ALAT BANTU, PUSTAKA DAN KERANGKA KERJA
•
Scikit-learn
: https://scikit-learn.org, terdiri dari alat pembelajaran mesin yang sederhana dan efisien, termasuk klasifikasi, regresi, pengelompokan, reduksi dimensi, prapemrosesan data, dan metrik evaluasi model dalam bahasa Python.• PyTorch: https://pytorch.org, sebuah kerangka kerja komputasi untuk membangun mesin dan model pembelajaran mendalam di Python.
• Tensorflow: https://www.tensorflow.org, kerangka kerja komputasi lain untuk membangun model mesin dan deep learning.
• Keras: https://keras.io, sebuah Application Pro- gramming Interface (API) jaringan saraf tingkat tinggi yang efektif dalam bahasa Python dan mudah dipelajari dan digunakan oleh sebagian besar pemula dalam bidang mesin dan deep learning.
• Hugging Face: https://huggingface.co, komunitas AI yang membangun, melatih, dan menggunakan model-model mutakhir (misalnya, transformator yang sudah dilatih sebelumnya) yang didukung oleh referensi sumber terbuka dalam mesin dan pembelajaran mendalam.
• Google Earth Engine: https://earthengine.google.com, sebuah katalog multi-petabyte dari citra satelit dan set data geospasial dengan kemampuan analisis skala planet dan API Earth Engine untuk geokomputasi dan analisis yang tersedia dalam JavaScript dan Python, misalnya, paket geemap oleh Wu (2020).
• ArcGIS GeoAI Toolbox: https://pro.arcgis.com/en/pro-app/latest/tool- reference/geoai, berisi alat yang siap pakai untuk melatih dan menggunakan mesin/deep learning yang melakukan klasifikasi dan regresi pada lapisan fitur geospasial, citra, tabel dan dataset teks.
PLATFORM KOMPUTASI
• Google Colab: https:
//research.google.com/colaboratory, sebuah platform terbuka untuk mengembangkan model pembelajaran mesin, analisis data, dan sumber-sumber pendidikan dengan antarmuka Web yang mudah digunakan dan didukung oleh komputasi awan.
• CyberGISX:
https:
//cybergisxhub.cigi.illinois.edu, sebuah platform terbuka untuk mengembangkan dan berbagi sumber daya pendidikan terbuka (misalnya, Jupyter Notebooks) tentang analisis geospasial yang intensif dan dapat direproduksi serta alur kerja yang didukung oleh perangkat lunak CyberGIS dan infrastruktur siber (Baig dkk., 2022;Wang dkk., 2013).
BIBLIOGRAFI
Arundel, ST, Li, W., dan Wang, S., 2020. GeoNat v1.0: Dataset untuk pemetaan fitur alami dengan kecerdasan buatan dan pembelajaran terawasi. Transaksi dalam SIG, 24 (3), 556- 572.
Baig, F., dkk., 2022. Cybergis-cloud: Kerangka kerja middleware terpadu untuk penelitian dan pendidikan geospasial berbasis cloud. Dalam: Praktik dan Pengalaman dalam Komputasi Riset Tingkat Lanjut, 1-4.
Chen, J., dkk., 2018. Pembelajaran mendalam dari berbagai kerumunan: Studi kasus pemetaan kemanusiaan. IEEE Transactions on Geoscience and Remote Sensing, 57 (3), 1713-1722.
Cheng, X., dkk., 2021. Sebuah metode untuk mengevaluasi kepentingan spesifik tugas dari unit spatio-temporal berdasarkan kecerdasan buatan yang dapat dijelaskan. Jurnal Internasional Ilmu Informasi Geografis, 35 (10), 2002-2025.
Chiang, Y.Y., dkk., 2020. Menggunakan Peta Historis dalam Studi Ilmiah: Aplikasi, Tantangan, dan Praktik Terbaik. Springer.
Chiappinelli, C., 2022. Think tank: GeoAI mengungkapkan sekilas tentang masa depan. Majalah WhereNext dari Esri, 1-6.
Couclelis, H., 1986. Kecerdasan buatan dalam geografi: Dugaan tentang bentuk benda-benda yang akan datang. The Professional Geographer, 38 (1), 1-11.
