、样本稀疏等带来的挑战。近年来感知物理先验的机器学习方法可以在物理原理不太明确的情况下更有效地利用观测数据描述和分析动态系统，受到了广泛关注，并在物理、计算机、生物、医学和地学等领域得到了一定的应用。近年来人工智能和机器学习技术已经大量应用于地理学尤其是地理信息和遥感领域，受到地理学者广泛重视，被称为地理空间智能，并已成为一个热门的研究方向。感知物理先验的机器学习方法融合了模型驱动和数据驱动思想，为地理空间智能研究带来新的研究范式，促进各种复杂地理现象的精细描述和预测。本文首先分别从物理先验的表达形式和如何在机器学习中集成物理先验两方面概述了该领域的进展。物理先验是在机器学习建模之前已经存在、独立于机器学习方法的知识。本文从增广的数据和定制特征、物理定律和约束规则、支配方程、几何特性等方面总结物理先验知识的表达形式。主要从机器模型约束建模、辅助任务设计和模型的训练推理角度总结如何在机器学习模型中有效集成各种物理先验。本文基于以上的综述框架，结合地学机器学习和地理空间智能的发展和前沿问题，探讨了地理时空先验与其他物理先验的关系，简要总结和分析了目前感知时空先验的地理空间智能方法研究案例，探讨了时空先验表征以及集成时空先验地理空间智能的未来研究规划和应用前景。随着感知物理先验的机器学习方法研究的快速发展，我们相信感知时空先验的地理空间智能研究未来将逐步构建起跨多时空尺度的通用地理表征、分析、预测和解释框架，不仅能更好地解决地理信息科学的传统问题，还将鼓励地理学者与其他相关学科一起建立交叉研究的前沿机会，探索解决人类未来面临的共同挑战。

进入地球大数据与地球人工智能时代，数字地球建模要求也从地表扩展到全域全时全息，而当前数字地球的数据模型还基本停留在瓦片或地球网格剖分数据模型阶段，严重制约了场景化、智能化数字地球应用。本文提出了全息地球概念以及相应的地球数据立方体组织模型，采用全球多级格网参考系统来描述和表达多尺度空间，用平面或立体格元来表达空间位置，将传统“经度、纬度、高程、时间”时空表达发展至“时间粒度、时间覆盖、网格位置、格网尺度”新时空表达体系，并设计了按照“时间—空间—尺度—属性”一致性描述的全息地球数据建模方案，将矢量、栅格、格网、时序阵列、三维模型等多模态数据归纳至一个统一模型中，使得任何引用特定地球数据立方体中的数据值在时间、空间、尺度都是对齐的，解决了全息地球跨专业、多维时空动态场景数据时空融合集成难题，并结合深时数字地球国际大科学计划全球数字化科研平台需求，开发了深时古地形时空动态可视化模拟系统，完成对模型的验证。

新冠疫情给全球海洋运输业造成了严重的影响，在后疫情时代航运产业的复苏过程中蕴含新的挑战与发展机遇。现有研究时间跨度不足，无法充分认识航运网络的变化过程，其次，仅对宏观尺度空间格局变化进行分析忽略了网络变化的内在驱动因素。因此本研究基于复杂网络理论、社区探测算法和TOPSIS分析方法，提出一种航运网络多尺度变化分析框架，结合2019—2021年北美五大湖船舶轨迹数据分析整体航运网络、港口群落和港口3个尺度的变化特征。此外，还对各类型航运网络的变化机理进行追踪。研究结果表明：① 网络流量方面，疫情前货轮和牵引船交通量占比达交通量总量的80%，疫情爆发后船舶交通量总量下降22.4%，各类型船舶交通量变化的时期、速度不同，其中，游船与货轮恢复能力强，油船次之，客船交通量降幅超50%为各类最高，受影响严重且恢复能力最弱，后疫情时期交通量总量较疫情前上涨4.4%，表明网络流量恢复能力整体较强；② 网络结构方面，疫情前航运网络随气温变暖呈扩张趋势，港口数量、航线数量递增式上升，疫情后网络结构受损连通性下降，后疫情时期指标值迅速恢复、航线密度增大，期间网络“骨架”未被破坏。整体而言，五大湖航运网络韧性较强； ③ 五大湖地区大型港口群位于各大湖泊内部且空间结构稳定，重要港口位于各大湖泊交界处，疫情前后港口评价值变化过程具有复杂性与不对称性。本研究通过多尺度视角分析网络变化，方法可应用于其他交通网络分析，为从业者认识疫情对航运业的影响提供参考。

