Buku Panduan Kecerdasan Buatan Geospasial

(1)

Diedit oleh

Song Gao, Yingjie Hu, dan Wenwen Li

BUKU PANDUAN BUATAN GEOSPASIAL

INTELEKTUAL

(2)

Buku Pegangan Kecerdasan Buatan

Geospasial

Buku panduan komprehensif ini mencakup Kecerdasan Buatan Geospasial (GeoAI), yang merupakan integrasi dari studi geospasial dan pembelajaran mesin AI (deep) learning dan teknologi grafik pengetahuan. Buku ini menjelaskan konsep, metode, model, dan teknologi dasar utama GeoAI dan membahas kemajuan terbaru, alat penelitian, dan aplikasi yang berkisar dari pengamatan lingkungan dan penginderaan sosial hingga respons bencana alam. Sebagai buku pertama yang membahas domain yang sedang berkembang pesat ini, Handbook of Geospatial Artificial Intelligence merupakan sumber yang sangat baik bagi para pendidik, mahasiswa, peneliti, dan praktisi yang menggunakan GeoAI di berbagai bidang, seperti ilmu informasi, lingkungan dan sumber daya alam, ilmu bumi, dan geografi.

Fitur

• Memberikan pengenalan dan diskusi sistematis mengenai teori, metode, teknologi, aplikasi, dan perspektif masa depan GeoAI

• Meliputi berbagai macam aplikasi GeoAI dan studi kasus dalam praktiknya

• Menawarkan materi tambahan seperti data, kode pemrograman, alat bantu, dan studi kasus

• Membahas perkembangan terbaru dari metode dan alat GeoAI

• Termasuk kontribusi yang ditulis oleh para ahli terkemuka dalam topik GeoAI yang mutakhir Buku ini ditujukan untuk mahasiswa tingkat sarjana dan pascasarjana dari berbagai

disiplin ilmu dan mereka yang mengambil mata kuliah SIG di bidang geografi atau ilmu komputer serta insinyur perangkat lunak, insinyur industri geospasial, para profesional SIG di lembaga swadaya masyarakat, dan lembaga federal/negara bagian yang menggunakan SIG serta ingin mempelajari lebih lanjut mengenai kemajuan dan aplikasi GeoAI.

(3)

Taylor & Francis

Taylor & Francis Group

http://taylorandfrancis.com

(4)

Buku Pegangan Kecerdasan Buatan

Geospasial

Diedit oleh

Song Gao, Yingjie Hu, dan Wenwen Li

(5)

Edisi pertama diterbitkan tahun 2024 oleh CRC Press

2385 NW Executive Center Drive, Suite 320, Boca Raton FL 33431 dan oleh CRC Press

4 Park Square, Milton Park, Abingdon, Oxon, OX14 4RN CRC Press adalah imprint dari Taylor G Francis Group, LLC

© 2024 seleksi dan editorial, Song Gao, Yingjie Hu, dan Wenwen Li; bab-bab individual, para kontributor Upaya-upaya yang wajar telah dilakukan untuk mempublikasikan data dan informasi yang dapat diandalkan, namun penulis dan penerbit tidak bertanggung jawab atas keabsahan semua materi atau konsekuensi dari penggunaannya. Penulis dan penerbit telah berusaha melacak pemegang hak cipta dari semua materi yang direproduksi dalam publikasi ini dan meminta maaf kepada pemegang hak cipta jika izin untuk mempublikasikan dalam bentuk ini belum diperoleh. Jika ada materi hak cipta yang belum diketahui, mohon tulis dan beritahukan kepada kami agar kami dapat memperbaikinya pada cetakan ulang yang akan datang.

Kecuali sebagaimana diizinkan oleh Undang-Undang Hak Cipta AS, tidak ada bagian dari buku ini yang boleh dicetak ulang, direproduksi, ditransmisikan, atau digunakan dalam bentuk apa pun dengan cara elektronik, mekanis, atau cara lain, yang sekarang dikenal atau yang akan ditemukan di kemudian hari, termasuk memfotokopi, merekam, dan merekam, atau dalam sistem penyimpanan atau pencarian informasi apa pun, tanpa izin tertulis dari penerbit.

Untuk mendapatkan izin memfotokopi atau menggunakan materi secara elektronik dari karya ini, akses www.copyright.com atau hubungi Copyright Clearance Center, Inc (CCC), 222 Rosewood Drive, Danvers, MA 01923, 978-750-8400. Untuk karya yang tidak tersedia di CCC, silakan [email protected] Pemberitahuan merek dagang: Nama produk atau perusahaan dapat berupa merek dagang atau merek dagang terdaftar dan hanya digunakan untuk identifikasi dan penjelasan tanpa bermaksud untuk melanggar.

Perpustakaan Kongres Pengatalogan dalam Data Publikasi Nama: Gao, Song (Guru Geografi) editor. | Hu, Yingjie, editor.

Judul: Buku pegangan kecerdasan buatan geospasial / Diedit oleh Song Gao, Yingjie Hu, dan Wenwen Li.

Judul lainnya: Kecerdasan buatan geospasial

Deskripsi: Boca Raton, FL : CRC Press, 2024. | Termasuk referensi bibliografi dan indeks.

Pengenal: LCCN 2023030356 (cetak)| LCCN 2023030357 (ebook)| ISBN 9781032311661 (hardcover) | ISBN 9781032311678 (paperback) | ISBN 9781003308423 (ebook)

Subjek: LCSH: Data geospasial. | Kecerdasan buatan. Klasifikasi: LCC G70.217.G46 H26 2024 (cetak)| LCC G70.217.G46 (ebook) | DDC 910.285/63--dc23/eng/20231016

Catatan LC tersedia di https://lccn.loc.gov/2023030356 Catatan ebook LC tersedia di https://lccn.loc.gov/2023030357

ISBN: 978-1-032-31166-1 (hbk) ISBN: 978-1-032-31167-8 (pbk) ISBN: 978-1-003-30842-3 (ebk) DOI:

10.1201/9781003308423

Pengaturan huruf dalam font Nimbus oleh KnowledgeWorks Global Ltd.

Catatan penerbit: Buku ini telah disiapkan dari salinan siap kamera yang disediakan oleh penulis.

(6)

Isi

Ucapan Terima Kasih...ix

Kata Pengantar ...xi

Penyunting ...xv

Kontributor ...xvii

BAGIAN I Akar Sejarah GeoAI

Bab 1

Pengantar Kecerdasan Buatan Geospasial (GeoAI)...3

Song Gao, Yingjie Hu, dan Wenwen Li Bab 2

Sejarah Seribu Tahun GeoAI ...17

Helen Couclelis Bab 3

Landasan Filosofis GeoAI...26

Krzysztof Janowicz

BAGIAN II Metode GeoAI

Bab 4

Landasan Metodologi GeoAI: Jaringan Syaraf Tiruan dan Grafik Pengetahuan ...45

Song Gao, Jinmeng Rao, Yunlei Liang, Yuhao Kang, Jiawei Zhu, dan Rui Zhu Bab 5

GeoAI untuk Pemrosesan Citra Spasial ...75

Samantha T. Arundel, Kevin G. McKeehan, Wenwen Li, dan Zhining Gu

v

(7)

Bab 6

Pembelajaran Representasi Spasial dalam GeoAI ...99

Gengchen Mai, Ziyuan Li, dan Ni Lao

Bab 7

Prediksi Spasial Cerdas dan Metode Interpolasi...121

Di Zhu dan Guofeng Cao

Bab 8

Pembelajaran Mendalam yang Menyadari Heterogenitas di Ruang Angkasa: Kinerja dan Keadilan ...151

Yiqun Xie, Xiaowei Jia, Weiye Chen, dan Erhu He

Bab 9

Penjelasan dalam GeoAI...177

Ximeng Cheng, Marc Vischer, Zachary Schellin, Leila Arras, Monique M. Kuglitsch, Wojciech Samek, dan Jackie Ma

Bab 10

Validasi Silang Spasial untuk GeoAI...201

Kai Sun, Yingjie Hu, Gaurish Lakhanpal, dan Ryan Zhenqi Zhou

BAGIAN III Aplikasi GeoAI

Bab 11

GeoAI untuk Digitalisasi Peta Sejarah...217

Yao-Yi Chiang, Muhao Chen, Weiwei Duan, Jina Kim, Craig A.

