Jurnal Internasional Ilmu Informasi Geografis
ISSN: 1365-8816 (Cetak) 1362-3087 (Online) Laman jurnal: https://www.tandfonline.com/loi/tgis20
GeoAI: teknik kecerdasan buatan yang eksplisit secara spasial untuk penemuan pengetahuan geografis dan lainnya
Krzysztof Janowicz, Song Gao, Grant McKenzie, Yingjie Hu & Budhendra Bhaduri Untuk mengutip artikel ini: Krzysztof Janowicz, Song Gao, Grant McKenzie, Yingjie Hu &
Budhendra Bhaduri (2019): GeoAI: teknik kecerdasan buatan yang eksplisit secara spasial untuk penemuan pengetahuan geografis dan seterusnya, Jurnal Internasional Ilmu Informasi Geografis, DOI:
10.1080/13658816.2019.1684500
Untuk menautkan ke artikel ini: https://doi.org/10.1080/13658816.2019.1684500
Diterbitkan secara online: 30 Oktober 2019.
Kirimkan artikel Anda ke ini
Lihat terkait
Melihat data Crossmark
Syarat & Ketentuan lengkap untuk akses dan penggunaan dapat ditemukan di https://www.tandfonline.com/action/journalInformation?journalCode=tgis20
https://doi.org/10.1080/13658816.2019.1684500
EDITORIAL
GeoAI: teknik kecerdasan buatan yang eksplisit secara spasial untuk penemuan pengetahuan geografis dan lainnya
1. Pengantar GeoAI
Kemajuan terbaru dalam teknik Kecerdasan Buatan (AI), ketersediaan data berkualitas tinggi berskala besar, serta kemajuan dalam perangkat keras dan perangkat lunak untuk memproses data ini secara efisien, mengubah berbagai bidang mulai dari visi komputer dan pemrosesan bahasa alami hingga pengemudian otonom dan perawatan kesehatan. Sebagai contoh, ketersediaan data geografis beresolusi tinggi dan teknik komputasi berkinerja tinggi bersama dengan pembelajaran mendalam mendorong kemajuan dalam deteksi objek yang cepat dan akurat. Contoh terbaru dari pekerjaan GeoAI meliputi deteksi fitur medan (Li dan Hsu dalam edisi ini) dan jejak bangunan yang terdistribusi secara padat (Xie et al. dalam edisi ini), ekstraksi informasi dari pemindaian peta historis (Duan et al. dalam edisi ini), klasifikasi semantik (misalnya, LiDAR point clouds) (Guo dan Feng dalam edisi ini), metode baru untuk interpolasi spasial (Zhu et al. dalam edisi ini), dan kemajuan dalam prakiraan lalu lintas (Polson dan Sokolov 2017, Ren et al. dalam edisi ini). Demikian pula, pembelajaran mesin dan pemrosesan bahasa alami memfasilitasi ekstraksi informasi geografis dari data yang tidak terstruktur (tekstual), seperti artikel berita dan Wikipedia (Hu 2018) serta pencocokan fitur-fitur alami di beberapa gazetteer (Acheson dkk. dalam edisi ini).
Pada saat yang sama, teknologi Web Semantik, ontologi, dan Data Tertaut sedang digunakan untuk meningkatkan pencarian informasi geografis dan untuk membangun geo- grafik pengetahuan grafis yang canggih untuk pengayaan geografis (Ballatore dkk. 2013, Regalia dkk. 2019, Yan dkk. 2019, Mai dkk. 2019a) serta layanan yang diaktifkan secara semantik untuk infrastruktur data spasial (Jones dkk. 2014). Kombinasi dari beberapa teknik membantu mengintegrasikan kendaraan otonom dengan sistem transportasi cerdas dengan menggabungkan informasi waktu nyata yang dikumpulkan oleh kamera lalu lintas dan sensor lainnya (Seif dan Hu 2016, Zang dkk. 2017). Seperti yang ditunjukkan oleh contoh-contoh ini, kemajuan pesat tidak terisolasi pada tugas-tugas atau tipe data tertentu. Sebaliknya, kami mengamati bagaimana teknik kecerdasan buatan merambah ke berbagai aspek dan kegiatan di seluruh ilmu pengetahuan.
Penggunaan teknik AI dalam geografi dan ilmu kebumian bukanlah hal yang baru. Buku Openshaws tahun 1997 tentang Kecerdasan Buatan dalam Geografi merupakan contoh yang menonjol (Openshaw dan Openshaw 1997). Bahkan sebelumnya, Couclelis (Couclelis 1986) dan Smith (Smith 1984) telah mendiskusikan peran potensial AI untuk pemecahan masalah geografi pada tahun 80-an. Apa yang telah berubah sejak masa-masa awal tersebut tidak hanya disebabkan oleh arsitektur komputasi baru dan metode-metode canggih seperti Generative Adversarial Networks (Goodfellow et al. 2014).
Keberhasilan teknik AI saat ini juga disebabkan oleh budaya baru dalam penciptaan dan pembagian data. Pertumbuhan eksponensial data yang dikumpulkan dan dikurasi selama dekade terakhir tidak terbatas pada jenis atau media tertentu, tetapi multi-modal dan sangat heterogen.
© 2019 Informa UK Limited, diperdagangkan sebagai Taylor & Francis Group
Penginderaan sosial, misalnya, seperti penggunaan jejak data yang dipancarkan secara aktif atau pasif oleh manusia melalui perangkat yang dekat dengan tubuh mereka seperti ponsel pintar, tidak akan terpikirkan pada tahun 80-an karena keterbatasan teknis dan juga masalah privasi. Meskipun bidang-bidang seperti penginderaan jauh telah menjadi data intensif (besar) sejak awal kemunculannya, instrumen beresolusi sangat tinggi tidak hanya menyediakan lebih banyak data, tetapi juga secara dramatis jumlah kelas yang dapat dibedakan, misalnya mobil dan puing-puing. Demikian pula, ketersediaan (terbuka) jutaan lintasan mobil, gambar, ulasan, rekomendasi, berita, literatur akademis, dan semua jenis pengamatan sensor secara hampir seketika (near real-time) merupakan pengubah permainan bagi teknik AI yang mengandalkan data berlabel (berkualitas tinggi) dalam jumlah besar. Namun, mungkin ada hal yang lebih penting daripada ketersediaan data dan metode canggih yang digabungkan, yaitu perubahan budaya. (I) Seperti halnya sumber terbuka sebelumnya, konten terbuka membuat data tersedia untuk umum. Individu, institusi, dan perusahaan mulai menyadari bahwa melindungi data mereka secara terpisah-pisah mungkin kurang bermanfaat dibandingkan dengan memberikan akses ke data tersebut. Meskipun data jarang tersedia dalam bentuk unduhan massal, perusahaan sekarang secara teratur membagikan data mereka (yang diperoleh dengan mahal) melalui API. Hal ini tidak terpikirkan hanya dua dekade yang lalu.