遥感卫星技术的快速发展推动了多层次、多角度、全方位、全天候的对地观测，遥感影像数据极大丰富了起来，已广泛应用于众多领域。然而，影像数据时空分辨率不一、质量参差不齐，从原始遥感数据到数据产品的处理算法多样、业务流程复杂，导致遥感数据处理结果的质量追溯较为困难。针对此，本文对多源遥感影像数据溯源信息模型进行研究，根据遥感影像的分发、处理等特点，构建了遥感影像元数据溯源信息概念模型，图谱化表示遥感影像衍生过程中的事件、实体、关系和属性信息；为了提高遥感影像溯源信息的互操作能力，对W3C（万维网联盟） PROV溯源模型进行了继承与扩展，构建了溯源信息概念模型与W3C PROV溯源模型的映射框架，实现了溯源信息的表达；提出了遥感影像元数据模型扩展方法，以支持溯源信息的嵌入。本研究丰富了遥感影像元数据的溯源信息，支持用户对遥感数据产品追踪溯源，评估其可用性和可靠性；同时，提出了基于溯源信息的遥感数据查询优化方法，提高了数据查询效率。

“地、物、化、遥”等地质矿产勘查和科研工作建立了海量的矿产调查数据，蕴含丰富的成矿构造背景、产出地质环境、矿床地质特征、矿床成因模式等与成矿和分布相关的知识。海量矿产资源相关数据向有效成矿规律知识的转换，已逐渐成为提升地质找矿精度的突破口。本文引入知识工程中本体知识表示技术，开展金矿知识图谱构建方法研究。首先，梳理了金矿成矿模式，确定了金矿概念、金矿实体以及地质特征、成矿特征等属性，运用自顶向下的领域本体知识表示方法构建金矿知识图谱的模式层；其次，基于结构化、半结构化和非结构化的多源异构地质数据源，采用深度学习模型实现金矿信息提取和语义解析，丰富金矿知识图谱的数据层，采用自底向上的方式构建金矿知识图谱；最后，基于图数据库开发了金矿知识管理系统，实现金矿数据管理、知识获取、金矿知识可视化表达、知识库管理、金矿找矿知识查询等功能。本文研究成果可形成“数据-知识”联合驱动的金矿找矿方法，为地质勘查工作中识别、控制和管理矿产资源、提升找矿精度提供参考。

犯罪预测是进行犯罪预防的前提，高效准确的犯罪预测对于提高城市管理效率、保障公共安全都具有重要的意义。当前，关于犯罪预测的已有研究大多采用单一的机器学习方法或深度学习模型，忽略了犯罪的时空依赖关系，往往难以获得准确的预测结果。本文提出一个基于深度学习技术的犯罪时空预测模型—GAERNN：① 利用GAE模型捕获犯罪案件的空间分布特征；② 将带有空间依赖关系的特征经序列化处理后作为GRU模型的输入，进一步提取犯罪序列的时间特征；③ 经全连接层处理获得犯罪时空预测结果，并选取MLP、GCN等基准模型进行对比实验，结合RMSE、MSE等多个指标对模型预测结果进行评估。实验结果表明：对于各模型预测结果可视化分析， GAERNN模型预测的可视化结果与实际数据分布最相符合；在各模型误差分析方面，相比预测性能较差的MLP， GAERNN模型各月份的RMSE分别降低了1.02、3.58、1.29以及0.45；在子模块有效性评估方面，相比其变体模型GAE-LSTM， GAERNN模型在各月份的MAPE分别降低了2.15%、10.07%、1.92%以及2.54%，说明GAERNN模型能显著提高盗窃犯罪时空预测精度，可用于城市盗窃犯罪的积极预防和有效治理。