Knoblock, Stefan Leyk, Zekun Li, Yijun Lin, Min Namgung, Basel Shbita, dan Johannes H. Uhl

Bab 12

Kecerdasan Buatan Spatiotemporal untuk Transportasi ...248

Tao Cheng, James Haworth, dan Mustafa Can Ozkan

Bab 13

GeoAI untuk Bantuan Kemanusiaan...260

Philipe A. Dias, Thomaz Kobayashi-Carvalhaes, Sarah Wal- ters, Tyler Frazier, Carson Woody, Sreelekha Guggilam, Daniel Adams, Abhishek Potnis, dan Dalton Lunga

Bab 14

GeoAI untuk Tanggap Bencana ...287

Lei Zou, Ali Mostafavi, Bing Zhou, Binbin Lin, Debayan Mandal, Mingzheng Yang, Joynal Abedin, dan Heng Cai

Daftar Isi vii

Bab 15

GeoAI untuk Kesehatan Masyarakat...305

(8)

Dieter Pfoser, Joon-Seok Kim, dan Amira Roess

Bab 16

GeoAI untuk Pertanian...330

Chishan Zhang, Chunyuan Diao, dan Tianci Guo

Bab 17

GeoAI untuk Penginderaan Perkotaan ...351

Filip Biljecki

BAGIAN IV Perspektif Masa Depan GeoAI

Bab 18

Reproduksibilitas dan Replikasi dalam GeoAI...369

Peter Kedron, Tyler D. Hoffman, dan Sarah Bardin

Bab 19

Privasi dan Etika dalam GeoAI...388

Grant McKenzie, Hongyu Zhang, dan Se´bastien Gambs

Bab 20

Masa Depan GeoAI yang Humanis...406

Bo Zhao dan Jiaxin Feng

Bab 21

Maju Cepat dari Data ke Wawasan: Grafik Pengetahuan (Geografis) dan Aplikasinya ...411

Krzysztof Janowicz, Kitty Currier, Cogan Shimizu, Rui Zhu, Meil- ing Shi, Colby K. Fisher, Dean Rehberger, Pascal Hitzler, Zilong Liu, dan Shirly Stephen

Bab 22

Berpikir ke Depan pada GeoAI...427

Shawn Newsam

Indeks

...435

(9)

Taylor & Francis

(10)

Ucapan terima kasih

Para editor mengucapkan terima kasih yang sebesar-besarnya kepada seluruh penulis bab dan pengulas atas kontribusi mereka yang sangat berharga terhadap buku panduan GeoAI ini. Para editor mengucapkan terima kasih kepada Profesor Michael F.

Goodchild dan Profesor Krzysztof Janowicz atas komentar dan bimbingan mereka yang berharga dalam penyusunan buku panduan ini. Para editor juga mengucapkan terima kasih kepada para mahasiswa dari University of Wisconsin-Madison berikut ini: Yuchi Ma, Jacob Kruse, Yuhan Ji, dan Dong Gai atas bantuan editorial mereka di semua bagian buku ini.

ix

(11)

Taylor & Francis

(12)

Kata Pengantar

Michael F. Goodchild

Departemen Geografi, Universitas California, Santa Barbara [email protected]

Merupakan suatu kehormatan besar bagi saya untuk diminta menyumbangkan kata pengantar pada Buku Pegangan Kecerdasan Buatan Geospasial ini. GeoAI dengan cepat menjadi topik utama penelitian dan pengembangan baru dalam geografi, ilmu informasi geografis (GI), dan dalam banyak disiplin ilmu yang berhubungan dengan pola dan proses kompleks yang dapat ditemukan dalam domain geografis (yaitu, permukaan dan dekat permukaan Bumi). Bagi anjing tua ini, hal ini tidak hanya mewakili serangkaian trik baru yang menarik, tetapi juga menghidupkan kembali bidang ilmu geografi yang lama dalam bidang yang pada dasarnya berbeda dari apa yang telah ada sebelumnya. Ilmu ini diuntungkan oleh badai tren yang sempurna:

tersedianya banyak sumber data baru, mulai dari penginderaan jarak jauh, media sosial, dan jaringan sensor; akses terhadap sumber daya komputasi yang hampir tak terbatas;

dan munculnya metode baru yang kuat untuk analisis data dan pembelajaran mesin.

Secara lebih mendasar, GeoAI mencerminkan pergeseran radikal dalam pendekatan kita dalam memahami domain geografis. Setengah abad yang lalu, ilmu geografi mencontoh ilmu-ilmu senior seperti fisika dan kimia dalam mencari prinsip-prinsip universal (Bunge, 1966). Prinsip-prinsip ini harus berlaku di mana saja dan kapan saja, seperti halnya tabel periodik unsur Mendeleev. Prinsip-prinsip ini juga harus sederhana, sesuai dengan prinsip yang dikenal sebagai Pisau Cukur Occam: ketika ada dua hipotesis yang dapat menjelaskan fenomena yang sama, kita harus memilih yang lebih sederhana. Penggunaan hukum gravitasi Newton untuk menjelaskan bagaimana komunikasi manusia cenderung berkurang seiring bertambahnya jarak merupakan contoh yang sangat baik, dan mengarah pada penelitian yang ekstensif tentang pemodelan interaksi sosial. Kenyataan bahwa model-model tersebut tidak akan pernah memberikan kecocokan yang sempurna dengan data geografis yang sebenarnya tidak nyaman, tetapi estimasi mereka tetap cocok untuk digunakan dalam sejumlah aplikasi.

Selain itu, model-model tersebut memberikan norma atau standar yang akan membantu dalam mengidentifikasi pengecualian, anomali, dan kasus-kasus khusus.

Namun, pada pertengahan tahun 1980-an, upaya untuk mengejar ilmu geografi dengan menggunakan fisika telah berakhir. Dunia geografis jelas terlalu kompleks untuk penjelasan mekanistik, dan teknik yang lebih kuat diperlukan jika kita ingin menemukan pola dan mengidentifikasi proses. Beberapa orang mengejar teknik yang meninggalkan universalitas dengan mengadopsi apa yang kita sebut sebagai metode berbasis tempat, yang memungkinkan penjelasan yang bervariasi di seluruh ruang atau waktu, atau keduanya (misalnya, Regresi Geografis Tertimbang; Fotheringham, Brunsdon, dan Charlton, 2002). Pihak lain mulai membangun mesin analisis yang akan mengeksplorasi seluruh rangkaian model daripada beberapa hipotesis yang didefinisikan secara sempit. Openshaw, misalnya, membangun serangkaian apa yang disebutnya sebagai mesin analisis geografis yang akan memberikan peran yang lebih besar kepada data dalam mendorong proses pemilihan model; kemudian pendekatan ini diabadikan dalam

xi

(13)

Pengantar

prinsip Paradigma Keempat, "Biarkan data berbicara sendiri" (Hey, Tans- ley, dan Tolle, 2009). Openshaw adalah pengguna awal istilah kecerdasan buatan, dan ide-idenya dikumpulkan dalam sebuah buku yang berjudul tepat namun sangat tepat waktu yang diterbitkan tak lama sebelum pergantian abad (Openshaw dan Openshaw, 1997).