ProgrammableWeb, misalnya, melaporkan lebih dari 22.000 API Web pada tahun 2019, naik dari sekitar 100 API pada tahun 2005. Dengan kata lain, industri ini menganggap risiko seseorang mencuri data mereka tidak terlalu berdampak dibandingkan dengan data mereka tetap terputus dari ekonomi data yang baru.
(II) Menggunakan kembali data adalah hal yang normal. Hal ini mungkin tampak seperti hal yang sepele dari sudut pandang saat ini, namun penggunaan ulang data dalam skala besar merupakan konsep baru bagi banyak domain ilmiah. Merancang eksperimen, mengembangkan model konseptual, menentukan skala pengukuran, memilih strategi pengambilan sampel, dan mengumpulkan data adalah bagian inti dari banyak alur kerja ilmiah. Penggunaan kembali dan sintesis data secara oportunistik menyiratkan penyerahan kendali atas beberapa atau bahkan semua langkah tersebut. Berbeda dengan (penggunaan kembali) citra dari satelit pengamatan bumi yang sudah lama berjalan, terkenal, berkualitas, dan secara teknis dipahami dengan baik seperti seri Landsat, penggunaan kembali data ekologi atau ilmu sosial in-situ sangat berbeda. Individu sering kali mengumpulkan data ini dengan pengaturan dan pertanyaan penelitian tertentu. Biasanya, metadata yang menyertainya (jika ada) tidak cukup rinci untuk menangkap informasi kontekstual yang diperlukan untuk memahami apakah suatu set data cocok untuk tujuan baru. Intinya, semua catatan metadata tidak lengkap karena tidak mungkin untuk meramalkan penggunaan di masa depan. Meningkatnya penelitian tentang asal usul data dan kerja data cerdas - yang secara otomatis menangkap informasi kontekstual mungkin merupakan respons terhadap realitas baru ini (Gil et al. 2007, Moreau et al. 2008) di mana data dari semua jenis sumber dan domain digunakan kembali dalam skala besar.
(III) Paradigma baru ini bergabung dengan paradigma empiris, teoretis, dan komputasi yang telah menjadi ciri khas penelitian sebelumnya. Paradigma keempat ini (Hey et al. 2009) tentang eksplorasi data intensif menyoroti peningkatan peran sintesis data (Janowicz et al.
2015) di samping analisis. Hal ini menyiratkan bahwa satu sumber data dapat digunakan sebagai proksi untuk sumber data lain yang lebih sulit diperoleh. Hal ini juga menunjukkan bahwa menggabungkan beberapa sumber data dapat mendukung pemahaman lebih holistik terhadap pertanyaan penelitian atau dapat membantu dalam mengurangi masalah kelangkaan data atau bias representasi. Sebagai contoh konkret, Jacobs dkk. (2009) menggunakan jaringan ribuan webcam (berkualitas rendah) yang sudah tersedia untuk menentukan pertumbuhan daun musim semi. Gao dkk. (2017) menunjukkan bagaimana media sosial dari berbagai sumber dapat digunakan untuk mendeteksi dan menggambarkan wilayah kognitif yang samar-samar dan bagaimana wilayah yang diekstraksi yang mirip
dengan wilayah yang diperoleh dari pengujian partisipan manusia secara langsung.
Meskipun tidak satu pun dari ketiga aspek yang teridentifikasi ini yang merupakan hal baru, budaya data yang muncul tentu saja merupakan hal baru. Sebagai contoh, perhatikan pengamatan Mike Goodchild berikut ini: Sebagian besar penelitian awal yang menggunakan informasi geografis sukarela (VGI) dilakukan untuk mengkonfirmasi atau mereproduksi temuan atau teori yang telah dikemukakan sebelumnya.1 Hanya dalam beberapa tahun terakhir ini, VGI telah digunakan untuk mengungkap wawasan baru, mempertanyakan teori yang ada, atau bahkan mengajukan teori baru. Bahkan, sejalan dengan arah penelitian baru seperti Web Science, para peneliti mulai mempelajari ekosistem informasi geografis seperti itu, misalnya melalui observatorium informasi geografis (Adams dkk. 2014, Janowicz dkk. 2014).
Kesimpulannya, GeoAI sebagai subbidang ilmu data spasial memanfaatkan kemajuan dalam teknik dan budaya data untuk mendukung penciptaan informasi geografis yang lebih cerdas serta metode, sistem, dan layanan untuk berbagai tugas hilir. Hal ini mencakup klasifikasi gambar, deteksi objek, segmentasi pemandangan, simulasi dan interpolasi, prediksi tautan, pengambilan (berbasis bahasa alami) dan menjawab pertanyaan, integrasi data secara langsung, pengayaan geografis, dan masih banyak lagi.
2. Model eksplisit secara spasial
Idealnya, penerapan teknik-teknik dari kecerdasan buatan dan ilmu data pada data spasial di bidang ilmu kebumian dan sosial bukanlah jalan satu arah. Penelitian terbaru (Yan dkk. 2017, 2018, 2019, Chu dkk. 2019, Mac Aodha dkk. 2019) menunjukkan bahwa model eksplisit secara spasial secara substansial mengungguli model yang lebih umum ketika diterapkan pada data spasial. Menariknya, merancang arsitektur neural untuk model eksplisit secara spasial juga dapat dianggap sebagai memperkenalkan bias induktif (Battaglia et al. 2018). Namun, apa sebenarnya model eksplisit spasial dan apa kesamaannya? Bagaimana kita dapat mengintegrasikan aspek spasial dan temporal ke berbagai teknik berbasis pembelajaran mesin, dan berapa banyak data spasial yang diperlukan agar model-model ini dapat membuat perbedaan?
Menariknya, meskipun tidak ada kekurangan model dan metode eksplisit secara spasial untuk memenuhi kebutuhan domain atau aplikasi tertentu, pertanyaan tentang apa yang membuat model eksplisit secara spasial kurang mendapat perhatian. Contoh penting termasuk karya Goodchild dan Janelle (2004) dan Kuhn (2012). Sebagai contoh, sebuah model dapat disebut eksplisit secara spasial jika memenuhi persyaratan berikut ini (Goodchild 2001):
● Uji invariansi: Hasil dari model eksplisit secara spasial tidak invarian di bawah relokasi fenomena yang dipelajari.
● Uji representasi: model eksplisit secara spasial berisi representasi spasial dari fenomena yang dipelajari dalam implementasinya (dapat berupa koordinat, hubungan spasial, nama tempat, dan sebagainya).
● Uji formulasi: model eksplisit secara spasial menggunakan konsep spasial dalam formulasinya, misalnya gagasan tentang lingkungan.
● Uji hasil: Struktur/bentuk spasial dari input dan hasil model berbeda.
