作者：梅菜編輯：十九谷歌提出人口動(dòng)態(tài)基礎(chǔ)模型 PDFM，并在涵蓋健康、社會(huì)經(jīng)濟(jì)與環(huán)境的 27 項(xiàng)任務(wù)中，對(duì) PDFM 進(jìn)行了插值、外推和超分辨率問(wèn)題的基準(zhǔn)測(cè)試，結(jié)果顯示該模型性能表現(xiàn)優(yōu)異。PDFM 還可與最先進(jìn)的預(yù)測(cè)基礎(chǔ)模型 (TimesFM) 結(jié)合，成功預(yù)測(cè)失業(yè)率和貧困率。疾病、經(jīng)濟(jì)危機(jī)、失業(yè)、災(zāi)害……人類世界長(zhǎng)期以來(lái)被各種各樣的問(wèn)題「侵?jǐn)_」，了解人口動(dòng)態(tài)對(duì)于解決這類復(fù)雜的社會(huì)問(wèn)題至關(guān)重要。相關(guān)人員可以通過(guò)人口動(dòng)態(tài)數(shù)據(jù)來(lái)模擬疾病的傳播，預(yù)測(cè)房?jī)r(jià)和失業(yè)率，甚至預(yù)測(cè)經(jīng)濟(jì)危機(jī)。然而，在過(guò)去幾十年間，如何準(zhǔn)確預(yù)測(cè)人口動(dòng)態(tài)，對(duì)研究人員和政策制定者來(lái)說(shuō)一直是一項(xiàng)挑戰(zhàn)。傳統(tǒng)了解人口動(dòng)態(tài)的方法往往依賴于人口普查、調(diào)查或衛(wèi)星圖像數(shù)據(jù)。這些數(shù)據(jù)固然很有價(jià)值，但它們各自都有自己的缺點(diǎn)。比如，人口普查雖然全面，但無(wú)法頻繁進(jìn)行且成本高昂；調(diào)查可以提供局部見(jiàn)解，但往往缺乏規(guī)模和普遍性；衛(wèi)星圖像提供了廣泛的概覽，但缺乏有關(guān)人類活動(dòng)的詳細(xì)信息。為了彌補(bǔ)這些缺點(diǎn)，多年來(lái)，谷歌構(gòu)建了大量數(shù)據(jù)集，希望了解人口行為特征。近日，谷歌提出了一種新穎的人口動(dòng)態(tài)基礎(chǔ)模型 (Population Dynamics Foundation Model， PDFM)，利用機(jī)器學(xué)習(xí)整合了全球范圍內(nèi)可用的豐富地理空間數(shù)據(jù)，大大擴(kuò)展了傳統(tǒng)地理空間模型的能力。在涵蓋健康、社會(huì)經(jīng)濟(jì)與環(huán)境的 27 項(xiàng)任務(wù)中，研究人員對(duì) PDFM 進(jìn)行了插值、外推和超分辨率問(wèn)題的基準(zhǔn)測(cè)試。研究發(fā)現(xiàn)，在所有 27 項(xiàng)任務(wù)的插值中，PDFM 均實(shí)現(xiàn)了最先進(jìn)性能；在外推和超分辨率任務(wù)中，有 25 項(xiàng)取得了最佳表現(xiàn)。研究人員還展示了 PDFM 可以與最先進(jìn)的預(yù)測(cè)基礎(chǔ)模型 (TimesFM) 結(jié)合，成功預(yù)測(cè)失業(yè)率和貧困率，性能優(yōu)于完全監(jiān)督的預(yù)測(cè)方法。相關(guān)研究以「General Geospatial Inference with a Population Dynamics Foundation Model」為題，發(fā)表于 arXiv。同時(shí)，研究人員在 GitHub 上發(fā)布了所有 PDFM 嵌入和示例代碼，便于研究社區(qū)將其應(yīng)用于新的用例，進(jìn)一步賦能學(xué)術(shù)研究與實(shí)踐。PDFM 項(xiàng)目開源地址：https://github.com/google-research/population-dynamic研究亮點(diǎn)：* 研究人員引入了一種解耦嵌入架構(gòu)，將嵌入維度按數(shù)據(jù)來(lái)源進(jìn)行分區(qū)，確保模型能夠關(guān)注所有輸入并保留每種數(shù)據(jù)的相關(guān)信息，同時(shí)為下游任務(wù)提供數(shù)據(jù)源級(jí)的可解釋性* 研究人員展示了如何使用 PDFM 增強(qiáng)最先進(jìn)的預(yù)測(cè)基礎(chǔ)模型 TimesFM，從而改善縣級(jí)失業(yè)率和郵政編碼級(jí)貧困率的預(yù)測(cè)。