Dengan nada yang sama, Dobson mulai menulis tentang apa yang disebutnya sebagai geografi otomatis (Dobson, 1983); baik dia maupun Openshaw berpendapat bahwa komputer harus semakin dilibatkan dalam proses penelitian.

Beberapa dekade kemudian, ide-ide ini memasuki arus utama ilmu geografi, tetapi dengan perbedaan penting. Meskipun Dobson dan Openshaw dilatih dalam teknik analisis geografis yang spesifik untuk domain tertentu, metode pembelajaran mesin saat ini tidak berasal dari ilmu pengetahuan domain tertentu, melainkan menerapkan pendekatan dasar yang pada dasarnya sama, apa pun bidangnya. Dengan demikian, salah satu kebutuhan yang paling mendesak dalam GeoAI adalah teknik yang menggabungkan prinsip-prinsip umum yang kita ketahui benar dalam domain geografis: ketergantungan spasial, heterogenitas spasial, penskalaan, dll. Namun, meskipun mereka mungkin tampak netral, dapat diterapkan dengan baik pada domain apa pun, teknik-teknik seperti jaringan syaraf dan yang lebih baru seperti DCNN (jaringan syaraf tiruan konvolusi dalam) mungkin sampai batas tertentu meniru gagasan-gagasan yang belum sempurna mengenai cara kerja otak manusia dan pencarian pola secara naluriah. Tampaknya agak ironis bahwa dalam menolak model mekanistik sederhana dari fisika klasik, kita telah condong ke dunia jaringan saraf yang jauh lebih kompleks tetapi mirip mekanistik. Selain itu, seperti yang ditunjukkan oleh beberapa bab dalam buku ini, penggunaan DCNN untuk menganalisis citra satelit secara eksplisit menggunakan konsep geografis tentang ketergantungan spasial, atau yang biasa kita kenal sebagai Hukum Pertama Geografi Tobler. Pergeseran dalam kerangka kerja konseptual untuk ilmu geografi, dari mekanika Newtonian ke jaringan saraf, telah mengarah ke hal lain yang sama mendasarnya. Ilmu pengetahuan selalu mementingkan penjelasan dan pemahaman, serta memperlakukan deskripsi dan prediksi sebagai produk sampingan yang lebih rendah, namun tetap berguna. Hasil yang tidak mampu menjelaskan dapat digambarkan dengan agak merendahkan sebagai

"jurnalistik", "kurva-pas", atau "deskripsi belaka". Namun, sebagian pertumbuhan ilmu data dan pembelajaran mesin yang sangat cepat telah didorong oleh keberhasilan komersial yang nyata dari pendekatan-pendekatan ini dalam memprediksi, dan meskipun upaya keras telah dilakukan untuk mengekstraksi pemahaman dan kemampuan untuk direplikasi dari teknik-teknik ini, hasilnya sejauh ini mengecewakan.

Ini bukan berarti bahwa pencarian dan klasifikasi atas arsip digital yang sangat besar bukanlah kontribusi penting bagi ilmu pengetahuan ketika didorong oleh GeoAI, namun tetap saja tidak memenuhi tujuan utama dan tradisional dari eksplorasi dan pemahaman dan mungkin lebih baik dipahami sebagai penghasil hipotesis daripada penguat hipotesis. Singkatnya, disiplin baru GeoAI ini tidak hanya memperkenalkan beberapa teknik yang berharga, tetapi juga menantang pendekatan kita terhadap ilmu pengetahuan dengan cara yang sangat mendasar. Saya harap Kata Pengantar ini memberikan konteks untuk apa yang akan dibahas selanjutnya, dan membantu pembaca untuk memahami pergeseran yang sangat signifikan dalam ilmu geografi yang digembar-gemborkan.

BIBLIOGRAFI

Bunge, W. (1966) Geografi Teoritis. Lund: Gleerup.

Dobson, J.E. (1983) Geografi otomatis. The Professional Geographer. 35(2): 135-143.

(14)

Fotheringham, A.S., C. Brunsdon, dan M. Charlton (2002) Regresi Berbobot Geografis: Analisis Hubungan yang Bervariasi Secara Spasial. Hoboken, NJ: Wiley.

Hey, T., S. Tansley, dan K. Tolle, editor (2009) Paradigma Keempat: Penemuan Ilmiah Intensif Data. Redmond, WA: Microsoft Research.

Openshaw, S. dan C. Openshaw (1997) Kecerdasan Buatan dalam Geografi. Chichester: Wiley.

(15)

Taylor & Francis

(16)

Editor

Song Gao

Universitas Wisconsin-Madison

[email protected]

Song Gao adalah seorang profesor dan Direktur Laboratorium Ilmu Data Geospasial di University of Wisconsin-Madison. Beliau meraih gelar PhD di bidang geografi di University of California, Santa Barbara, gelar MS di bidang kartografi dan SIG di Peking University, dan gelar BS dengan predikat terbaik di School of Geography, Beijing Normal University. Minat penelitian utamanya meliputi ilmu data geospasial dan pendekatan GeoAI untuk mobilitas manusia dan penginderaan sosial. Dia adalah (co-)penulis dari 80 artikel yang ditinjau oleh rekan sejawat di jurnal internasional dan prosiding konferensi. Dia adalah (co-)PI dari beberapa hibah penelitian dari NSF, WARF, Microsoft AI untuk industri kebumian dan geospasial, dan penerima berbagai beasiswa dan penghargaan penelitian dan pengajaran di tingkat nasional/internasional seperti Waldo Tobler Young Researcher Award in GIScience, UCGIS Early-Mid Career Research Award, dan AAG SAM Emerging Scholar Award. Beliau menjabat sebagai associate editor untuk IJGIS (saat ini) dan Annals of GIS (2018-2022) dan anggota dewan editorial untuk Scientific Reports, Scientific Data, Geoinformatica, TGIS, dan CaGIS. Dia adalah salah satu penyelenggara utama Simposium AAG tentang GeoAI dan Deep Learning, lokakarya GeoAI di ACM SIGSPATIAL, dan webinar GeoAI di CPGIS.

Universitas Yingjie Hu di Buffalo

[email protected]

Yingjie Hu adalah seorang profesor di Departemen Geografi di Universitas Buffalo (UB). Dia juga merupakan profesor tambahan di Departemen Ilmu Komputer dan Teknik di UB dan profesor afiliasi dari UB AI and Data Sci- ence Institute. Bidang penelitian utamanya adalah GeoAI. Secara khusus, penelitiannya mengintegrasikan data geospasial, analisis spasial, dan metode AI untuk memahami interaksi manusia dan lingkungan dan untuk mengatasi beberapa masalah menantang yang dihadapi masyarakat kita, seperti yang terkait dengan bencana alam, kesehatan masyarakat, dan konservasi ekosistem. Beliau meraih gelar PhD dari Departemen Geografi di University of California Santa Barbara. Beliau menerima gelar MS dan BS dari East China

xv

(17)

Universitas Normal. Dia adalah penulis lebih dari 50 artikel yang telah diulas oleh rekan sejawat di jurnal dan konferensi internasional terkemuka. Dia dan karyanya menerima penghargaan di tingkat internasional, nasional, dan universitas, termasuk Waldo-Tobler Young Researcher Award, GIScience 2018 Best Full Paper Award, UB Exceptional Scholar: Young Investi- gator Award, Jack and Laura Dangermond GIS Graduate Fellow Award, dan AAG International Geographic Information Fund Award.

Penelitiannya juga diliput oleh media-media besar seperti CNN, NPR, Reuters, dan VOA News.