Model eksplisit secara spasial adalah model yang memenuhi setidaknya satu dari tes ini (dan juga kombinasinya). Sebagai contoh, bayangkan sebuah dataset sederhana yang berisi kota-kota, lokasi geografis, serta populasi mereka. Sebuah peringkat berbasis populasi dari
Kota-kota tersebut tidak eksplisit secara spasial karena lokasi (representasi) mereka tidak menjadi bagian dari analisis. Sebaliknya, untuk menjawab apakah kota-kota yang padat penduduknya mengelompok akan membutuhkan perspektif yang eksplisit secara spasial. Hal ini, pada gilirannya, tidak boleh disamakan dengan analisis yang dapat mengungkapkan wawasan spasial tanpa eksplisit secara spasial. Sebagai contoh, urutan abjad dari kota-kota (dan tempat-tempat lain secara umum) di pesisir California. Daftar seperti ini akan mengungkap wawasan geografis tentang asal mula ekspedisi dan waktu mereka mengunjungi atau mendirikan tempat-tempat tersebut.
Akan tetapi, tes yang disebutkan di atas tidak dapat dilakukan secara eksperimental, dan juga tidak dapat diukur tingkat atau relevansinya. Lebih konkretnya, apa yang menjadi trade- off antara merancang arsitektur pembelajaran mesin yang secara eksplisit memperhitungkan ruang versus pengaturan yang lebih umum yang harus belajar menghargai ruang secara implisit? Akankah model yang lebih umum ini dapat mengejar ketertinggalan dengan data yang cukup tanpa perlu meningkatkan kompleksitas arsitektur? Berapa banyak bagian dari kumpulan data yang harus bersifat spasial untuk menjustifikasi model yang eksplisit secara spasial? Mereka yang mengambil posisi yang kuat dalam mendukung model umum harus menjustifikasi mengapa kemajuan pada arsitektur neural diperlukan sama sekali, jika ketersediaan data adalah satu-satunya variabel yang penting. Demikian pula, mereka yang mendukung model spesifik domain harus menjustifikasi mengapa mengembangkan model yang lebih kompleks lebih unggul daripada menyediakan lebih banyak data berlabel. Kedua sikap ini dan jalan tengah di antara keduanya harus menjawab pertanyaan tentang bagaimana aspek spasial (dan berbasis tempat) harus diwakili dalam data lintas domain dan apakah cara kita saat ini yang sebagian besar berpikir dalam hal bidang dan objek masih memadai pada saat data grafik dan kekuatan untuk menghubungkan pernyataan lintas domain berada garis depan. Terakhir, pengidentifikasi geografis sering kali memainkan peran kunci sebagai penghubung yang menghubungkan aktor, peristiwa, dan objek secara bersama-sama di seluruh dan di dalam pusat data, misalnya di cloud Data Terhubung global. Oleh karena itu, cakupan data secara spasial-temporal (Silva dkk. 2006, Adams dkk. 2015) hanya akan meningkatkan tren ini dan menjadikan aspek spasial sebagai bagian dari banyak tugas pencarian informasi sehari-hari, seperti anotasi semantik berita.
Dengan kata lain, penelitian GeoAI yang sukses harus membahas mengapa (geo-) spasial penting dengan membuat kasus untuk model yang eksplisit secara spasial. Penelitian ini juga harus menunjukkan bagaimana data grafik dan metode baru yang dikembangkan pada tingkat simbolik dan sub-simbolik dapat dengan mudah diintegrasikan ke dalam alur kerja SIG saat ini (Mai et al. 2019a).
3. Menjawab pertanyaan dan meringkas
Penelitian GeoAI juga akan berkontribusi pada asisten digital pintar yang menjawab pertanyaan secara umum. Hal ini menyusul meningkatnya ketersediaan dan pentingnya data spasial seperti nama tempat dan hubungan spasial yang telah dibahas sebelumnya, serta fakta bahwa asisten digital dengan cepat menjadi bagian dari kehidupan kita sehari-hari. Hal ini memberikan sistem ini akses ke sejumlah besar informasi kontekstual dan memungkinkan mereka untuk menjawab pertanyaan yang lebih personal. Misalnya, alih-alih bertanya tentang tanggal pembangunan Menara Eiffel atau berapa lama waktu yang dibutuhkan untuk berkendara ke bandara, pengguna di masa depan dapat menanyakan lokasi liburan yang pernah dikunjungi orang tua mereka, buku audio tentang wilayah yang sedang mereka lalui, atau sekadar hotel yang berada di pusat kota namun tenang. Pertanyaan-pertanyaan ini dan pertanyaan-pertanyaan serupa membutuhkan langkah tambahan, yaitu mengidentifikasi lokasi pengguna, jarak ke fitur-fitur lain, penalaran tentang hubungan topologi, memahami wilayah kognitif yang tidak jelas, dan seterusnya. Oleh karena itu, pendekatan yang ada saat
ini, misalnya yang secara langsung menggunakan model penyematan kalimat (Arora dkk.
2017) atau bentuk lain dari komputasi kemiripan teks, bisa jadi gagal.
Meskipun cara pengajuan pertanyaan relevan untuk pemilihan metode yang tepat, banyak tantangan di tingkat yang lebih tinggi yang tetap sama. Misalnya, bagaimana meringkas informasi geografis sambil menjawab pertanyaan yang lebih terbuka seperti fakta-fakta penting tentang Los Angeles (Yan et al. 2019). Dari perspektif grafik pengetahuan, ada puluhan ribu pernyataan (misalnya tiga kali lipat) tentang setiap kota besar. Jadi, apa yang spesial dari satu kota secara khusus? Jawaban untuk hal ini tidak bisa hanya bersifat teknis;
jawaban tersebut harus menjawab pertanyaan tentang apa yang membuat ringkasan yang baik dan adil sejak awal. Sebagai contoh, dan terinspirasi dari Rodriguez dan Egenhofer (2004), kita dapat berargumen bahwa sebuah ringkasan harus memperhitungkan kesamaan dan perbedaan. Hal ini terutama penting untuk pertanyaan komparatif atau pertanyaan yang melibatkan wilayah yang heterogen. Sebagai contoh konkret, jawaban atas pertanyaan tentang Los Angeles dapat menyatakan bahwa meskipun kota ini mirip dengan kota San Diego di dekatnya dalam hal iklim, pantai, dalam wilayah California, dan seterusnya, kota ini memiliki keunikan tersendiri karena industri perfilmannya.
Seseorang juga dapat memulai dengan jawaban dan mempelajari bagaimana menemukan dan berbagi fungsi SIG berdasarkan pertanyaan yang dirancang untuk dijawab (Scheider et al.
2019). Demikian pula, seseorang dapat memikirkan kembali seluruh interaksi dengan SIG modern dan mengabstraksikannya ke tingkat yang lebih tinggi yang berpusat di sekitar pertanyaan ilmiah yang harus dijawab alih-alih langkah-langkah teknis yang terlibat dalam melakukannya (Vahedi et al. 2016). Terakhir, kita dapat mempelajari bagaimana mengendurkan pertanyaan untuk mendapatkan jawaban yang mendekati (atau setidaknya berhubungan) (Wang et al. 2018, Mai et al. 2019b). Ada banyak alasan untuk melakukannya.