類似方法也可用于利用 PDFM 嵌入增強(qiáng)其他現(xiàn)有地理空間分類和回歸模型* 通過(guò)在插值、外推、超分辨率和預(yù)測(cè)任務(wù)中的強(qiáng)勁表現(xiàn)，研究人員證明 PDFM 可以輕松擴(kuò)展到需要地理空間建模的多種應(yīng)用場(chǎng)景，包括科研、公益事業(yè)、公共與環(huán)境健康，以及商業(yè)領(lǐng)域論文地址：https://arxiv.org/abs/2411.07207關(guān)注公眾號(hào)，后臺(tái)回復(fù)「人口動(dòng)態(tài)基礎(chǔ)模型」獲取完整 PDF開源項(xiàng)目「awesome-ai4s」匯集了百余篇 AI4S 論文解讀，并提供海量數(shù)據(jù)集與工具：https://github.com/hyperai/awesome-ai4s數(shù)據(jù)集：五大通用數(shù)據(jù)集為了開發(fā) PDFM，研究人員收集并整理了 5 大數(shù)據(jù)集，覆蓋郵政編碼和縣級(jí)的地理區(qū)域，具體如下：① 聚合搜索趨勢(shì)數(shù)據(jù)集 (Aggregated Search Trends)：研究人員計(jì)算了 2022 年 7 月前 500 個(gè)查詢的聚合計(jì)數(shù) (aggregate counts），要求其在每個(gè)郵政編碼區(qū)域內(nèi)搜索次數(shù)至少為 20 ，從而形成了超過(guò) 100 萬(wàn)條獨(dú)特查詢。然后其按這些查詢的全國(guó)范圍流行度進(jìn)行排名，以每個(gè)查詢出現(xiàn)的郵政編碼總數(shù)為指標(biāo)，從中選取了最常見(jiàn)的前 1，000 條查詢，作為全國(guó)郵政編碼級(jí)別聚合搜索趨勢(shì)活動(dòng)的代表。② 地圖數(shù)據(jù)集 (Maps)：研究人員選取了 2024 年 5 月 Google Maps 中最常見(jiàn)的 1，192 種興趣點(diǎn)類別，這些類別至少出現(xiàn)在 5% 的郵政編碼中。每個(gè)類別覆蓋了廣泛的興趣點(diǎn)位置，例如，「醫(yī)療設(shè)施」類別包括兒童醫(yī)院和大學(xué)醫(yī)院。然后其計(jì)算了每個(gè)地理邊界內(nèi)可用設(shè)施的總數(shù)，并在郵政編碼和縣級(jí)生成了一個(gè)歸一化的 1，192 維特征向量。③ 繁忙度數(shù)據(jù)集 (Busyness)：對(duì)于地圖數(shù)據(jù)中的每個(gè)興趣點(diǎn)類別，研究人員計(jì)算了這些類別在一個(gè)月內(nèi)相關(guān)地點(diǎn)的訪問(wèn)量總和，以概括這些類別的繁忙度。④ 天氣與空氣質(zhì)量 (Weather & Air Quality)：研究人員收集了天氣和空氣質(zhì)量數(shù)據(jù)，并對(duì) 2022 年 7 月的逐小時(shí)數(shù)據(jù)進(jìn)行了匯總，使用均值、最小值和最大值進(jìn)行描述。完整的變量列表包括：平均海平面氣壓、總云量、10 米高度 U 風(fēng)分量、10 米高度 V 風(fēng)分量、2 米高度溫度、2 米高度溫度、太陽(yáng)輻射、總降水率、空氣質(zhì)量指數(shù)、一氧化碳濃度、二氧化氮濃度、臭氧濃度、二氧化硫濃度、可吸入顆粒物 (<10μm) 濃度、細(xì)顆粒物 (<2.5μm) 濃度。⑤ 遙感數(shù)據(jù) (Remote Sensing)：研究人員結(jié)合了從 SatCLIP 的 ViT16-L40 版本模型生成的衛(wèi)星圖像嵌入數(shù)據(jù)，以每個(gè)郵政編碼的質(zhì)心為索引獲取嵌入。SatCLIP 模型旨在成為一個(gè)全球通用的地理位置編碼器，匯總了從 2021 年 1 月 1 日至 2023 年 5 月 17 日期間的 Sentinel-2 衛(wèi)星影像中的 10 萬(wàn)個(gè)圖塊。