Gao, S., 2021. Kecerdasan Buatan Geospasial (GeoAI). Oxford University Press.
Gao, S., dkk., 2023. Edisi khusus tentang kecerdasan buatan geospasial. GeoInformatica, 1-4.
Glorot, X. dan Bengio, Y., 2010. Memahami kesulitan melatih jaringan saraf tiruan deep feedforward. In: Prosiding Konferensi Internasional Ketiga Belas tentang Kecerdasan Buatan dan Statistik. Prosiding Lokakarya dan Konferensi JMLR, 249-256.
Goodchild, MF dan Li, W., 2021. Replikasi lintas ruang dan waktu pasti lemah dalam ilmu sosial dan lingkungan. Prosiding National Academy of Sciences, 118 (35), e2015759118.
Hsu, C.Y. dan Li, W., 2023. GeoAI yang dapat dijelaskan: dapatkah peta saliency membantu menafsirkan proses pembelajaran kecerdasan buatan? Sebuah studi empiris tentang deteksi fitur alami. Jurnal Inter-nasional Ilmu Informasi Geografis, 1-25.
Hu, Y., dkk., 2019a. GeoAI di ACM SIGSPATIAL: kemajuan, tantangan, dan arah masa depan.
Sigspatial Special, 11 (2), 5-15.
Hu, Y., dkk., 2019b. Pendekatan kecerdasan buatan. Badan Pengetahuan Ilmu Pengetahuan &
Teknologi Informasi Geografis.
Ibrahim, M.R., Haworth, J., dan Cheng, T., 2021. Urban-i: Dari pemandangan kota hingga pemetaan kawasan kumuh, moda transportasi, dan pejalan kaki di kota menggunakan deep learning dan visi komputer. Lingkungan dan Perencanaan B: Analisis Perkotaan dan Ilmu Kota, 48 (1), 76-93.
Janowicz, K., dkk., 2020. GeoAI: teknik kecerdasan buatan eksplisit secara spasial untuk penemuan pengetahuan geografis dan lainnya. Jurnal Internasional Ilmu Informasi Geografis, 34 (4), 625-636.
Janowicz, K., Sieber, R., dan Crampton, J., 2022. GeoAI, AI tandingan, dan geografi manusia:
Sebuah percakapan. Dialog dalam Geografi Manusia, 12 (3), 446-458.
Kamel Boulos, MN, dkk., 2022. Menyatukan kepentingan umum kesehatan masyarakat dan privasi individu: metode dan masalah baru dalam geoprivasi. Jurnal Internasional Geografi Kesehatan, 21 (1), 1.
Kamel Boulos, MN, Peng, G., dan VoPham, T., 2019. Tinjauan umum tentang aplikasi GeoAI dalam kesehatan dan perawatan kesehatan. Jurnal Internasional Geografi Kesehatan, 18, 1- 9.
Kang, Y., dkk., 2020. Dataset aliran mobilitas manusia dinamis multiskala di AS selama epidemi Covid-19. Data Ilmiah, 1-13.
Kang, Y., Gao, S., dan Roth, R.E., 2019. Mentransfer gaya peta multiskala menggunakan jaringan permusuhan generatif. Jurnal Kartografi Internasional, 5 (2-3), 115-141.
Krizhevsky, A., Sutskever, I., dan Hinton, G.E., 2012. Klasifikasi imagenet dengan jaringan saraf konvolusional dalam. In: F. Pereira, C. Burges, L. Bottou dan K. Weinberger, eds.
Kemajuan dalam Sistem Pemrosesan Informasi Neural. vol. 25, 1-10.
LeCun, Y., Bengio, Y., dan Hinton, G., 2015. Pembelajaran mendalam. Nature, 521 (7553), 436- 444. Li, M., dkk., 2021a. Prediksi intensitas aktivitas manusia menggunakan interaksi dalam fisi
ruang fisik dan sosial melalui jaringan konvolusi graf. Jurnal Internasional Ilmu Informasi Geografis, 35 (12), 2489-2516.
Li, W., 2020. GeoAI: Di mana pembelajaran mesin dan data besar bertemu dalam GIScience.
Jurnal Ilmu Informasi Spasial, (20), 71-77.