Misalnya, ketika pertanyaan awal tidak dapat dijawab karena jarangnya graf pengetahuan atau ketika pengguna tidak cukup paham dengan ontologi yang digunakan untuk merepresentasikan data.
4. Penginderaan sosial
Metode pembelajaran mesin dan kecerdasan buatan juga memiliki peran penting dalam apa yang sering disebut sebagai penginderaan sosial (Aggarwal dan Abdelzaher 2013, Liu dkk.
2015, Janowicz dkk. 2019). Hal ini dapat didefinisikan sebagai penggunaan konten digital (yang dibuat oleh pengguna) untuk lebih memahami dinamika manusia. Penginderaan sosial telah diterapkan pada berbagai tugas mulai dari mengidentifikasi pola mobilitas manusia (Li et al. 2019) dan mengeksplorasi struktur dalam jaringan sosial, hingga solusi perencanaan kota (Zheng et al. 2014, Resch et al. 2015, Zeile dan Resch 2018) dengan berbagai tingkat keberhasilan. Proses penginderaan sosial melibatkan penciptaan tanda tangan semantik (Janowicz et al. 2019), tanda tangan data multi-dimensi (yaitu fitur spasial, temporal, dan tematik) yang diekstraksi dari jejak digital yang ditinggalkan ketika kehidupan digital masyarakat berinteraksi dengan aktivitas fisik mereka. Jejak digital ini semakin banyak diproduksi dan dikumpulkan melalui perangkat seluler dan IoT yang kaya akan sensor.
Banyaknya sensor yang tersedia di perangkat seluler saat ini berarti bahwa data yang dihasilkan tidak hanya mencakup informasi yang berkaitan dengan lokasi seseorang, tetapi juga atribut seperti suhu lingkungan, luminositas, tingkat kebisingan, dan sebagainya.
Banyaknya data yang dikumpulkan melalui perangkat ini, serta heterogenitas konten yang sebenarnya, membuat data ini sangat cocok untuk analisis melalui teknik baru yang ada di GeoAI (Martin et al. 2018). Penginderaan sosial dan tanda tangan semantik telah berkontribusi pada bidang-bidang seperti kesehatan masyarakat (Chaix 2018), prediksi aktivitas (Regalia et al. 2016), dan pelestarian privasi (Khan et al. 2019), dan masih banyak lagi.
Dalam banyak penelitian penginderaan sosial, tanda tangan semantik sering kali berakar pada konsep tempat, menggunakan tempat sebagai sistem referensi untuk membandingkan berbagai
aktivitas, dinamika, dan interaksi sosial. Jejak digital yang dikumpulkan melalui sensor seluler yang disebutkan sebelumnya sering disebut sebagai pengumpulan data pasif dengan konteks yang disimpulkan dari sensor pasif. Data yang disumbangkan pengguna seperti check-in media sosial, foto yang dibagikan, atau posting blog (mikro), di sisi lain melibatkan pengguna yang secara aktif memilih untuk menyumbangkan data yang berkaitan dengan interaksi sosial mereka di dunia fisik. Data-data ini telah dianalisis dengan berbagai cara dengan tujuan untuk memprediksi pola aktivitas manusia (Scellato et al. 2011), mengidentifikasi tren pola temporal untuk tempat-tempat menarik di kota (Sparks et al. dalam edisi ini), memahami emosi manusia dari ekspresi wajah (Svoray et al. 2018, Kang et al. 2019) atau sentimen manusia di lingkungan yang berbeda dari ulasan tekstual (Hu et al. 2019), sistem rekomendasi tempat (Xu et al. 2018), dan aplikasi visualisasi perkotaan (McKenzie et al. 2015). Meskipun masih dianggap sebagai bagian dari kerangka kerja penginderaan sosial, data-data ini secara substansial berbeda, dan dapat dikatakan lebih bias, dibandingkan dengan data yang dikontribusikan secara pasif.
Dengan kemajuan sensor drive-by, visi komputer, dan teknologi pembelajaran mendalam, gambar tingkat jalan menjadi sumber data baru untuk memahami lingkungan fisik dan lingkungan sosial. Hal ini memungkinkan representasi visual dan eksplorasi lingkungan perkotaan menggunakan elemen pemandangan yang tersegmentasi secara semantik (Zhang et al. 2018). Informasi aktivitas manusia secara spasial seperti arus lalu lintas (Zhang et al. 2019), informasi demografi lingkungan (Gebru et al. 2017), dan keamanan yang dirasakan manusia di kota (Li et al. 2015) dapat disimpulkan dari gambar street view. Selain itu, citra street view dan model bangunan 3D memberikan dukungan data dalam desain dan perencanaan kota.
Sebagai contoh, metode deep learning street-frontage-net (SFN) telah dikembangkan untuk mengklasifikasikan citra tampak jalan perkotaan dan mengevaluasi kualitas bagian depan jalan dari tingkat kosong hingga aktif (Law et al. dalam terbitan ini).
5. Kumpulan data dan reproduktifitas
Memajukan penelitian GeoAI membutuhkan set data geospasial berkualitas tinggi. Banyak model AI, terutama jaringan saraf tiruan, perlu dilatih pada sekumpulan besar data pelatihan yang diberi label dengan baik. Telah lama diketahui dalam komunitas pembelajaran mesin bahwa kualitas model mengikuti prinsip 'sampah masuk, sampah keluar', yaitu model yang dilatih hanya sebaik kualitas data pelatihan. Dari perspektif ini, data tidak lagi hanya sumber daya yang akan ditambang oleh alat komputasi, tetapi juga menjadi bagian dari alat tersebut.
Dataset berkualitas tinggi, seperti ImageNet (Deng et al. 2009), telah menjadi faktor pendukung yang sangat penting untuk pengembangan metode AI yang baru. Domain geografi beruntung memiliki banyak dataset berkualitas tinggi dalam domain publik, seperti National Land Cover Dataset (NLCD) dari US Geological Survey dan data American Community Survey (ACS) dari Sensus Amerika Serikat, belum lagi banyak gambar penginderaan jauh yang tersedia, model elevasi digital global (DEM), dan Dataset Hidrografi Nasional (NHD). Dengan perubahan budaya data, semakin banyak perusahaan yang juga membagikan data geospasial mereka, seperti data jejak bangunan di Amerika Serikat oleh Microsoft, data titik-titik menarik (POI) oleh Yelp, dan data lintasan kendaraan oleh Uber dan Didi. Data ini dan data geospasial lainnya yang dibagikan dapat menjadi sumber daya yang berguna untuk mengembangkan model GeoAI di masa depan.