研究人員結(jié)合數(shù)據(jù)集與圖神經(jīng)網(wǎng)絡(luò) (GNN) 架構(gòu)，訓(xùn)練了一個(gè)生成嵌入的基礎(chǔ)模型，這些嵌入具有普適性而非針對(duì)某一特定任務(wù)。模型架構(gòu)：使用 GNN 高效直觀地解決地理空間問(wèn)題PDFM 模型的構(gòu)建如下圖所示：在第 1 階段 (Phase 1)，研究人員結(jié)合數(shù)據(jù)集與圖神經(jīng)網(wǎng)絡(luò) (GNN) 架構(gòu)，訓(xùn)練一個(gè)生成嵌入 (Embeddings) 的基礎(chǔ)模型，這些嵌入具有普適性而非針對(duì)某一特定任務(wù)；在第 2 階段 (Phase 2)，利用這些嵌入 (Embeddings) 和現(xiàn)有任務(wù)的特定真實(shí)數(shù)據(jù) (Groundtruth Data)，學(xué)習(xí)一個(gè)下游模型 (如線性回歸、簡(jiǎn)單的多層感知器或梯度增強(qiáng)決策樹)，從而將其應(yīng)用于多種任務(wù)，包括插值 (interpolation)、外推 (extrapolation)、超分辨率 (super-resolution)和預(yù)測(cè) (forecasting)。* 插值任務(wù)：是指根據(jù)已知數(shù)據(jù)點(diǎn)的值，通過(guò)推斷和填補(bǔ)未知數(shù)據(jù)點(diǎn)的值* 外推任務(wù)：是指通過(guò)已有的數(shù)據(jù)或經(jīng)驗(yàn)推斷超出當(dāng)前已知范圍的情境、趨勢(shì)或結(jié)果* 超分辨率任務(wù)：是指通過(guò)算法將低分辨率圖像或數(shù)據(jù)提升為高分辨率圖：人口動(dòng)態(tài)基礎(chǔ)模型 PDFM 的訓(xùn)練與應(yīng)用具體而言，PDFM 模型的核心是圖神經(jīng)網(wǎng)絡(luò) (GNN)，它將位置嵌入編碼為信息豐富的低維數(shù)值向量，主要有以下 5 個(gè)部分：* 圖的構(gòu)建：研究人員使用縣級(jí)和郵政編碼作為節(jié)點(diǎn)，通過(guò)近鄰關(guān)系建立邊，構(gòu)建了一個(gè)異質(zhì)的地理空間圖。構(gòu)建的地理空間圖具有同質(zhì)的節(jié)點(diǎn)集，將郵政編碼和縣級(jí)節(jié)點(diǎn)視為相同類型的節(jié)點(diǎn)集，并且具有異質(zhì)的邊集，邊的類型不同，連接著節(jié)點(diǎn)。* 子圖采樣：進(jìn)行子圖采樣，以便為大規(guī)模 GNN 的訓(xùn)練創(chuàng)建子圖，并為模型添加隨機(jī)性。其從種子節(jié)點(diǎn)開始，按照廣度優(yōu)先方式遍歷每個(gè)邊集，以加權(quán)的方式采樣固定數(shù)量的節(jié)點(diǎn)，并在到達(dá)四跳距離 (four hops) 時(shí)終止。具體而言，研究人員從種子節(jié)點(diǎn)開始，按照廣度優(yōu)先方式遍歷每個(gè)邊集，以加權(quán)的方式采樣固定數(shù)量的節(jié)點(diǎn)，并在到達(dá)四跳距離時(shí)終止。這種方法導(dǎo)致的子圖數(shù)量等于郵政編碼和縣級(jí)節(jié)點(diǎn)的總數(shù)。* 預(yù)處理：對(duì)所有特征應(yīng)用按列標(biāo)準(zhǔn)化，并通過(guò)裁剪壓縮特征值范圍的極端端點(diǎn)。* 建模與訓(xùn)練細(xì)節(jié)：采用 GraphSAGE (一種歸納方法) 來(lái)通過(guò)利用節(jié)點(diǎn)特征信息學(xué)習(xí)節(jié)點(diǎn)嵌入。GraphSAGE 可從局部鄰域聚合信息中學(xué)習(xí)生成嵌入的函數(shù)。對(duì)于聚合架構(gòu)，使用 GraphSAGE 中提出的池化架構(gòu)，其中來(lái)自鄰域節(jié)點(diǎn)的節(jié)點(diǎn)狀態(tài)通過(guò)一個(gè)帶有 ReLU 轉(zhuǎn)換的全連接層進(jìn)行傳遞，轉(zhuǎn)化后的舊狀態(tài)和鄰域節(jié)點(diǎn)狀態(tài)通過(guò)逐元素加和的方式進(jìn)一步聚合。