Li, W. dan Hsu, C.Y., 2020. Identifikasi fitur medan secara otomatis dari citra penginderaan jauh:
pendekatan pembelajaran mendalam. Jurnal Internasional Sains Informasi Geografis, 34 (4), 637-660.
Li, W. dan Hsu, C.Y., 2022. GeoAI untuk analisis gambar skala besar dan visi mesin: Kemajuan terbaru kecerdasan buatan dalam geografi. ISPRS International Journal of Geo- Information, 11 (7), 385.
Li, W., Hsu, C.Y., dan Hu, M., 2021b. Hukum Pertama Tobler dalam GeoAI: Model pembelajaran mendalam yang eksplisit secara spasial untuk deteksi fitur medan di bawah pengawasan yang lemah. Annals of the American Association of Geographers, 111 (7), 1887-1905.
Li, W., dkk., 2022. GeoImageNet: dataset tolok ukur fitur alami multi-sumber untuk GeoAI dan pembelajaran mesin yang diawasi. GeoInformatica, 1-22.
Li, Z., 2022. Mengekstraksi efek spasial dari model pembelajaran mesin menggunakan metode interpretasi lokal: Contoh shap dan xgboost. Komputer, Lingkungan dan Sistem Perkotaan, 96, 101845.
Lunga, D., dkk., 2018. Jaringan konvolusi yang diadaptasi dengan domain untuk klasifikasi citra satelit: Alur kerja pembelajaran interaktif berskala besar. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11 (3), 962-977.
Ma, Y., dkk., 2022. Peramalan dinamika vegetasi dalam ekosistem terbuka dengan mengintegrasikan pembelajaran mendalam dan variabel lingkungan. Jurnal Internasional Obsevasi Bumi Terapan dan Geoinformasi, 114, 103060.
Mai, G., dkk., 2022a. GeoAI simbolik dan subsimbolik: Grafik pengetahuan geospasial dan pembelajaran mesin yang eksplisit secara spasial. Transaksi dalam SIG, 26 (8), 3118-3124.
Mai, G., dkk., 2022b. Tinjauan pengkodean lokasi untuk GeoAI: metode dan aplikasi.
Jurnal Internasional Ilmu Informasi Geografi, 36 (4), 639-673.
Mai, G., dkk., 2023. Tentang peluang dan tantangan model fondasi untuk kecerdasan buatan geospasial. arXiv preprint arXiv:2304.06798.
Nelson, T., Goodchild, M., dan Wright, D., 2022. Mempercepat etika, empati, dan kesetaraan dalam ilmu informasi geografis. Prosiding National Academy of Sciences, 119 (19), e2119967119.
Openshaw, S. dan Openshaw, C., 1997. Kecerdasan Buatan dalam Geografi. John Wiley & Sons, Inc.
Rao, J., dkk., 2021. Kerangka kerja yang menjaga privasi untuk rekomendasi lokasi menggunakan pembelajaran mesin kolaboratif yang tidak terpusat. Transaksi dalam SIG, 25 (3), 1153- 1175.
Reichstein, M., dkk., 2019. Pembelajaran mendalam dan pemahaman proses untuk ilmu sistem bumi berbasis data. Nature, 566 (7743), 195-204.
Richter, K.F. dan Scheider, S., 2023. Topik dan tantangan terkini dalam geoai. KI-Kunstliche Intelligenz, 1-6.
Scheele, C., Yu, M., dan Huang, Q., 2021. Penambangan teks yang sadar konteks geografis:
meningkatkan klasifikasi pesan media sosial untuk kesadaran situasional dengan mengintegrasikan fitur spasial dan temporal. International Journal of Digital Earth, 14 (11), 1721-1743.
Smith, T.R., 1984. Kecerdasan buatan dan penerapannya pada pemecahan masalah geografis.
The Professional Geographer, 36 (2), 147-158.
Sumbul, G., dkk., 2019. Bigearthnet: Arsip tolok ukur berskala besar untuk pemahaman penginderaan jauh. Dalam: IGARSS 2019-2019 Simposium Geosains dan Penginderaan Jauh Internasional IEEE. IEEE, 5901-5904.
Taddeo, M. dan Floridi, L., 2018. Bagaimana AI dapat menjadi kekuatan untuk kebaikan. Science, 361 (6404), 751- 752.