Dari perspektif reproduktifitas dan replikasi, membagikan dataset berdasarkan yang merupakan tempat dikembangkannya model GeoAI diperlukan agar peneliti lain dapat mereproduksi atau mereplikasi model yang dijelaskan dalam makalah penelitian. Menurut Bollen dkk. (2015),
Reproduksibilitas mengacu pada kemampuan peneliti lain untuk menduplikasi hasil penelitian sebelumnya dengan menggunakan data dan prosedur yang sama, sedangkan replikasi mengacu pada kemampuan menduplikasi hasil penelitian sebelumnya dengan menggunakan prosedur yang sama tetapi dengan data yang baru. Karena data menjadi bagian integral dari model, seseorang tidak dapat mencapai model yang sama tanpa memiliki akses ke set data asli yang digunakan oleh penulis model tersebut. Akan tetapi, membagikan dataset pada repositori yang dapat diakses publik memberikan beban tambahan bagi para peneliti, karena repositori dataset yang bersih, terorganisir dengan baik, dan didokumentasikan dengan cermat membutuhkan upaya tambahan yang signifikan yang sering kali tidak dihargai dalam penilaian akademis saat ini. Selain itu, mungkin ada kebijakan dan masalah privasi yang menghalangi pembagian dataset yang efektif. Namun demikian, berbagi sampel kecil dari dataset anonim sudah bisa sangat membantu dalam meningkatkan reproduktifitas dan replikasi penelitian GeoAI. Kode sumber dari arsitektur yang digunakan dapat dibagikan dengan cara yang sama, karena kinerja jaringan syaraf tiruan sering kali dipengaruhi oleh detail implementasi, seperti penyemaian acak dan strategi inisialisasi parameter. Dalam hal ini, kami senang melihat bahwa makalah-makalah dalam edisi GeoAI kali ini juga membagikan tautan ke repositori GitHub dengan data dan kode sumber yang beranotasi.
Ada dua arah yang dapat dieksplorasi untuk mempromosikan pembagian dataset dan kode dengan tujuan mendukung reproduktifitas dan replikasi dalam penelitian GeoAI. Pertama, kita dapat terus meningkatkan infrastruktur data spasial (SDI) yang berfungsi sebagai platform utama untuk berbagi sumber daya geospasial . Upaya penelitian dapat difokuskan untuk memfasilitasi pencarian dan penemuan sumber daya di SDI (Hu et al. 2015), memberikan panduan mengenai praktik terbaik dalam berbagi data, dan merancang metode otomatis untuk meningkatkan kualitas data geospasial dan metadata. Kedua, kita dapat mendorong penggabungan artikel penelitian dan dataset di jurnal-jurnal terkemuka dalam domain kita. Hal ini dapat dilakukan dengan membagikan tautan repositori yang dapat diakses publik di dalam artikel, jurnal yang sudah ada dapat menawarkan jalur dataset, atau jurnal baru dapat dibuat secara khusus untuk menerbitkan deskripsi dataset geospasial. Sudah ada jurnal dataset di luar domain Geografi, seperti Scientific Data yang diterbitkan oleh Nature Publishing Group.
Artikel-artikel jurnal ini dapat memberikan lebih banyak penghargaan kepada para peneliti yang telah meluangkan waktu dan usaha untuk mengumpulkan, membersihkan, dan membagikan dataset dengan hati-hati. Di sisi lain, tantangan baru perlu diatasi tentang bagaimana cara meninjau makalah deskripsi dataset ini secara efektif dan bagaimana memastikan kualitas dan pemeliharaan dataset yang dibagikan.
6. Moonshots
Idealnya, penelitian seputar GeoAI dan ilmu data spasial secara lebih luas akan difokuskan pada beberapa tantangan besar. Hal-hal tersebut memainkan peran penting dalam mengukur kemajuan suatu komunitas, menjelaskan kepada orang lain bagaimana suatu arah penelitian tertentu berkontribusi pada gambaran yang lebih besar, dan menyepakati serangkaian prioritas bersama. Di sini kami menguraikan salah satu dari rembuk tersebut.
Dapatkah kita mengembangkan analis SIG buatan yang dapat melewati Tes Turing khusus domain pada tahun 2030? Dengan kata lain, dapatkah kita merancang agen perangkat lunak yang dapat menjawab pertanyaan domain terkait GIS dari pengguna, memahami cara mengumpulkan data yang diperlukan, cara menganalisisnya, dan cara menyajikan hasilnya dalam bentuk yang sesuai? Bayangkan seorang pengguna bertanya tentang lahan yang belum dikembangkan yang paling cocok untuk instalasi panel surya berbasis komunitas. Analis SIG buatan akan menemukan lapisan data yang diperlukan menggunakan SDI, melakukan
operasi seperti analisis insolasi, dan mengembalikan peta kesesuaian, sehingga (idealnya) tidak dapat dibedakan dengan analis manusia. Kuncinya di sini adalah membuka SIG untuk interaksi seperti Siri bagi masyarakat umum, bukan untuk menggantikan analis SIG yang sangat terlatih dalam melakukan analisis yang kompleks. Beberapa proyek berskala besar seperti EarthCube yang didanai NSF dan, baru-baru ini, jalur Open Knowledge Networks dari NSF's Convergence Accelerator menjawab tantangan dalam merancang repositori data yang dapat dibaca oleh manusia dan mesin dan masuk akal. Dari sisi metode, penelitian yang disebutkan di atas oleh Scheider dkk. (2019) dan tim peneliti lainnya sudah dapat dilihat sebagai kontribusi untuk hal ini. Dari sisi industri, perusahaan seperti Esri telah lama bereksperimen dengan opsi analisis dan visualisasi yang secara otomatis menyarankan untuk set data dan jenis yang umum. Oleh karena itu, meskipun ambisius, analis SIG buatan yang dibayangkan adalah tujuan yang realistis jika penelitian GeoAI terus berlanjut dengan kecepatan seperti saat ini.
7. Ringkasan dan kesimpulan
Dalam editorial ini, kami memotivasi perlunya penelitian GeoAI dan mengulas asal-usulnya.
Kami telah menguraikan tiga arah penelitian yang signifikan, yaitu model eksplisit secara spasial, menjawab pertanyaan, dan penginderaan sosial, mendiskusikan kebutuhan akan set data berkualitas tinggi dan reproduktifitas yang lebih baik, dan menyajikan sebuah moonshot GeoAI sebagai contoh visi bersama untuk sepuluh tahun ke depan. Kami juga berharap bahwa GeoAI dan ilmu data spasial secara lebih luas akan mendekatkan berbagai domain yang bekerja pada atau dengan informasi spasial. Terakhir, kami percaya bahwa pertimbangan etika harus menjadi bagian penting dalam penelitian GeoAI yang bertanggung jawab, baik pada tingkat peneliti individu maupun komunitas secara keseluruhan. Kami percaya bahwa luasnya topik dan teknik dalam edisi khusus ini (Acheson dkk. dalam edisi ini, Zhu dkk. dalam edisi ini, Sparks dkk. dalam iniedisi , Law dkk. dalam edisi ini, Li dan Hsu dalam edisi ini, Duan dkk. dalam edisi ini, Ren dkk. dalam edisi ini, Guo dan Feng dalam edisi ini, Xie dkk. dalam edisi ini) sangat mewakili kondisi mutakhir GeoAI saat ini.