研究人員使用 GraphSAGE 架構(gòu)來(lái)促進(jìn)一次消息傳遞，經(jīng)過(guò) GNN 層后，添加一個(gè)大小為 330 的線性層，將節(jié)點(diǎn)級(jí)表示編碼成壓縮的嵌入。* 超參數(shù)調(diào)優(yōu)：從 20% 的種子節(jié)點(diǎn) (包括縣和郵政編碼) 中均勻采樣，組成驗(yàn)證集進(jìn)行調(diào)優(yōu)，調(diào)優(yōu)的超參數(shù)包括丟棄率、節(jié)點(diǎn)嵌入的大小、GraphSAGE 隱藏單元和層的數(shù)量、嵌入大小、正則化和學(xué)習(xí)率。研究結(jié)果：在插值、外推、超分辨率和預(yù)測(cè)任務(wù)中表現(xiàn)強(qiáng)勁PDFM 是一種靈活的基礎(chǔ)模型框架，能夠應(yīng)對(duì)美國(guó)大陸范圍內(nèi)的多種地理空間挑戰(zhàn)。通過(guò)整合多樣化的數(shù)據(jù)集，PDFM 嵌入在 27 項(xiàng)健康、社會(huì)經(jīng)濟(jì)和環(huán)境任務(wù)中，超越了現(xiàn)有的最先進(jìn) (SoTA) 位置編碼方法 (如 SatCLIP 和 GeoCLIP)。在插值任務(wù)中，PDFM 在所有 27 項(xiàng)任務(wù)上表現(xiàn)出色；在外推和超分辨率任務(wù)中，則在 25 項(xiàng)任務(wù)中領(lǐng)先。此外，研究人員展示了 PDFM 嵌入如何增強(qiáng)預(yù)測(cè)模型 (如TimesFM) 的性能，從而改進(jìn)對(duì)縣級(jí)失業(yè)率和郵政編碼級(jí)貧困率等重要社會(huì)經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)。這都凸顯了其在研究、社會(huì)公益、公共與環(huán)境健康以及商業(yè)領(lǐng)域中的廣泛應(yīng)用潛力。具體實(shí)驗(yàn)結(jié)果如下：① 插值實(shí)驗(yàn)下圖展示了在健康 (Health)、社會(huì)經(jīng)濟(jì) (Socioeconomic category) 和環(huán)境 (Environmental) 三個(gè)類別的 27 項(xiàng)任務(wù)上的完整插值實(shí)驗(yàn)結(jié)果，使用 ?2 指標(biāo)評(píng)估不同模型性能（較高值表示模型更好地解釋了目標(biāo)變量標(biāo)簽的方差）。如圖，PDFM 在社會(huì)經(jīng)濟(jì)和健康任務(wù)類別中顯著優(yōu)于 SatCLIP 和 GeoCLIP。圖：插值 ?2 結(jié)果 (值越高越好)下表顯示了 PDFM 在 27 個(gè)健康、社會(huì)經(jīng)濟(jì)和環(huán)境任務(wù)，比如收入 (Income)、房屋價(jià)值 (HomeValue)、夜間燈光 (NightLights)、人口密度 (PopulationDensity)、樹木覆蓋率 (TreeCover)、海拔高度 (Elevation)、健康狀況平均值 (Health (mean) 中的插值效果。PDFM 始終表現(xiàn)優(yōu)異，在所有 27 個(gè)任務(wù)上的平均 ?2 為 0.83，其中 21 項(xiàng)健康相關(guān)任務(wù)的平均 ?2 為 0.73。表：插值 ?2 結(jié)果 (值越高越好)。這些實(shí)驗(yàn)比較了基于逆距離加權(quán) (IDW) 插值、SatCLIP 嵌入、GeoCLIP 嵌入、PDFM 嵌入及其子組件（天氣與空氣質(zhì)量、聚合搜索趨勢(shì)、地圖和繁忙度）的表現(xiàn)，使用 GBDT 作為下游模型。② 外推實(shí)驗(yàn)下圖展示了在健康 (Health)、社會(huì)經(jīng)濟(jì) (Socioeconomic category) 和環(huán)境 (Environmental) 三個(gè)類別的 27 項(xiàng)任務(wù)上的完整外推實(shí)驗(yàn)結(jié)果，依然使用 ?2 指標(biāo)評(píng)估模型性能。