地址匹配是地理编码的核心基础，本文针对现有地址匹配算法与地址数据库反馈交互局限性问题，提出词汇-结构-语义三层解构地址的匹配处理策略。词汇层通过地名词典和结合尾字特征的正则表达式定义粒度剖分规则，以地址词元素为基本单元完成词汇级别解析；结构层定义地址模式类型以实例化数据组织，完成顾及上下地址层级结构的模型匹配；语义层抽象地址语义形式化表达，实现融合深度语义的地址匹配。同时，本文在综合地址词元素筛选、地址层级结构剖分和地址语义理解基础上对经过完全解析的地址数据不断反哺作为数据参考，从而实现数据库支持下的算法逻辑绑定与结果集成。本文以浙江省湖州市德清县地址数据作为实例进行验证，实验结果表明，在低重复率的多次采样实验下，平均匹配率达到92.83%，正确率为95.37%；通过实例分析表明，本文方法在完善地址参考库的基础上改进算法性能和精度，能有效解决地址结构缺失和语义近似推断，适应多样地址类型。

从高维度、大数据量的时空数据中有效选择变量是时空数据领域的重要问题之一，现有的时空数据变量选择的方法在变量选择的过程中未充分考虑时空相关性，时空变量选择阶段与预测阶段分开进行，且往往需要人为设定时空点个数阈值判定变量的取舍，从而无法较为准确的选择对因变量影响最大的变量子集，导致后续预测效果较差。本文针对上述不足，提出了一种基于时空组Lasso与分层贝叶斯时空模型的变量选择方法，称为分层贝叶斯时空组Lasso变量选择模型（Hierarchical Bayesian Spatio-temporal Group Lasso Variable Selection Method， HBST-GLVS)，该方法首先利用时空组Lasso进行变量选择，通过引入最大时间滞后和最大空间邻域充分考虑时空相关性，并根据时空数据连续性，将同一时空变量的时空点进行整体惩罚，避免人为设定时空点个数引起局部片面性。然后，利用分层贝叶斯时空模型对变量选择的效果进行验证，将变量选择过程与模型验证过程置于同一框架下进行参数的调整，从而得到最优的变量子集。实验结果表明，与现有方法相比，本文方法在北京空气质量数据集、波特兰交通流数据集上的RMSE（Root Mean Square Error）和MAE（Mean Square Error）可分别降低9.6%~25.7%以及6.6%~15.9%。

作为城市的骨架，街道网络是人们日常活动的重要载体，其也在很大程度上影响着犯罪事件的分布。因此，街道微环境是研究街面犯罪空间格局及其影响机制的重要切入点。已有研究中基于街景影像的街道微环境度量，多采用语义分割单一技术提取各类环境要素在影像中的像素占比，但该方法不适宜提取行人等离散要素。近期有学者结合使用语义分割和目标检测2种技术来提取影像中复杂的环境要素，但2种方法提取的微环境要素对街面犯罪的解释还未有比较研究。为探究这一问题，本文将百度街景影像作为街道层级建成环境数据，采用上述2种做法分别提取并获得街道微观环境特征变量：第1种做法仅使用语义分割技术将所有要素以像素比例度量；第2种做法用语义分割技术将人行道、建筑、墙面、栅栏、树木和草地以像素比例度量，而用目标检测技术将街面行人和路灯以个数度量。在控制了土地利用混合度、集中劣势、街道长度和密度、犯罪吸引器和发生器后，构建零膨胀负二项回归模型以分析街道微环境特征与街面财产犯罪（如街面盗窃、扒窃）间的关系。模型中分别加入通过两种方式提取的街道微环境特征变量，并比较其对街面财产犯罪影响的差异。研究结果表明： ① 与采用语义分割单一技术提取的街道微环境特征相比，加入了结合使用语义分割和目标检测两种技术提取的街道微环境特征之后，模型表现更好，对街面财产犯罪的解释力提升了7%；尤其是对于街面行人而言，采用目标检测方法对街面行人进行计数，比采用语义分割方法提取行人的像素占比更能有效反映路段上的行人规模，其与街面财产犯罪的关联性更强，其回归系数从0.09提升到0.32，其回归系数绝对值排序从第十位提升至第三位； ② 基于街景影像提取的街道微环境特征能有效解释街面财产犯罪的发生，其中作案目标、活动支持2个维度的街道微环境特征对街面财产犯罪都产生显著影响。具体地说，街面行人规模与街面财产犯罪，如街面盗窃、扒窃，存在显著的正相关关系，而人行道、建筑、树木、草坪在影像中的平均像素占比和绿视率等均与街面财产犯罪存在显著的负相关关系。本文的研究结果对犯罪地理和环境犯罪学文献做了有益的补充，尤其在通过环境设计来预防犯罪方面。