Van Wynsberghe, A., 2021. Ai yang berkelanjutan: Ai untuk keberlanjutan dan keberlanjutan AI.
AI dan Etika, 1 (3), 213-218.
Wang, J., Hu, Y., dan Joseph, K., 2020. Neurotpr: Model pengenalan toponim neuro-net untuk mengekstraksi lokasi dari pesan media sosial. Transaksi dalam SIG, 24 (3), 719-735.
Wang, J. dan Biljecki, F., 2022. Pembelajaran mesin tanpa pengawasan dalam studi perkotaan:
Sebuah tinjauan sistematis terhadap aplikasi. Cities, 129, 103925.
Wang, S., dkk., 2013. Perangkat lunak Cybergis: tinjauan sintetis dan peta jalan integrasi. Jurnal Inter- nasional Ilmu Informasi Geografis, 27 (11), 2122-2145.
Wang, S. dan Li, W., 2021. GeoAI dalam analisis medan: Memungkinkan pembelajaran mendalam multi-sumber dan fusi data untuk deteksi fitur alami. Komputer, Lingkungan dan Sistem Perkotaan, 90, 101715.
Wright, D.J., 2016. Menuju ketahanan digital. Elementa: Science of the Anthropocene, 4. Wu, Q., 2020. geemap: Paket python untuk pemetaan interaktif dengan mesin google earth.
Jurnal Perangkat Lunak Sumber Terbuka, 5 (51), 2305.
Xie, Y., dkk., 2021. Jaringan spasial: Kerangka kerja pembelajaran mendalam yang adaptif dan model-agnostik untuk dataset yang heterogen secara spasial. Dalam: Prosiding Konferensi Internasional ke-29 tentang Kemajuan Sistem Informasi Geografis. 313-323.
Xing, J. dan Sieber, R., 2023. Tantangan mengintegrasikan kecerdasan buatan yang dapat dijelaskan ke dalam geoai. Transaksi dalam SIG, 27 (3), 1-20.
Xiong, Z., dkk., 2022. Jaring bumi: Memberdayakan ai dalam pengamatan bumi. arXiv preprint arXiv:2210.04936.
Yan, B., dkk., 2017. Dari itdl ke place2vec: Penalaran tentang kesamaan dan keterkaitan jenis tempat dengan mempelajari embedding dari konteks spasial yang diperluas. Dalam:
Prosiding Konferensi Internasional ACM SIGSPATIAL ke-25 tentang Kemajuan Sistem Informasi Geografis, 1-10.
Zhang, Y., dkk., 2020. Model pembelajaran mendalam konvolusi graf residual yang baru untuk peramalan lalu lintas berbasis jaringan jangka pendek. Jurnal Internasional Sains Informasi Geografis, 34 (5), 969-995.
Zhao, B., dkk., 2021. Geografi palsu yang dalam? Ketika data geospasial bertemu dengan kecerdasan buatan. Kartografi dan Sains Informasi Geografi, 48 (4), 338-352.
Zheng, Y., dkk., 2010. Geolife: Layanan jejaring sosial kolaboratif antara pengguna, lokasi, dan lintasan. IEEE Data Eng. Bull, 33 (2), 32-39.
Zheng, Z. dan Sieber, R., 2022. Menempatkan manusia kembali ke dalam lingkaran pembelajaran mesin di kota pintar kanada. Transaksi dalam SIG, 26 (1), 8-24.
Zhou, B., dkk., 2022a. Pencari korban: Memanen permintaan penyelamatan dalam tanggap bencana dari media sosial dengan bert. Komputer, Lingkungan dan Sistem Perkotaan, 95, 101824.
Zhou, R.Z., dkk., 2022b. Mendapatkan ukuran pola makan dan aktivitas fisik di tingkat lingkungan dari data lokasi ponsel yang dianonimkan untuk meningkatkan estimasi obesitas. Jurnal Internasional Geografi Kesehatan, 21 (1), 1-18.
Zhu, D., dkk., 2020. Interpolasi spasial menggunakan jaringan saraf adversarial generatif bersyarat. Jurnal Internasional Sains Informasi Geografis, 34 (4), 735-758.