如圖，盡管 GeoCLIP 在處理環(huán)境任務(wù)時(shí)稍占優(yōu)勢(shì)，PDFM 在預(yù)測(cè)健康和社會(huì)經(jīng)濟(jì)變量方面明顯優(yōu)于其他所有基線模型。圖：外推 ?2 結(jié)果 (值越高越好)由于標(biāo)注數(shù)據(jù)存在顯著缺失，外推任務(wù)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。在這種情況下，PDFM 展示了優(yōu)異的性能，如下表所示，在所有指標(biāo)上的平均 ?2 為 0.70，健康相關(guān)指標(biāo)的 ?2 為 0.58。利用地理標(biāo)記圖像，GeoCLIP 在樹木覆蓋率 (TreeCover) 預(yù)測(cè)中表現(xiàn)出色，達(dá)到 ?2 =0.69，超越了 PDFM 和任何單一模態(tài)。然而，整體上，PDFM 在 27 項(xiàng)任務(wù)中的 25 項(xiàng)上超越了基線模型，突顯其在外推場(chǎng)景中的有效性。表：外推 ?2 結(jié)果 (值越高越好)③ 超分辨率實(shí)驗(yàn)下圖展示了 27 個(gè)任務(wù)的超分辨率實(shí)驗(yàn)完整結(jié)果，任務(wù)按健康 (Health)、社會(huì)經(jīng)濟(jì) (Socioeconomic category) 和環(huán)境 (Environmental) 分組，使用縣內(nèi)平均皮爾遜相關(guān)系數(shù) (r) 作為指標(biāo)（較高值表示模型的預(yù)測(cè)值與郵政編碼級(jí)別的真實(shí)標(biāo)簽更相關(guān)）。圖：平均皮爾遜相關(guān)系數(shù)結(jié)果 (值越高越好)超分辨率任務(wù)難度較大，結(jié)果總結(jié)見(jiàn)下表，IDW 在預(yù)測(cè)海拔任務(wù) (Elevation task) 中表現(xiàn)最佳，而 GeoCLIP 在樹木覆蓋率任務(wù)中表現(xiàn)最佳。總體而言，PDFM 在 27 項(xiàng)任務(wù)中的 25 項(xiàng)上表現(xiàn)優(yōu)異，平均皮爾遜相關(guān)系數(shù)為 0.48。表：平均皮爾遜相關(guān)系數(shù)結(jié)果 (值越高越好)④ 預(yù)測(cè)任務(wù)研究人員還評(píng)估了使用 PDFM 嵌入來(lái)修正 TimesFM (一種通用單變量預(yù)測(cè)基礎(chǔ)模型) 預(yù)測(cè)誤差的效果，其主要目標(biāo)是評(píng)估這些嵌入在未來(lái)時(shí)段 （6 個(gè)月的失業(yè)率預(yù)測(cè)和兩年的貧困率預(yù)測(cè)）中的改進(jìn)效果。下表中的結(jié)果顯示，結(jié)合 PDFM 嵌入的模型在 MAPE 指標(biāo)上超越了 TimesFM 的基線性能，也優(yōu)于 ARIMA——這表明 PDFM 嵌入能顯著增強(qiáng) TimesFM 的預(yù)測(cè)效果。表：預(yù)測(cè)實(shí)驗(yàn)結(jié)果研究人員基于美國(guó)縣級(jí)失業(yè)率和郵政編碼級(jí)貧困率對(duì)性能進(jìn)行了評(píng)估，并在表中呈現(xiàn)了平均絕對(duì)百分比誤差 (MAPE，值越低表示性能越優(yōu))地理空間人工智能 (GeoAI) 蓬勃發(fā)展PDFM 模型的誕生，可以說(shuō)是對(duì)地理空間數(shù)據(jù)的又一次深入挖掘和利用。所謂地理空間數(shù)據(jù)，通常涉及從許多不同來(lái)源以不同格式收集的大量時(shí)空數(shù)據(jù)，可以包括普查數(shù)據(jù)、衛(wèi)星圖像、天氣數(shù)據(jù)、手機(jī)數(shù)據(jù)、繪制圖像和社交媒介數(shù)據(jù)等信息。通過(guò)科學(xué)的方式共享、分析和使用地理空間數(shù)據(jù)，能夠?yàn)槿祟惿鐣?huì)發(fā)展提供許多有益的洞察，比如預(yù)測(cè)失業(yè)率、房?jī)r(jià)，模擬某種藥物的影響或是災(zāi)后人口的遷移等等。