城市热点区域的实时探测能够提高管理者对突发事件的响应能力。随着物联网、通信技术的发展，出租车运单的起讫信息实时上传至数据中心，形成了持续的上下客数据流。考虑到出租车具有全天候运营、全区域覆盖、数据时空分辨率高等特点，其上下客数据流可作为城市热点区域实时探测的有效信息源。目前，面向静态上下客数据集的热点区域探测方法不支持流式数据的处理，难以直接应用于实时的热点区域探测，而现有流式聚类算法难以同时满足低聚合成本、任意形状类簇识别、灵活扩展性等要求。面对以上挑战，本文基于分布式流计算技术，设计了适用于出租车上下客数据流的城市热点区域探测算法，基本思想为将上下客数据流映射至网格状监控单元，并以时间窗口为单位统计各监控单元热度，在此基础上进行热点单元的分布式识别，最终将热点单元汇聚为热点区域。为了避免分布式算法中聚合算子的性能瓶颈，本文进一步设计了由冗余分区、链接识别、修正规则构建、区域ID修正、区域生成等步骤组成的多阶段分布式区域合并算法。最后，本文基于分布式流计算框架Flink实现了上述算法，并使用武汉市出租车数据集、纽约市出租车上下客数据集模拟数据流开展实验，结果表明本算法可以高效挖掘城市空间的热点区域分布及其动态变化，在并行度为8时吞吐量可达9万条/s，具有较好的性能与可扩展性。

针对当前建筑群组相似模式检索中空间域和谱域相似度量方法的模型泛化能力较弱，且空间信息利用不足的问题，本文提出了一种基于变分图卷积自编码器的相似检索模型。首先，利用最小生成树构建建筑群组图数据，并将建筑物描述特征嵌入图节点中，实现建筑群组模式的定量化表达；其次，在变分图卷积自编码器重参数化模块中，加入四维超混沌系统与高斯分布融合生成的混合噪声，通过增加采样的随机性来提高模型的泛化能力；然后利用图卷积和池化代替全连接层以保留更多的空间信息，并对低维特征编码进行处理，获得建筑群组的模式特征编码；最后，利用余弦距离来获得待检索建筑群组与模式编码库中建筑群组之间的相似度，从而实现建筑群组模式的相似检索。实验结果表明，该模型能够有效提取建筑群组的模式特征，通过无监督学习实现端到端的建筑群组相似模式检索，为建筑群组模式的自动分类与相似检索提供了新的思路和方法。

挖掘可表征城市之间联系的信息并进行网络复现，已成为一种研究区域联系的重要研究范式。纪传文本地名的共现网络研究对深化理解历史地理要素、拓展城市网络分析的运用具有重要意义。本文基于对地名共现的空间网络的研究综述，提出基于地名共现词频进行网络分析的改进方法，纳入地名稀缺性及区域优势不对称性测算城市关联度，规避了现有测算方法中缺乏考虑地名稀缺性及边权不对称性所导致的信息失真。在网络复现算法检验上，使用《三国志》地名共现数据集，实现了三国时期州郡网络复现中的地理分布、层级结构表达，同时实现了州郡的区域优势识别。结果表明，新算法相较传统的地名共现算法，其计算结果反映了边权的不对称性，且在有限文本数的效度测试中区位推荐算法提高效度5‰，概率误差低于既有算法，复现地名词频的效果更为稳健。另外，既有算法计算结果均为对称联系，而由区位推荐算法得到的非对称性地域关联数据为判别区域体系的节点层级提供了统计依据。