Wenwen Li Arizona State University

[email protected]

Wenwen Li adalah profesor penuh di Sekolah Ilmu Geografi dan Perencanaan Kota di

Arizona State University, di mana ia memimpin Cyberinfrastructure and Computational

Intelligence Lab. Minat penelitiannya terletak pada bidang ilmu informasi geografis,

dengan fokus pada infrastruktur siber, data besar, dan GeoAI untuk ilmu lingkungan

dan sosial yang intensif dengan data. Karya Li telah diaplikasikan dalam berbagai

disiplin ilmu, termasuk ilmu kutub, klimatologi, kesehatan masyarakat, hidrologi, dan

studi perkotaan. Dia telah menerima dukungan penelitian dari berbagai lembaga

pendanaan seperti National Science Foundation (NSF), United States Geological

Survey (USGS), dan Open Geospatial Consortium. Li menjabat sebagai Ketua

kelompok khusus infrastruktur siber Association of American Geographers (AAG) dari

tahun 2013 hingga 2014 dan saat ini menjabat sebagai Ketua Komite Penelitian

Konsorsium Ilmu Informasi Geografi Universitas. Sebagai pengakuan atas

kontribusinya, Li menerima penghargaan NSF CAREER pada tahun 2015 dan NSF

Mid-Career Advancement Award pada tahun 2021. Ia juga terpilih sebagai AAG

Fellow pada tahun 2023.

(18)

Kontributor

Joynal Abedin

Universitas Texas A&M

Daniel S. Adams

Laboratorium Nasional Oak Ridge

Taylor Anderson

Universitas George Mason

Leila Arras

Fraunhofer Heinrich Hertz Institute

Samantha T. Arundel

Survei Geologi AS (U.S. Geological Survey)

Sarah Bardin

Universitas Negeri Arizona

Filip Biljecki

Universitas Nasional Singapura

Heng Cai

Guofeng Cao

Universitas Colorado Boulder

Muhao Chen

Universitas California Selatan

Weiye Chen

Universitas Maryland, College Park

Tao Cheng

University College London

Ximeng Cheng

Yao-Yi Chiang

Universitas Minnesota, Kota Kembar

Helen Couclelis

Universitas California, Santa Barabra

Kitty Currier

Universitas California, Santa Barbara

Chunyuan Diao

University of Illinois Urbana-Champaign

Philipe A. Dias

Weiwei Duan

Jiaxin Feng

Universitas Washington

Colby K. Fisher

Laboratorium Hydronos

Tyler J. Frazier

xvii

(19)

Se´bastien Gambs

Universite´ du Que´bec a` Montre´al

Song Gao

Universitas Wisconsin-Madison

Michael F. Goodchild

Zhining Gu

Sreelekha Guggilam

Tianci Guo

James Haworth

Erhu He

2. Universitas Pittsburgh

Pascal Hitzler

Universitas Negeri Kansas

Tyler D. Hoffman

Yingjie Hu

Universitas di Buffalo

Krzysztof Janowicz

Universitas Wina

Xiaowei Jia

2. Universitas Pittsburgh

Yuhao Kang

Hamdi Kavak

Peter Kedron

Jina Kim

Joon-Seok Kim

Craig A. Knoblock

Thomaz Kobayashi-Carvalhaes

Monique M. Kuglitsch

Gaurish Lakhanpal

Sekolah Menengah Atas Adlai E. Stevenson

Ni Lao

Google

Stefan Leyk

Wenwen Li

Zekun Li

(20)

Ziyuan Li

Universitas Connecticut

Yunlei Liang

Binbin Lin

Yijun Lin

Zilong Liu

Universitas Wina

Dalton Lunga

Jackie Ma

Gengchen Mai

Universitas Georgia

Debayan Mandal

Kevin G. McKeehan

Survei Geologi AS (U.S. Geological Survey)

Grant McKenzie

Universitas McGill

Ali Mostafavi

Min Namgung

Shawn Newsam

Universitas California, Merced

Mustafa Can Ozkan

Dieter Pfoser

Abhishek Potnis

Jinmeng Rao

Dean Rehberger

Universitas Negeri Michigan

Amira Roess

Wojciech Samek

Fraunhofer Heinrich Hertz Institute Technische Universita¨t Berlin

Zachary Schellin

Basel Shbita

Meilin Shi

Universitas Wina

Cogan Shimizu

Universitas Negeri Wright

Shirly Stephen

(21)

Kai Sun

Johannes H. Uhl

Marc Vischer

Sarah E. Walters

Carson Woody

Yiqun Xie

Universitas Maryland, College Park

Mingzheng Yang

Chishan Zhang

Hongyu Zhang

Universitas McGill

Bo Zhao

Universitas Washington

Bing Zhou

Ryan Zhenqi Zhou

Di Zhu

Jiawei Zhu

Central South University

Rui Zhu

Universitas Bristol

Lei Zou

Andreas Zu¨ fle

Universitas Emory

(22)

Bagian I

Akar Sejarah GeoAI

(23)

Taylor & Francis

(24)

1 Pengantar Kecerdasan Buatan Geospasial

(GeoAI)

Song Gao

Laboratorium GeoDS, Departemen Geografi, Universitas Wisconsin-Madison

Yingjie Hu

Laboratorium GeoAI, Departemen Geografi, Universitas di Buffalo

Wenwen Li

Laboratorium CICI, Fakultas Ilmu Geografi dan Perencanaan Kota, Universitas Negeri Arizona

ISI

1.1 Pendahuluan...3 1.2 Gambaran Umum Buku Panduan GeoAI ...5 1.3 Pertanyaan Penelitian dan Refleksi Pengembangan GeoAI...9 1.4 Ringkasan ...10 1.5 Daftar Alat dan Sumber Daya GeoAI...11 Daftar Pustaka...13

1.1 PENDAHULUAN

Jarang sekali geografi tersentuh oleh perkembangan yang berpotensi mempengaruhi secara substansial semua aspek praktis, teknis, metodologis, teoritis dan filosofis dari pekerjaan kita. - Couclelis (1986)

Kecerdasan buatan geospasial (GeoAI) adalah bidang interdisipliner yang telah mendapatkan banyak perhatian dari akademisi dan industri (Chiappinelli, 2022; Gao, 2021; Hu

dkk., 2019a; Li, 2020; Richter dan Scheider, 2023). Penelitian ini

menggabungkan berbagai topik penelitian yang berkaitan dengan geografi dan AI, seperti mengembangkan program komputer cerdas untuk meniru persepsi manusia tentang lingkungan dan penalaran spasial, menemukan pengetahuan baru tentang fenomena geografis, dan memajukan pemahaman kita tentang interaksi manusia- lingkungan dan sistem Bumi. Meskipun beragam, penelitian GeoAI memiliki fokus yang sama pada konteks spasial dan memiliki akar

DOI: 10.1201/9781003308423-1 3

(25)

dalam geografi dan ilmu informasi geografis (GIS). Tiga faktor utama yang mendorong perkembangan pesat GeoAI: kemajuan dalam teori dan metode AI, ketersediaan berbagai data besar geospasial, dan peningkatan dalam perangkat keras (misalnya, unit pemrosesan grafis, GPU) dan kemampuan komputasi. Penelitian baru juga bermunculan seiring dengan teknologi AI terbaru, seperti model bahasa besar, ChatGPT, dan model fondasi AI lainnya.

Integrasi geografi dan AI dapat ditelusuri kembali ke karya awal Couclelis (1986);

Openshaw dan Openshaw (1997); Smith (1984). Sebelum penelitian GeoAI yang mengganggu, banyak metode dan teknik AI yang telah diintegrasikan dan ditingkatkan dalam penelitian geospasial. Metode dan teknik AI ini termasuk jaringan syaraf tiruan (JST), pencarian heuristik, sistem pakar berbasis pengetahuan, komputasi saraf, dan kehidupan buatan (misalnya, cellular automata) pada tahun 1980-an; pemrograman genetik, logika fuzzy, dan sistem cerdas hibrida pada tahun 1990-an; serta ontologi, semantik web, dan pencarian informasi geografis (GIR) pada tahun 2000-an. Sejak sekitar tahun 2010, deep learning mulai menunjukkan kinerja yang luar biasa dengan terobosan-terobosan yang dibuat dalam melatih DNN (Glorot dan Bengio, 2010). Pada tahun 2012, jaringan syaraf tiruan, AlexNet, mencapai kinerja terbaik dalam Tantangan Pengenalan Visual Skala Besar ImageNet (Krizhevsky et al., 2012). Pada tahun-tahun berikutnya, dampak dari deep learning menjangkau banyak domain di luar ilmu komputer (LeCun et al., 2015) termasuk geografi dan ilmu kebumian (Reichstein et al., 2019).