Catatan
1. Dari komunikasi pribadi pada musim semi 2017.
Ucapan terima kasih
Penulis makalah ini adalah karyawan UT-Battelle, LLC, di bawah kontrak DE-AC05- 00OR22725 dengan Departemen Energi Amerika Serikat. Oleh karena itu, Pemerintah Amerika Serikat memiliki dan penerbit, dengan menerima artikel untuk dipublikasikan, mengakui bahwa Pemerintah Amerika Serikat memiliki lisensi non-eksklusif, berbayar, tidak dapat dibatalkan, dan berlaku di seluruh dunia untuk mempublikasikan atau mereproduksi bentuk terbitan naskah ini, atau mengizinkan pihak lain untuk melakukannya, untuk tujuan Pemerintah Amerika Serikat. Krzysztof Janowicz berterima kasih atas dukungan dari National Science Foundation di bawah 1936677 'Akselerator Konvergensi Tahap I (RAISE):
Model, Metode, dan Layanan Eksplisit Secara Spasial untuk Jaringan Pengetahuan Terbuka'. Segala pendapat, temuan, dan kesimpulan atau rekomendasi yang diungkapkan dalam materi ini merupakan pendapat penulis dan tidak mencerminkan pandangan National Science Foundation. Grant McKenzie berterima kasih atas dukungan dari Dewan Riset Ilmu Pengetahuan Alam dan Teknik Kanada. Song Gao mengucapkan terima kasih atas dukungan dari National
Science Foundation (Hibah No. 1940091) dan Wisconsin Alumni Research Foundation. Terakhir, penulis ingin mengucapkan terima kasih kepada Gengchen Mai dan Bo Yan yang telah berbagi komentar dan wawasan.
Pendanaan
Pekerjaan ini didukung oleh National Science Foundation [1936677, 1940091]; Dewan Riset Ilmu Pengetahuan Alam dan Teknik Kanada; Wisconsin Alumni Research Foundation.
Referensi
Acheson, E., Volpi, M., dan Purves, R.S., dalam terbitan ini. Pembelajaran mesin untuk pencocokan lintas- gazetteer dari fitur-fitur alami. Jurnal Internasional Ilmu Informasi Geografis, 1-27.
Adams, B., dkk., 2014. Observatorium informasi geografis untuk mendukung ilmu pengetahuan. Dalam: K.
Janowicz,
B. Adams, G. McKenzie, dan T. Kauppinen, eds. Prosiding lokakarya tentang observatorium informasi geografis , 23 September 2014 Wina, Austria, 32-39.
Adams, B., McKenzie, G., dan Gahegan, M., 2015. Frankenplace: pemetaan tematik interaktif untuk pencarian eksploratori ad hoc. Dalam: Prosiding konferensi internasional ke-24 tentang world wide web.
Komite Pengarah Konferensi World Wide Web Internasional. Florence, Italy: ACM, 12-22.
Aggarwal, C.C. dan Abdelzaher, T., 2013. Penginderaan sosial. Dalam: A. C. Charu, ed., Managing and mining social sensing data. Mengelola dan menambang data sensor . Springer, 237-297.
Arora, S., Liang, Y., dan Ma, T., 2017. Dasar yang sederhana namun sulit dikalahkan untuk penyematan kalimat. Dalam: Prosiding konferensi internasional ke-5 tentang representasi pembelajaran. Palais des Congrès Neptunus, Toulon: ACM.
Ballatore, A., Bertolotto, M., dan Wilson, D.C., 2013. Ekstraksi pengetahuan geografis dan kesamaan semantik dalam openstreetmap. Knowledge and Information Systems, 370 (1), 61-81. doi:10.1007/
s10115-012-0571-0
Battaglia, P.W., et al. 2018. Bias induktif relasional, pembelajaran mendalam, dan jaringan graf. arXiv Preprint arXiv:1806.01261.
Bollen, K., dkk., 2015. Perspektif ilmu sosial, perilaku, dan ekonomi tentang sains yang kuat dan andal.
Laporan Sub-komite Replicability dalam Komite Penasihat Ilmu Pengetahuan kepada Science Foundation Direktorat Ilmu Pengetahuan Sosial, Perilaku, dan Ekonomi, 3, 4.
Chaix, B., 2018. Penginderaan seluler dalam penelitian kesehatan lingkungan dan lingkungan. Tinjauan Tahunan Kesehatan Masyarakat, 39, 367-384. doi:10.1146/annurev-publhealth-040617-013731 Chu, G., dkk., 2019. Jaringan sadar geografis untuk pengenalan berbutir halus. arXiv Preprint
arXiv:1906.01737.
Couclelis, H., 1986. Kecerdasan buatan dalam geografi: dugaan tentang bentuk benda-benda yang akan datang.
The Professional Geographer, 380 (1), 1-11. doi:10.1111/j.0033-0124.1986.00001.x
Deng, J., dkk., 2009. Imagenet: basis data gambar hirarkis berskala besar. Dalam konferensi IEEE 2009 di computer vision and pattern recognition. IEEE, 248-255. doi:10.1037/a0016184
Duan, W., dkk., dalam edisi ini. Penyelarasan otomatis data vektor kontemporer dan peta historis bergeoreferensi menggunakan pembelajaran penguatan. International Journal of Geographical Information Science, halaman dalam edisi ini.
Gao, S., dkk., 2017. Metode berbasis sintesis data untuk mendeteksi dan mengekstraksi wilayah kognitif yang samar-samar. Jurnal Internasional Ilmu Informasi Geografis, 310 (6), 1245-1271.
Gebru, T., dkk., 2017. Menggunakan deep learning dan google street view untuk memperkirakan susunan demografis lingkungan di seluruh Amerika Serikat. Prosiding National Academy of Sciences, 1140 (50), 13108-13113. doi:10.1073/pnas.1700035114
Gil, Y., dkk., 2007. Menelaah tantangan alur kerja ilmiah. Computer, 400 (12), 24-32.
doi:10.1109/MC.2007.421
Goodchild, M., 2001. Isu-isu dalam pemodelan eksplisit secara spasial. Dalam: D. C. Parker, T. Berger, dan S.
M. Manson, eds. Model-model berbasis agen untuk perubahan penggunaan lahan dan tutupan lahan laporan dan tinjauan lokakarya internasional 47 Oktober. Irvine, CA, 12-15.
Goodchild, M.F. dan Janelle, D.G., 2004. Berpikir secara spasial dalam ilmu-ilmu sosial. Spatial Integrated Social Science, 3-17.
Goodfellow, I., dkk., 2014. Jaring permusuhan generatif. Dalam: Z. Ghahramani, M. Welling, C. Cortes, N. D.