不過(guò)，海量的地理空間數(shù)據(jù)如何有效處理是一項(xiàng)挑戰(zhàn)，隨著人工神經(jīng)網(wǎng)絡(luò)模型的出現(xiàn)，地理空間人工智能（GeoAI）的概念應(yīng)運(yùn)而生，業(yè)界也在此方面做出了許多探索。比如，2024 年 4 月，為了提升成礦預(yù)測(cè)模型的可解釋性，以及成礦過(guò)程中因地質(zhì)因素導(dǎo)致的空間非平穩(wěn)性，浙江大學(xué)的研究團(tuán)隊(duì)提出了一種新的地理空間人工智能方法——地理神經(jīng)網(wǎng)絡(luò)加權(quán)邏輯回歸 (geographically neural network-weighted logistic regression， GNNWLR) 。該模型集成了空間模式 (spatial patterns) 和神經(jīng)網(wǎng)絡(luò)，結(jié)合 Shapley 加性解釋理論，不但能夠大幅提升預(yù)測(cè)的準(zhǔn)確性，并且能夠在復(fù)雜的空間場(chǎng)景中提升礦物預(yù)測(cè)的可解釋性。點(diǎn)擊查看詳細(xì)報(bào)道：優(yōu)于五大先進(jìn)模型，浙江大學(xué)杜震洪團(tuán)隊(duì)提出 GNNWLR 模型：提升成礦預(yù)測(cè)準(zhǔn)確性2024 年 6 月，浙江大學(xué) GIS 實(shí)驗(yàn)室的研究人員在地理信息科學(xué)領(lǐng)域知名期刊 International Journal of Geographical Information Science 上發(fā)表了題為「A neural network model to optimize the measure of spatial proximity in geographically weighted regression approach: a case study on house price in Wuhan」的研究論文，創(chuàng)新性地引入神經(jīng)網(wǎng)絡(luò)方法對(duì)觀測(cè)點(diǎn)間的多種空間鄰近性度量 (如歐式距離、旅行時(shí)間等) 進(jìn)行非線性耦合，得到優(yōu)化的空間鄰近性度量 (OSP)，從而提升模型對(duì)房?jī)r(jià)預(yù)測(cè)的準(zhǔn)確性。通過(guò)模擬數(shù)據(jù)集和市房?jī)r(jià)實(shí)證案例的研究，論文提出的模型被證明具有更好的全局性能，能更準(zhǔn)確地描述復(fù)雜的空間過(guò)程和地理現(xiàn)象。點(diǎn)擊查看詳細(xì)報(bào)道：精準(zhǔn)預(yù)測(cè)房?jī)r(jià)！浙大GIS實(shí)驗(yàn)室提出osp-GNNWR模型：準(zhǔn)確描述復(fù)雜空間過(guò)程和地理現(xiàn)象未來(lái)，隨著 AI 技術(shù)的持續(xù)發(fā)展，地理信息產(chǎn)業(yè)將擁有更堅(jiān)實(shí)的技術(shù)底座、更便捷的開發(fā)工具，從而推動(dòng)人類步入地理空間智能時(shí)代。參考資料：1.https://arxiv.org/abs/2411.072072.https://research.google/blog/insights-into-population-dynamics-a-foundation-model-for-geospatial-inference/3.https://www.ibm.com/cn-zh/topics/geospatial-data4.https://mp.weixin.qq.com/s/eQz5N-cFTtGIkDk7IqMZxA5.https://www.xinhuanet.com/science/20240627/a6bd2906134e4c7bac189c6738f1d19d/c.html最后，分享一個(gè)技術(shù)沙龍！Meet AI Compiler 第 6 期將于 12 月 28 日在上海開幕，點(diǎn)擊圖片了解講師分享主題，掃描二維碼即可直接報(bào)名。往期推薦戳“閱讀原文”，免費(fèi)獲取海量數(shù)據(jù)集資源！