Melihat perkembangan pesat deep learning dan potensinya dalam penelitian geospasial, kami menyelenggarakan serangkaian lokakarya dan simposium mulai tahun 2017 untuk mempromosikan penelitian GeoAI dalam konferensi seperti pertemuan tahunan Asosiasi Ahli Geografi Amerika Serikat (AAG) dan ACM SIGSPATIAL (Hu

dkk., 2019a). Selain itu, kami juga menyelenggarakan edisi khusus dalam jurnal, seperti

edisi khusus

Teknik Kecerdasan Buatan untuk Penemuan Pengetahuan Geografis di Jurnal Inter- nasional Ilmu Informasi Geografis

(Janowicz

dkk., 2020), edisi khusus

tentang

GeoAI simbolik dan subsimbolik: Grafik pengetahuan geospasial dan pembelajaran mesin eksplisit secara spasial di jurnal Transaksi dalam GIS (Mai dkk.,

2022a), dan edisi khusus tentang Kecerdasan

Buatan Geospasial

di jurnal

GeoInformatika (Gao dkk., 2023).

Saat kami mempersiapkan buku panduan ini untuk tahun 2022 dan 2023, telah ada penelitian GeoAI baru tentang peningkatan kesehatan individu dan populasi (Kamel Boulos

dkk., 2019; Zhou dkk., 2022b), meningkatkan ketahanan masyarakat dalam

bencana alam (Scheele dkk, 2021; Wang dkk., 2020; Zhou dkk., 2022a), memungkinkan pemetaan medan secara otomatis dan cerdas (Arundel

dkk., 2020; Li dan Hsu, 2020;

Wang dan Li, 2021), memprediksi arus lalu lintas secara spasial dan temporal (Li dkk.,

2021a; Zhang

dkk., 2020), meramalkan dampak perubahan iklim terhadap ekosistem

(Ma

et al., 2022; Reich- stein et al., 2019), membangun komunitas dan kota yang

cerdas dan terhubung (Wang dan Biljecki, 2022; Ibrahim

et al., 2021a), mendukung

pemetaan kemanusiaan (Chen

et al, 2018; Lunga et al., 2018), mengekstraksi

pengetahuan dari peta bersejarah (Chiang

et al., 2020), mentransfer gaya peta secara

otomatis dalam Kartografi (Kang

et al., 2019), dan meningkatkan perlindungan

geoprivasi (Kamel Boulos

et al., 2022; Rao et al., 2021). Selain menggunakan GeoAI

untuk mengatasi tantangan masyarakat, banyak penelitian juga telah

(26)

telah dikhususkan untuk pengembangan metodologis, seperti memasukkan prinsip- prinsip spasial ke dalam model AI untuk mengembangkan model yang eksplisit secara spasial (Mai et al., 2022a; Xie et al., 2021), memajukan interpolasi spasial dan metode prediksi (Zhu

et al, 2020), merepresentasikan fitur geografis dengan lebih baik dalam

menanamkan ruang (Mai et al., 2022b; Yan et al., 2017), dan meningkatkan penjelasan model GeoAI (Cheng et al., 2021; Hsu dan Li, 2023; Xing dan Sieber, 2023; Zheng dan Sieber, 2022).

Meskipun banyak penelitian yang ada, namun penelitian tersebut tersebar dalam literatur dan, akibatnya, sulit bagi para pelajar dan mahasiswa yang baru mengenal GeoAI untuk memahami dengan cepat pandangan lapangan dan mempelajari beberapa aplikasi yang memungkinkan. Buku Pegangan GeoAI ini bertujuan untuk mengisi kesenjangan tersebut. Berikut ini, kami memberikan gambaran umum dari buku ini.

1.2 IKHTISAR BUKU PANDUAN GEOAI

Dalam buku panduan ini, pertama-tama kami akan mengulas akar sejarah AI dalam geografi dan GI-Sains di Bagian I: Akar Sejarah GeoAI (Bab 1-3). Kemudian, kami memperkenalkan dasar-dasar dan perkembangan terkini dalam metode dan alat GeoAI di Bagian II: Metode GeoAI (Bab 4-10). Bab-bab ini mencakup topik-topik mengenai fondasi metodologis (jaringan syaraf tiruan dan graf pengetahuan), pemrosesan citra spasial, pembelajaran representasi spasial, prediksi spasial cerdas dan interpolasi, pembelajaran mendalam yang sadar akan heterogenitas spasial, kemampuan menjelaskan dalam GeoAI, dan validasi silang spasial untuk model-model GeoAI.

Bagian III: Aplikasi GeoAI

(Bab 11-17) menyajikan berbagai aplikasi GeoAI dalam bidang kartografi dan pemetaan, transportasi, bantuan kemanusiaan, tanggap bencana cerdas, kesehatan masyarakat, agrikultur, dan penginderaan perkotaan. Terakhir,

Bagian IV: Perspektif Masa Depan GeoAI (Bab 18-22) menawarkan perspektif untuk

pengembangan GeoAI di masa depan, termasuk replikasi dan reproduksibilitas, privasi dan etika, aspek humanistik, pemikiran tentang grafik pengetahuan geospasial, dan arah GeoAI di masa depan. Berikut ini, kami akan merangkum setiap bab secara singkat.

Bab 2

Sejarah Seribu Tahun GeoAI

oleh H. Couclelis memperkenalkan asal-usul konsep GeoAI sepanjang sejarah, yang terlihat jelas dalam mitologi Yunani kuno dengan kisah-kisah seperti raksasa Talos dan makhluk buatan lainnya. Bertransisi lebih dekat ke masa kini, terutama dengan dimulainya kontribusi Turing di bidang ini, bab ini memberikan gambaran singkat tentang kemajuan AI yang mencakup tujuh tahun terakhir. Bab ini membedakan antara dua interpretasi AI dalam geografi: interpretasi yang luas dan interpretasi yang lebih spesifik secara geografis. Kemudian, bab ini membahas berbagai macam rasa GeoAI: Program, Jaring Syaraf, Spekulasi, dan Menjadi Manusia.

Bab 3

Landasan Filosofis GeoAI

oleh K. Janowicz menyajikan beberapa asumsi dan prinsip dasar yang dapat membentuk landasan filosofis GeoAI dan ilmu data spasial. Alih-alih meninjau karakteristik data spasial (analisis) yang sudah mapan, termasuk interaksi, lingkungan, dan autokorelasi, bab ini menyoroti tema-tema seperti keberlanjutan, bias dalam pelatihan data, keragaman pengetahuan skema, dan (potensi kurangnya) netralitas sistem GeoAI dari sudut pandang etika yang menyatukan.

Merefleksikan implikasi etika profesi kita akan membantu kita dalam melakukan

penelitian yang berpotensi mengganggu secara lebih bertanggung jawab,

mengidentifikasi jebakan dalam merancang, melatih, dan menerapkan GeoAI berbasis

(27)

sistem, dan mengembangkan pemahaman bersama tentang manfaat serta potensi bahaya penelitian AI di berbagai bidang akademik.