估计给定路径的行程时间在许多城市交通系统中起着重要作用，例如导航、路线规划和拼车等。然而，现有的大多数工作都侧重于对路段或交叉路口进行单独建模，这并不能准确估计行驶时间，因为交叉路口和路段作为路径的基本要素不仅各自包含多样化的空间属性和时间动态，而且它们之间还具备较强的耦合相关性。为了解决上述问题，本论文提出了一种新颖的端到端深度学习框架，即面向行程时间估计的对偶图卷积网络（DGCN-TTE）来对交叉路口和路段进行联合建模。具体来说，这个模型采用对偶图卷积方法来捕获路口和路段的复杂关系，其中构建节点图来刻画路口之间的相关性，构建边图来表征路段之间的交互特征。为了捕捉空间和时间特征的联合关系，模型中还引入了一种在捕捉时间依赖性的同时结合了从多个邻域范围内整合多尺度空间关系的时空学习模块。本论文通过对3个真实世界的轨迹数据集上的充分的实验来评估提出的DGCN-TTE模型，结果表明该模型显著优于现有的方法，评估指标相比于次优方法最多可以获得超过10%的提升。

多中心组团发展是优化区域空间结构的重要路径，由此带来的城市空间扩展模式包含邻接型与跳跃式，亟需研究顾及城市空间多模式扩展的模拟技术。既有研究难以较好实现跳跃式斑块的模拟，主要存在无法展现城市增长过程或选取的“扩展种子点”随机性过大或模型适用尺度较小等问题。本文提出了一种耦合最大熵模型（MaxEnt）与近邻传播聚类（AP）的MaxEnt-AP-CA模型：利用MaxEnt模型寻找跳跃式扩展备选区域并进行筛选，减小了种子点的搜寻范围，降低了随机性和运算数据量，适用于更大尺度；结合AP算法得到种子点，展现跳跃式斑块的增长过程；引入“生长系数”实现多模式扩展的同步模拟。以重庆市主城都市区为研究区，使用MaxEnt-AP-CA模拟了2010—2020年城市用地的扩展情况，研究发现：① MaxEnt-AP所求种子点命中实际跳跃式斑块的准确性显著提高；② 在精度指标上，最优参数下，MaxEnt-AP-CA的FoM峰值达到0.3061，精度相比传统CA模型具有明显提高；景观形态上，MaxEnt-AP-CA在斑块规模、破碎度、聚集度上与实际情况更为接近，且能保留更多的斑块形状特征，最优模拟结果与实际城市的总体相似性为87.04%；局部细节特征上，MaxEnt-AP-CA可精准展现跳跃式增长斑块，能更准确地表达城市的真实扩展情况；③ MaxEnt-AP-CA可兼顾多模式扩展模拟，契合我国城市发展现状，有助于推动构建新型城镇化格局。

移动增强现实和地理信息系统融合正成为空间信息可视化的理想平台。针对现有增强现实跟踪注册技术描述室内空间信息位置不精确、推理空间结构弱和场景理解能力有限等问题，本文提出一种空间布局约束下的在线学习跟踪注册方法，首先使用图像特征匹配算法估计相机相对初始姿态，接着利用端到端编码-解码网络提取室内场景边缘和语义特征信息，生成2D布局假设，然后应用贪心策略细化2D布局假设并提取对应布局关键坐标点信息，最后将语义特征和布局关键坐标点作为约束条件，联合优化空间信息的初始位姿。本文方法在复杂室内场景下，注册虚拟模型最大位置误差为9 cm，最大缩放误差为17%，最大旋转误差为16°。实验结果表明，所提方法能为空间信息注册增添条件约束，实现在室内场景精确注册，并具备较强的场景理解能力。