Lawrence dan K. Q. Weinberger, eds. Kemajuan dalam sistem pemrosesan informasi saraf. Palais des Congrès de Montréal, Montréal CANADA: Neural Information Processing Systems (NIPS), 2672-2680. Guo, Z. dan Feng, -C.-C., dalam terbitan ini. Menggunakan fitur konvolusi dalam multi-skala dan hirarkis untuk klasifikasi semantik 3D dari awan titik tls. Jurnal Internasional Informasi Geografis Ilmu Pengetahuan, 1-20.
Hey, A.J., dkk., 2009. Paradigma keempat: penemuan ilmiah yang intensif data. Vol. 1. WA: Microsoft research Redmond.
Hu, Y., dkk., 2015. Penyelarasan topik metadata dan pencarian semantik untuk geoportal berbasis data tertaut: studi kasus menggunakan arcgis online. Transactions in GIS, 190 (3), 398-416. doi:10.1111/
tgis.12151
Hu, Y., 2018. Data geo-teks dan semantik geospasial berbasis data. Kompas Geografi, 120 (11), e12404.
doi:10.1111/gec3.12404
Hu, Y., Deng, C., dan Zhou, Z., 2019. Analisis semantik dan sentimen pada ulasan lingkungan daring untuk memahami persepsi orang terhadap lingkungan tempat tinggal mereka. Annals of the American Association of Geographers, 1090 (4), 1052-1073. doi:10.1080/24694452.2018.1535886 Jacobs, N., dkk., 2009. Jaringan global webcam luar ruang: properti dan aplikasi. Dalam:
Prosiding konferensi internasional ACM SIGSPATIAL ke-17 tentang kemajuan dalam sistem informasi geografis . New York, NY: ACM, 111-120.
Janowicz, K., dkk., 2014. Menuju observatorium informasi geografis. In: K. Janowicz, B. Adams,
G. McKenzie, dan T. Kauppinen, eds. Prosiding lokakarya tentang informasi geografis observatoriums, 23 September 2014 Wina, Austria, 1-5.
Janowicz, K., dkk., 2015, Mar. Mengapa kereta data membutuhkan rel semantik. AI Magazine, 360 (1), 5-14.
doi:10.1609/aimag.v36i1.2560
Janowicz, K., dkk., 2019. Menggunakan tanda tangan semantik untuk penginderaan sosial di lingkungan perkotaan. Dalam: Pola mobilitas, data besar, dan analisis transportasi. Amsterdam, Belanda: Elsevier, 31- 54.
Jones, J., dkk., 2014. Membuat web data tersedia melalui layanan fitur web. In: Menghubungkan digital Eropa melalui lokasi dan tempat. New York, NY: Springer, 341-361.
Kang, Y., dkk., 2019. Mengekstraksi emosi manusia di berbagai tempat berdasarkan ekspresi wajah dan analisis pengelompokan spasial . Transaksi dalam SIG, 230 (3), 450-480. doi: 10.1111/tgis.12552 Khan, F., dkk., 2019. Mobile crowdsensing: sebuah survei tentang pelestarian privasi, manajemen tugas,
model penugasan, dan mekanisme insentif. Sistem Komputer Generasi Mendatang, 100, 456- 472. doi:10.1016/j.future.2019.02.014
Kuhn, W., 2012. Konsep inti informasi spasial untuk penelitian transdisipliner. Jurnal Internasional of Geographical Information Science, 260 (12), 2267-2276. doi:10.1080/13658816.2012.722637
Law, S., dkk., dalam edisi ini. Street-frontage-net: klasifikasi citra perkotaan menggunakan jaringan syaraf tiruan deep convolutional . Jurnal Internasional Ilmu Informasi Geografis, 1-27.
Li, M., dkk., 2019. Rekonstruksi lintasan pergerakan manusia dari data ponsel frekuensi rendah berskala besar. Komputer, Lingkungan dan Sistem Perkotaan, 77, 101346. doi:10.1016/j.
compenvurbsys.2019.101346
Li, W. dan Hsu, C.-Y., dalam terbitan ini. Identifikasi fitur medan secara otomatis dari citra penginderaan jauh : pendekatan pembelajaran mendalam. Jurnal Internasional Ilmu Informasi Geografis, 1-24. Li, X., Zhang, C., dan Li, W., 2015. Apakah visibilitas tanaman hijau meningkatkan persepsi keamanan di daerah perkotaan? bukti dari dataset place pulse 1.0. ISPRS International Journal of Geo-Information, 40 (3), 1166-1183. doi: 10.3390/ijgi4031166
Liu, Y., dkk., 2015. Penginderaan sosial: pendekatan baru untuk memahami lingkungan sosial ekonomi kita. Annals of the Association of American Geographers, 1050 (3), 512-530. doi:10.1080/
00045608.2015.1018773
Mac Aodha, O., Cole, E., dan Perona, P., 2019. Presence-only geographical prior untuk klasifikasi citra berbutir halus. arXiv Preprint arXiv:1906.05272.
Mai, G., dkk., 2019a. Mengintegrasikan data tertaut secara mendalam dengan sistem informasi geografis.
Transaksi dalam SIG, 230 (3), 579-600. doi:10.1111/tgis.12538
Mai, G., dkk., 2019b. Mengatasi pertanyaan geografis yang tidak dapat dijawab dengan menggunakan model penyematan graf yang eksplisit secara spasial. Dalam: P. Kyriakidis, D. Hadjimitsis, D. Skarlatos, A. Mansourian, eds. Konferensi internasional tahunan tentang ilmu informasi geografis. Berlin, Jerman:
Springer, 21-39.
Martin, H., dkk., 2018. Jaringan saraf konvolusi graf untuk imputasi tujuan aktivitas manusia. Dalam:
Lokakarya spatiotemporal NIPS pada konferensi tahunan ke-32 tentang sistem pemrosesan informasi saraf (NIPS 2018).
McKenzie, G., dkk., 2015. POI pulse: observatorium informasi berbasis tanda tangan semantik multi- granular untuk visualisasi interaktif data geososial yang besar. Cartographica: The International Journal for Geographic Information and Geovisualization, 500 (2), 71-85. doi:10.3138/cart.50.2.2662
Moreau, L., dkk., 2008. Asal usul data elektronik. Communications of the ACM, 510 (4), 52.
doi:10.1145/1330311.1330323
Openshaw, S. dan Openshaw, C., 1997. Kecerdasan buatan dalam geografi. 1st ed. New York, NY: John Wiley & Sons, Inc. ISBN 0471969915.
Polson, N.G. dan Sokolov, V.O., 2017. Pembelajaran mendalam untuk prediksi arus lalu lintas jangka pendek. Penelitian Transportasi Bagian C: Teknologi yang sedang berkembang, 79, 1-17.
doi:10.1016/j.trc.2017.02.024 Regalia, B., dkk., 2016. Crowdsensing lingkungan dan layanan sekitar yang cerdas. Transaksi dalam GIS, 200 (3), 0382-398. doi: 10.1111/tgis.12233
Regalia, B., Janowicz, K., dan McKenzie, G., 2019. Menghitung dan menanyakan hubungan topologi yang ketat, perkiraan, dan disempurnakan secara metrik dalam data geografis yang ditautkan. Transactions in GIS, 230 (3), 601-619. doi:10.1111/tgis.12548
Ren, Y., dkk., dalam terbitan ini. Model pembelajaran mendalam terintegrasi hibrida untuk prediksi volume aliran spatio-temporal di seluruh kota. Jurnal Internasional Sains Informasi Geografis, 1-22.