Bab 4

Landasan Metodologi GeoAI: Deep Neural Networks and Knowledge Graphs

oleh Gao dkk. memberikan gambaran umum mengenai fondasi metodologis GeoAI, dengan fokus pada penggunaan deep learning dan knowledge graphs. Bab ini mencakup berbagai konsep dan arsitektur utama yang terkait dengan jaringan saraf konvolusi, jaringan saraf berulang, transformator, jaringan saraf grafik, jaringan lawan generatif, pembelajaran penguatan, dan grafik pengetahuan. Tujuan dari bab ini adalah untuk menyoroti pentingnya dan cara-cara untuk menggabungkan pemikiran dan prinsip-prinsip spasial ke dalam pengembangan model AI yang eksplisit secara spasial dan grafik pengetahuan geospasial.

Bab 5 GeoAI untuk Pemrosesan Citra Spasial oleh Arundel et al. menyajikan tinjauan umum mengenai sejarah pemrosesan citra (digital), aplikasi pemrosesan citra berbasis GeoAI, dan peran GeoAI dalam memajukan metode dan penelitian pemrosesan citra. Bab ini juga membahas tantangan dalam menggunakan GeoAI untuk pemrosesan citra terkait anotasi data pelatihan, masalah skala, resolusi, dan perubahan ruang dari waktu ke waktu. Terakhir, penulis berbagi pemikiran tentang penelitian di masa depan tentang aljabar geometrik, menangani masalah penjelasan dan etika, menggabungkan GeoAI dan pemodelan fisik, dan menggunakan basis pengetahuan sebagai masukan/kendala untuk model GeoAI. Bab 6 Pembelajaran Representasi

Spasial dalam GeoAI oleh Mai dkk. memperkenalkan konsep pembelajaran representasi

spasial (SRL), yang merupakan seperangkat teknik yang menggunakan jaringan saraf dalam (deep neural network/DNN) untuk mengkodekan dan menampilkan berbagai jenis data spasial dalam bentuk titik, poligon, poligon, grafik, dan lain-lain. Bab ini membahas karya-karya yang sudah ada, tantangan utama, dan keunikan SRL pada berbagai jenis data spasial dan menyoroti tantangan unik dalam mengembangkan model AI untuk data geospasial.

Bab 7

Prediksi Spasial Cerdas dan Metode Interpolasi

oleh Zhu dan Cao menyajikan motivasi GeoAI untuk representasi data spasial, pengukuran struktur spasial, dan pemodelan hubungan spasial di seluruh alur kerja prediksi spasial dalam konteks memanfaatkan teknik AI. Bab ini mengulas GeoAI untuk prediksi spasial dan metode interpolasi, fokus khusus pada dua bidang utama: geostatistika dan regresi spasial. Tantangan yang dihadapi juga dibahas seputar ketidakpastian, transferabilitas, dan interpretabilitas.

Bab 8

Pembelajaran Mendalam yang Menyadari Heterogenitas dalam Ruang:

Performance and Fairness oleh Xie dkk. meneliti atribut fundamental dari data spasial -

heterogenitas spasial, dan menggambarkan fenomena bahwa distribusi data tidak stasioner dalam ruang. Ketidaktahuan akan heterogenitas dalam ruang tidak hanya mengurangi kinerja prediksi model tetapi juga berdampak pada keadilan hasil - yang telah menjadi pertimbangan utama dalam penggunaan GeoAI yang bertanggung jawab.

Bab ini merangkum metode-metode terbaru yang sadar heterogenitas dan sadar keadilan yang bertujuan untuk mengatasi tantangan heterogenitas data spasial.

Bab 9 Penjelasan dalam GeoAI oleh Cheng dkk., yang dikontekstualisasikan dalam

pembahasan mengenai kegunaan AI dibandingkan metode tradisional dalam

memecahkan masalah geospasial, memberikan gambaran umum tentang metode XAI

yang sudah ada (misalnya, metode berbasis gradien dan metode berbasis dekomposisi)

dan prinsip-prinsip dasarnya. Selain itu, bab ini menyoroti manfaat penerapan metode

XAI untuk aplikasi GeoAI berdasarkan

(28)

beberapa kasus penggunaan dan membahas tantangan dan peluang eksplisit untuk menerapkan metode XAI di GeoAI.

Bab 10

Spatial Cross-Validation for GeoAI

oleh Sun et al. mengulas metode validasi silang spasial (CV) dan membahas bagaimana CV spasial berbeda dengan CV acak. Bab ini menunjukkan bahwa CV acak dapat menyebabkan estimasi yang terlalu tinggi terhadap kinerja model pada data geografis, karena adanya autokorelasi spasial.

CV spasial dapat membantu mengatasi masalah ini dengan memisahkan data secara spasial secara acak. Empat metode CV spasial utama yang diidentifikasi dari literatur dibahas, dan dua contoh berdasarkan data dunia nyata digunakan untuk mendemonstrasikan metode-metode ini dibandingkan dengan CV acak.

Bab 11 GeoAI untuk Digitalisasi Peta Historis oleh Chiang dkk. mengulas metode dan sistem AI mutakhir untuk memproses peta historis guna menghasilkan data, wawasan, dan pengetahuan yang berharga. Peta historis menangkap fitur-fitur alami dan antropogenik bentang alam di masa lalu. Dalam satu dekade terakhir, banyak peta telah didigitalkan dan dapat diakses oleh publik. Bab ini menyoroti temuan penelitian yang baru-baru ini dipublikasikan oleh para penulis di berbagai bidang, termasuk web mantik, data besar, penambangan data, pembelajaran mesin, pemahaman dokumen, pemrosesan bahasa alami, penginderaan jarak jauh, dan sistem informasi geografis.

Bab 12

AI Spatiotemporal untuk Transportasi

oleh Cheng dkk. mengulas domain aplikasi penting dari AI Spatiotemporal dalam bidang transportasi. AI Spatiotemporal telah memainkan peran penting dalam penelitian transportasi sejak akhir abad ke-20 dan telah memfasilitasi berbagai tugas dalam sistem transportasi cerdas. Bab ini mengulas prediksi variabel lalu lintas berbasis data, optimalisasi jaringan lalu lintas menggunakan pembelajaran penguatan, dan visi komputer untuk merasakan lingkungan perkotaan yang kompleks. Bab ini diakhiri dengan beberapa arahan untuk penelitian masa depan di bidang AI Spa- tiotemporal untuk transportasi.

Bab 13

GeoAI untuk Bantuan Kemanusiaan oleh Dias dkk. membahas alat GeoAI

yang sudah ada dan yang akan datang untuk mendukung praktik kemanusiaan. Bantuan kemanusiaan sangat penting untuk menyelamatkan nyawa dan mengurangi penderitaan penduduk selama krisis yang disebabkan oleh konflik, kekerasan, dan bencana alam.

Bab ini mencakup topik-topik yang relevan mengenai prinsip-prinsip etika, aktor, dan sumber data, selain aplikasi metodologis dalam pemetaan populasi, karakterisasi lingkungan binaan, analisis kerentanan dan risiko, dan pemodelan berbasis agen.

Bab 14

GeoAI untuk Tanggap Bencana

oleh Zou dkk. menyajikan konvergensi GeoAI dan tanggap bencana dengan tiga fokus: (1) membangun paradigma yang komprehensif yang menguraikan beragam aplikasi GeoAI dengan data besar geospasial untuk meningkatkan upaya tanggap bencana; (2) menunjukkan penggunaan GeoAI dalam tanggap bencana melalui analisis data media sosial selama Badai Harvey 2017 dengan model Pemrosesan Bahasa Alami tingkat lanjut; dan (3) mengidentifikasi tantangan dan peluang yang terkait dengan realisasi penuh potensi GeoAI dalam penelitian dan praktik tanggap bencana.

Bab 15

GeoAI untuk Kesehatan Masyarakat

oleh Zu¨fle et al. berfokus pada penggunaan GeoAI untuk prediksi penyebaran penyakit menular. Ketertarikan penelitian terhadap GeoAI untuk kesehatan masyarakat didorong oleh meningkatnya ketersediaan sumber data yang kaya. Bab ini

(1) memotivasi kebutuhan akan solusi berbasis AI dalam kesehatan masyarakat dengan

menunjukkan

(29)

heterogenitas perilaku manusia yang berkaitan dengan kesehatan, (2) memberikan survei singkat tentang solusi mutakhir saat ini yang menggunakan AI untuk prediksi penyebaran penyakit menular,

(3) menjelaskan kasus penggunaan data mobilitas manusia berskala besar untuk menginformasikan moda AI dalam memprediksi penyebaran penyakit menular di sebuah kota, dan (4) memberikan arahan penelitian di masa depan.

Bab 16 GeoAI untuk Pertanian oleh Zhang dkk. mengulas perkembangan GeoAI di bidang pertanian. Karena estimasi hasil panen merupakan salah satu topik yang paling penting, fokus utama dari bab ini adalah memperkenalkan kerangka kerja konseptual estimasi hasil panen berbasis GeoAI. Kerangka kerja ini terdiri dari persiapan input pemodelan geospasial, model estimasi hasil panen berbasis GeoAI, serta analisis fitur yang penting dan analisis ketidakpastian. Dengan menggunakan U.S. Corn Belt sebagai studi kasus, tiga model GeoAI untuk estimasi hasil panen dan kuantifikasi ketidakpastian di tingkat kabupaten dibahas.

Bab 17

GeoAI untuk Penginderaan Perkotaan

oleh F. Biljecki memberikan gambaran umum tentang aplikasi GeoAI untuk penginderaan perkotaan. Penginderaan perkotaan telah menjadi topik penting dalam beberapa dekade terakhir, dan penelitian telah diperkuat dalam beberapa tahun terakhir dengan munculnya sumber data perkotaan baru dan kemajuan dalam GeoAI. Bab ini mengulas empat contoh penerapan GeoAI untuk penginderaan perkotaan, yang mencakup berbagai sumber data, teknik yang dikembangkan, dan domain aplikasi seperti keberlanjutan perkotaan. Bab ini juga membahas beberapa tantangan dan peluang di masa depan serta masalah etika dan kualitas data.

Bab 18 Reproduksibilitas dan Replikasi dalam GeoAI oleh Kedron et al. membahas bagaimana reproduksibilitas dan replikasi penelitian berkaitan dengan pengembangan dan penggunaan GeoAI. Bab ini pertama-tama mendefinisikan reproduksi dan replikasi dalam konteks penelitian GeoAI. Bab ini kemudian memberikan panduan bagi para peneliti yang tertarik untuk meningkatkan reproduktifitas penelitian GeoAI, dengan memberikan perhatian khusus pada beberapa tantangan unik yang muncul ketika mempelajari fenomena menggunakan data spasial dan GeoAI. Melihat ke masa depan, bab ini menyajikan beberapa jalur reproduksi dan replikasi yang dapat dilakukan oleh para peneliti untuk mempercepat pengembangan GeoAI.

Bab 19

Privasi dan Etika dalam GeoAI

oleh McKenzie dkk. membahas masalah privasi dan etika yang unik yang terkait dengan teknik AI yang digunakan untuk menganalisis informasi geospasial. Bab ini memberikan gambaran umum tentang privasi data dalam bidang GeoAI dan menjelaskan beberapa teknik yang paling umum dan area aplikasi utama yang menjadi titik temu antara privasi data dan GeoAI.

Terakhir, penulis menyarankan beberapa cara agar privasi dalam GeoAI dapat ditingkatkan dan menyoroti topik-topik yang muncul dalam bidang ini.

Bab 20

Masa Depan GeoAI

yang

Humanis

oleh Zhao dan Feng menyatakan perlunya perubahan humanis pada GeoAI, yang menekankan pada pengembangan yang beretika, inklusif, dan dipandu oleh manusia. Ketika GeoAI semakin terintegrasi ke dalam kehidupan kita sehari-hari, sangat penting untuk memastikan bahwa GeoAI bermanfaat bagi masyarakat dan lingkungan sembari menjunjung tinggi prinsip-prinsip etika yang penting. Bab ini membahas pentingnya memeriksa praktik GeoAI, terutama pada masyarakat yang terpinggirkan dan entitas non-manusia, untuk mengidentifikasi potensi masalah etika dan sosial serta mengatasinya secara proaktif.

Bab 21

Maju Cepat dari Data ke Wawasan: Grafik Pengetahuan (Geografis) dan Aplikasinya oleh Janowicz dkk. memperkenalkan apa itu grafik pengetahuan,

(30)

bagaimana mereka berhubungan dengan penelitian GeoAI seperti rekayasa pengetahuan dan pembelajaran representasi, mendiskusikan proposisi nilainya untuk geografi dan geosains yang lebih luas, menguraikan area aplikasi untuk grafik pengetahuan di berbagai domain, dan memperkenalkan KnowWhereGraph sebagai contoh grafik yang berpusat secara geospasial dan sangat heterogen yang terdiri dari miliaran pernyataan grafik yang dari 30 data yang berbeda di persimpangan antara manusia dan lingkungan.

Bab 22 Pemikiran ke Depan tentang GeoAI oleh S. Newsam membahas pentingnya interaksi yang berkelanjutan antara komunitas yang membentuk bidang GeoAI, tantangan penelitian interdisipliner, peran industri terutama yang berkaitan dengan etika, peluang jangka pendek dan menengah, dan beberapa perkembangan terbaru yang menarik dalam model AI generatif.

1.3 PERTANYAAN PENELITIAN DAN REFLEKSI TENTANG PERKEMBANGAN GEOAI

Pertanyaan utama yang mendorong perkembangan dan kontribusi dalam GeoAI adalah mengapa (geo-) spasial menarik dan penting dalam penelitian AI. Salah satu jawabannya mungkin karena lokasi geografis atau konteks spasial sering kali menjadi kunci untuk menghubungkan set data heterogen yang telah digunakan secara intensif untuk melatih model AI tingkat lanjut (Hu

et al., 2019b; Li dan Hsu, 2022). Smith

(1984) merangkum penerapan AI pada pemecahan masalah geografis, penelitian, dan praktik dengan fokus pada pengambilan keputusan spasial cerdas secara individu dan agregat dari perspektif kognitif dan teknik. Pendekatan kognitif berfokus pada pemahaman sistem kognitif manusia dan pemodelan proses pengambilan keputusan, sedangkan pendekatan teknik berfokus pada pengembangan program komputer yang memiliki kemampuan untuk memahami, memproses, dan menghasilkan kecerdasan seperti manusia (misalnya, bahasa alamiah dan visi). Pendekatan sistematis mungkin diperlukan untuk mengintegrasikan keduanya. Beberapa aliran penelitian geospasial dapat mengambil manfaat dari penggunaan AI, termasuk (1) pengambilan keputusan individu dalam konteks spasial seperti "peta kognitif" lingkungan untuk pencarian jalan; (2) pemodelan perilaku manusia atau interaksi manusia-lingkungan menggunakan pendekatan representasi simbolis yang dapat memitigasi variasi lanskap lokal; (3) GIR dan penemuan berbasis teks dan gambar; (4) pengembangan model GeoAI berbasis jaringan syaraf tiruan yang mengandalkan lebih sedikit asumsi statistik; (5) Pendekatan pemodelan hibrida yang mengintegrasikan pemodelan proses sistem bumi dengan pendekatan pembelajaran berbasis data; dan (6) prediksi spasial yang cerdas di lingkungan yang tidak dapat diakses atau dengan pengamatan ilmiah yang terbatas.