Resch, B., dkk., 2015. Ekstraksi emosi urban geo-semantik dari sensor teknis, sensor manusia, dan data crowdsourced. In: Kemajuan dalam layanan berbasis lokasi 2014. Berlin, Germany: Springer, 199-212.
Rodriguez, A.M. dan Egenhofer, M.J., 2004. Membandingkan kelas entitas geospasial: ukuran kesamaan asimetris dan bergantung pada konteks. International Journal of Geographical Information Science, 180 (3), 229-256. doi:10.1080/13658810310001629592
Scellato, S., Noulas, A., dan Mascolo, C., 2011. Mengeksploitasi fitur tempat dalam prediksi tautan pada jejaring sosial berbasis lokasi. In: Prosiding konferensi internasional ACM SIGKDD ke-17. Penemuan pengetahuan dan penggalian data. San Diego, CA: ACM, 1046-1054.
Scheider, S., Ballatore, A., dan Lemmens, R., 2019. Menemukan dan berbagi metode SIG berdasarkan pertanyaan yang mereka jawab. International Journal of Digital Earth, 120 (5), 594-613. doi:10.1080/
17538947.2018.1470688
Seif, H.G. dan Hu, X., 2016. Mengemudi otonom di peta icityhd sebagai tantangan utama industri otomotif . Engineering, 20 (2), 159-162. doi:10.1016/J.ENG.2016.02.010
Silva, M.J., dkk., 2006. Menambahkan cakupan geografis pada sumber daya web. Komputer, Lingkungan dan Sistem Perkotaan, 300 (4), 378-399. doi:10.1016/j.compenvurbsys.2005.08.003
Smith, T.R., 1984. Kecerdasan buatan dan penerapannya pada pemecahan masalah geografis. The Professional Geographer, 360 (2), 147-158. doi:10.1111/j.0033-0124.1984.00147.x
Sparks, K., dkk., dalam edisi ini. Analisis global tanda tangan temporal geososial kota untuk titik-titik jam operasi yang menarik. Jurnal Internasional Ilmu Informasi Geografis, 1-18.
Svoray, T., dkk., 2018. Mendemonstrasikan efek paparan terhadap alam pada ekspresi wajah bahagia melalui data flickr: keuntungan dari analisis data jaringan sosial non-intrusif dan metodologi geoinformatika. Jurnal Psikologi Lingkungan, 58, 93-100. doi: 10.1016/j. jenvp.2018.07.006
Vahedi, B., Kuhn, W., dan Ballatore, A., 2016. Komputasi spasial berbasis pertanyaan sebuah studi kasus. In:
Data geospasial di dunia yang terus berubah. Helsinki, Finlandia: Springer, 37-50.
Wang, M., dkk., 2018. Menuju jawaban kosong di sparql: mendekati kueri dengan penyematan rdf.
Dalam: Konferensi web semantik internasional. Springer, 513-529. doi:10.1177/1753193417739248 Xie, Y., dkk., dalam edisi ini. Kerangka kerja yolo yang dibatasi secara lokal untuk mendeteksi jejak kaki
bangunan yang kecil dan terdistribusi secara padat. Jurnal Internasional Ilmu Informasi Geografis, 1-25.
Xu, L., dkk., 2018. Check in or not? permainan stokastik untuk menjaga privasi dalam sistem rekomendasi tempat menarik. IEEE Internet of Things Journal, 50 (5), 4178-4190. doi:10.1109/ JIOT.2018.2847302 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 dalam sistem informasi geografis. Redondo Beach, CA: ACM, 35.
Yan, B., dkk., 2018. xnet+ sc: mengklasifikasikan tempat berdasarkan gambar dengan memasukkan konteks spasial. Dalam:
S. Winter, A. Griffin dan M. Sester, eds. Konferensi internasional ke-10 tentang informasi geografis sains (GIScience 2018). Melbourne, Australia: Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik.
Yan, B., dkk., 2019. Model pembelajaran penguatan eksplisit secara spasial untuk peringkasan grafik pengetahuan geografis . Transaksi dalam SIG, 230 (3), 620-640. doi:10.1111/tgis.12547
Zang, A., dkk., 2017. Pelokalan mandiri kendaraan yang akurat dalam dataset peta definisi tinggi. In: S.
Gao, J. Dai, G. He, Y. Xu, and X. Chen, eds. Prosiding lokakarya ACM SIGSPATIAL ke-1 peta presisi tinggi dan aplikasi cerdas untuk kendaraan otonom. Redondo Beach, CA: ACM, 2.
Zeile, P. dan Resch, B., 2018. Menggabungkan teknologi biosensing dan lingkungan virtual untuk perencanaan kota yang lebih baik. GI_Forum, 1, 344-357. doi:10.1553/giscience
Zhang, F., dkk., 2018. Merepresentasikan lokasi tempat menggunakan elemen pemandangan. Komputer, Lingkungan dan Sistem Perkotaan, 71, 153-164. doi:10.1016/j.compenvurbsys.2018.05.005
Zhang, F., dkk., 2019. Penginderaan sosial dari citra permukaan jalan: studi kasus dalam mempelajari pola mobilitas perkotaan secara spasial dan temporal. Jurnal Fotogrametri dan Penginderaan Jauh ISPRS, 153, 48-
58. doi:10.1016/j.isprsjprs.2019.04.017
Zheng, Y., dkk., 2014. Mendiagnosis kebisingan kota new york dengan data yang ada di mana-mana.
Dalam Prosiding konferensi gabungan internasional ACM 2014 tentang komputasi pervasive dan ubiquitous. Seattle, WA: ACM, 715-725.
Zhu, D., dkk., dalam terbitan ini. Interpolasi spasial menggunakan jaringan syaraf tiruan generatif bersyarat. Jurnal Internasional Ilmu Informasi Geografis, 1-24.
Krzysztof Janowicz Laboratorium STKO, Departemen Geografi, Universitas California, Santa Barbara, CA, AS [email protected] Song Gao Laboratorium GeoDS, Departemen Geografi, Universitas Wisconsin, Madison, WI, AS http://orcid.org/0000-0003-4359-6302 Grant McKenzie Laboratorium Analisis Platial, Departemen Geografi, Universitas McGill, Montreal, Kanada http://orcid.org/0000-0003-3247-2777 Yingjie Hu Laboratorium GeoAI, Departemen Geografi, Universitas di Buffalo, Buffalo, NY, AS http://orcid.org/0000-0002-5515-4125 Budhendra Bhaduri Oak Ridge National Lab, Oak Ridge, TN, USA
http://orcid.org/0000-0003-1555-1377