Arahan penelitian ini masih berlaku hingga saat ini. Meskipun AI telah berkembang begitu cepat, membuat para ahli geografi mempercepat penelitian mereka untuk mengikuti tren teknologi terkini, kita mungkin juga perlu berhenti sejenak dan merefleksikan apa telah kita pelajari dalam beberapa tahun terakhir dan apa yang akan menjadi agenda penelitian GeoAI dalam 5-10 tahun ke depan? Pertanyaan-pertanyaan berikut ini dapat membantu komunitas untuk secara kolektif mengembangkan peta jalan untuk penelitian GeoAI dalam satu dekade ke depan:

•

Apa saja pertanyaan penelitian geografis utama yang sekarang dapat kita jawab

dengan lebih baik menggunakan AI daripada pendekatan tradisional?

(31)

•

Apa saja masalah geospasial yang belum terpecahkan yang sekarang dapat diselesaikan dengan AI?

•

Apa implikasi dari bidang AI yang berkembang pesat terhadap lanskap penelitian dan pendidikan geografi komputasi, geografi manusia, dan geografi fisik di masa depan?

•

Apakah ada teori baru atau pendekatan cerdas untuk membangun model spasial dan jalur analisis data dalam sistem informasi geografis?

•

Apa saja efek spasial yang dapat kita ambil dari pendekatan pembelajaran mesin (Li, 2022)?

•

Bagaimana kita dapat mereplikasi model GeoAI yang dikembangkan di satu lokasi ke lokasi lain mengingat heterogenitas spasial yang mendasari fenomena geografis (Goodchild dan Li, 2021)?

•

Jenis dataset dan prosedur apa yang diperlukan untuk melatih model fondasi geospasial yang besar (Mai

et al., 2023) dan apa bedanya dengan model fondasi

pada umumnya?

•

Bagaimana cara mendeteksi pemalsuan mendalam dalam data dan peta geospasial yang dihasilkan oleh AI (Zhao et al., 2021)?

•

Bagaimana cara mengurangi masalah konsumsi energi dan polusi udara yang disebabkan oleh pelatihan model GeoAI yang besar dan bergerak menuju pengembangan AI yang berkelanjutan (Van Wynsberghe, 2021)?

•

Apa saja isu-isu etis dalam pengembangan kecerdasan umum buatan (artificial general intelligence/AGI) dalam penalaran spasial dan pengambilan keputusan yang dapat dipercaya?

•

Bagaimana GeoAI dapat menjadi kekuatan untuk kebaikan sosial (Taddeo dan Floridi, 2018) dan ketahanan digital (Wright, 2016)?

•

Apa saja praktik terbaik untuk mengembangkan GeoAI yang bertanggung jawab sekaligus memitigasi risiko yang terlihat dan mengatasi masalah etika, empati, dan kesetaraan (Nelson et al., 2022)?

•

Terakhir, apa yang dimaksud dengan ilmu GeoAI?

1.4 RINGKASAN

Teknologi AI berkembang dengan cepat, dan metode serta kasus penggunaan baru

dalam GeoAI terus bermunculan. Sebagai peneliti GeoAI, kita tidak boleh hanya

memburu teknologi AI terbaru (Openshaw dan Openshaw, 1997), tetapi harus fokus

untuk mengatasi masalah geografis dan memecahkan tantangan besar yang dihadapi

masyarakat mencapai tujuan yang berkelanjutan. Kita juga membutuhkan upaya

penelitian untuk mengembangkan model GeoAI yang bertanggung jawab, tidak bias,

dapat dijelaskan, dan berkelanjutan untuk mendukung penemuan pengetahuan geografis

dan seterusnya (Janowicz et al., 2020, 2022; Li et al,

(32)

2021b). Buku panduan ini selesai pada pertengahan tahun 2023. Meskipun kami tidak dapat merangkum semua penelitian GeoAI dalam satu buku panduan ini, kami berharap buku ini dapat memberikan gambaran tentang penelitian GeoAI saat ini dan membantu menstimulasi penelitian-penelitian di masa depan di tahun-tahun mendatang.

1.5 DAFTAR ALAT GEOAI DAN SUMBER DAYA

Di sini, kami mencantumkan satu set dataset, alat, dan sumber daya sumber terbuka yang mungkin berguna bagi siswa yang tertarik dengan GeoAI. Daftar berikut ini tidak lengkap dan dimaksudkan sebagai titik awal untuk eksplorasi dan bukan sebagai koleksi yang lengkap.

DATASET

• GeoImageNet:

https:

//github.com/ASUcicilab/GeoImageNet, sebuah dataset benchmark fitur alami multi-sumber (misalnya cekungan, teluk, pulau, danau, punggungan, dan lembah) untuk GeoAI dan pembelajaran mesin yang diawasi (Li dkk., 2022).

• BigEarthNet: https://bigearth.net, sebuah arsip benchmark yang terdiri dari lebih dari 590 ribu pasang patch citra Sentinel-1 dan Sentinel-2 yang telah dianotasi dengan multi-label dari tipe tutupan lahan CORINE untuk mendukung studi deep learning di bidang penginderaan jauh (Sumbul et al., 2019).

• EarthNets: https://earthnets.github.io, sebuah platform sumber terbuka yang terhubung dengan ratusan dataset, model pembelajaran mendalam yang telah dilatih sebelumnya, dan berbagai tugas dalam Observasi Bumi (Xiong et al., 2022).

• Microsoft Building Footprints: footprintshttps://www.microsoft.com/maps/building- , tim Microsoft Maps & Geospatial merilis dataset jejak bangunan terbuka dalam format GeoJSON di Amerika Serikat, Kanada, Australia, serta banyak negara di Afrika dan Amerika Selatan.

• ArcGIS Living Atlas: https://livingatlas.arcgis.com, sebuah koleksi besar informasi geografis (termasuk peta, aplikasi, dan lapisan data GIS) dari seluruh dunia. Ini juga mencakup seperangkat model pembelajaran mendalam yang telah terlatih untuk aplikasi geospasial seperti klasifikasi penggunaan lahan, segmentasi pohon, dan ekstraksi tapak bangunan.

• MoveBank: https://www.movebank.org, sebuah platform yang diarsipkan untuk umum yang berisi lebih dari 300 set data yang menggambarkan perilaku pergerakan 11 ribu hewan.

Lintasan GPS Geolife: https://www.microsoft.com/research/

publication/geolife-gps-trajectory-dataset-user-guide, dataset terbuka ini berisi 17.621 lintasan GPS oleh 182 pengguna dalam jangka waktu lebih dari tiga tahun dengan label aktivitas seperti belanja, jalan-jalan, makan, hiking, dan bersepeda (Zheng dkk., 2010).

• Arus Perjalanan: https://github.com/GeoDS/COVID19USFlows, dataset arus populasi asal- ke-tujuan yang dinamis dan multiskala (dikumpulkan dalam tiga skala geografis: wilayah, wilayah, dan negara bagian; diperbarui setiap hari dan setiap minggu) di Amerika Serikat selama pandemi COVID-19 (Kang et al., 2020).

-

(33)

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).

UCAPAN TERIMA KASIH

Song Gao berterima kasih atas dukungan yang diberikan oleh National Science

Foundation yang didanai oleh Institut AI (Penghargaan No. 2112606) untuk Intelligent

Cyberinfrastructure with Computational Learning in the Environment (ICICLE) dan

Beasiswa H.I. Romnes Faculty yang diberikan oleh Kantor Wakil Rektor untuk

Penelitian dan Pendidikan Pascasarjana di University of Wisconsin-Madison dengan

pendanaan dari Wisconsin Alumni Re- search Foundation. Wenwen Li mengucapkan

terima kasih atas dukungan dari National Sci- ence Foundation (Award No. 2120943

dan 1853864). Pendapat, temuan, kesimpulan, atau rekomendasi yang diungkapkan

dalam materi ini merupakan pendapat penulis dan tidak mencerminkan pandangan dari

lembaga penyandang dana.

(34)

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.

(35)

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.

(36)

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 den