Research Progress and Prospects of Data-Knowledge Coupled Spatiotemporal Prediction Modeling in Geosciences

XU Lei; CHEN Nengcheng; DENG Min

doi:10.13203/j.whugis20240483

您当前的位置：

首页 >

文章列表页 >

Research Progress and Prospects of Data-Knowledge Coupled Spatiotemporal Prediction Modeling in Geosciences

Review | 更新时间：2026-11-05

- Research Progress and Prospects of Data-Knowledge Coupled Spatiotemporal Prediction Modeling in Geosciences
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 5, Pages: 869-887(2026)
- 作者机构：
  
  1.中国地质大学（武汉）国家地理信息系统工程技术研究中心，湖北武汉，430074
  2.中南大学地球科学与信息物理学院，湖南长沙，410083
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20240483
  CLC： P208
- Received：18 February 2025，
  
  Published：05 May 2026
- 稿件说明：
移动端阅览
许磊,陈能成,邓敏.数智耦合地学时空预测建模研究进展及展望[J].武汉大学学报（信息科学版）,2026,51(5):869-887.

XU Lei,CHEN Nengcheng,DENG Min.Research Progress and Prospects of Data-Knowledge Coupled Spatiotemporal Prediction Modeling in Geosciences[J].Geomatics and Information Science of Wuhan University,2026,51(5):869-887.
许磊,陈能成,邓敏.数智耦合地学时空预测建模研究进展及展望[J].武汉大学学报（信息科学版）,2026,51(5):869-887. DOI：10.13203/j.whugis20240483

XU Lei,CHEN Nengcheng,DENG Min.Research Progress and Prospects of Data-Knowledge Coupled Spatiotemporal Prediction Modeling in Geosciences[J].Geomatics and Information Science of Wuhan University,2026,51(5):869-887. DOI：10.13203/j.whugis20240483

摘要

地学时空预测是地球系统科学的重要研究问题，针对地学时空过程开展时空多尺度的未来演变预测。随着大数据、人工智能和地球科学的发展，地学时空预测从模型驱动的研究范式发展为数据驱动，进而发展为数据-知识联合驱动（数智耦合）的研究范式。首先回顾了地球系统科学时空预测模型的发展，包括统计、物理、人工智能、数智耦合模型及其局限性，其次阐述了数智耦合的基本概念、数智耦合框架、数智耦合关键技术，进一步探讨了数智耦合时空预测建模目前面临的重要挑战，包括数智耦合时空预测的逻辑深度、地学过程数智精准表征能力、数智耦合时空预测的专业壁垒，最后展望了数智耦合时空预测的未来发展方向，包括大模型时代的数智耦合、数智耦合时空预测的通用性和数智耦合时空预测的智能性，为地球科学领域数智耦合时空预测范式的发展提供较为全面的认知思路。

Abstract

Objectives

Spatiotemporal prediction plays a crucial role in Earth system science

focusing on forecasting the multiscale future evolution of geospatial processes. With the development of big data

artificial intelligence (AI)

and Earth science

spatiotemporal prediction has transitioned from a model-driven approach to a data-driven paradigm and

ultimately

to a data-knowledge coupled paradigm. We review the development of spatiotemporal prediction models

including statistical

physical

and data-knowledge coupled models

while analyzing their limitations and challenges. We aim to review current progress of data-knowledge coupled spatiotemporal prediction modeling in geosciences

highlight the important challenges and provide insights on future development.

Methods

We provide a systematic review of the evolution of spatiotemporal prediction models in Earth system science

with particular emphasis on the transition from statistical

physical

and AI-based models to data-knowledge coupled models. We further elaborate on the basic concepts

theoretical framework

and key technologies involved in data-knowledge coupling.

Results

(1) We propose a four-in-one data-knowledge coupled spatiotemporal prediction framework of “data empowerment

knowledge guidance

joint drive

and intelligent computing solutions”. (2) The review identifies the limitations of traditional spatiotemporal prediction models and emphasizes the advantages of data-knowledge coupled models that integrate both data-driven and knowledge-driven approaches. Key challenges in this field include the logical depth of data-knowledge coupling

the accurate representation of geoscientific processes

and overcoming professional barriers in spatiotemporal prediction modeling. (3) We highlight three promising development directions of spatiotemporal prediction in geosciences

including the data-knowledge coupling in the era of large models

the universality of data-knowledge coupled spatiotemporal prediction models

the intelligence of data-knowledge coupled spatiotemporal prediction models.

Conclusions

Data-knowledge coupled spatiotemporal prediction models offer significant potential for advancing Earth sciences by enhancing prediction accuracy

interpretability

and robustness. In the future

the development of data- knowledge coupled geoscience spatiotemporal prediction will be more versatile and intelligent

with self-learning

self-evolution

self-adaptation

and self-generation capabilities

forming a highly intelligent prediction system that will demonstrate excellent adaptability and versatility in multiple fields

tasks

and scenarios.

关键词

Keywords

references

XU L ， CHEN N C ， CHEN Z Q ， et al . Spatiotemporal Forecasting in Earth System Science： Methods， Uncertainties， Predictability and Future Directions ［J］. Earth‑Science Reviews ， 2021 ， 222 ： 103828 .

BI K F ， XIE L X ， ZHANG H H ， et al . Accurate Medium-Range Global Weather Forecasting with 3D Neural Networks ［J］. Nature ， 2023 ， 619 （ 7970 ）： 533 - 538 .

NEARING G ， COHEN D ， DUBE V ， et al . Global Prediction of Extreme Floods in Ungauged Watersheds ［J］. Nature ， 2024 ， 627 （ 8004 ）： 559 - 563 .

刘瑜，汪珂丽，邢潇月，等 . 地理分析中的空间效应［J］. 地理学报， 2023 ， 78 （ 3 ）： 517 - 531 .

LIU Yu ， WANG Keli ， XING Xiaoyue ， et al . On Spatial Effects in Geographical Analysis ［J］. Acta Geographica Sinica ， 2023 ， 78 （ 3 ）： 517 - 531 .

ZHANG Y C ， LONG M S ， CHEN K Y ， et al . Skilful Nowcasting of Extreme Precipitation with NowcastNet ［J］. Nature ， 2023 ， 619 （ 7970 ）： 526 - 532 .

FOTHERINGHAM A S . Geographically Weighted Regression ［M］. London，UK ： SAGE Publications ， 2009 .

MARTIN R L ， OEPPEN J E . The Identification of Regional Forecasting Models Using Space： Time Correlation Functions ［J］. Transactions of the Institute of British Geographers ， 1975 （ 1 ）： 95 - 118 .

DIMITRAKOPOULOS R ， LUO X C . Spatiotemporal Modelling： Covariances and Ordinary Kriging Systems ［M］. Dordrecht，Netherlands ： Springer ， 1994 .

SKILLING J . Maximum Entropy and Bayesian Methods： Cambridge， England， 1988 ［M］. Dordrecht，Netherlands ： Springer ， 1989 .

JORDAN M I ， MITCHELL T M . Machine Learning： Trends， Perspectives， and Prospects ［J］. Science ， 2015 ， 349 （ 6245 ）： 255 - 260 .

LECUN Y ， BENGIO Y ， HINTON G . Deep Learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 .

ZANG H X ， LIU L ， SUN L ， et al . Short-Term Global Horizontal Irradiance Forecasting Based on a Hybrid CNN-LSTM Model with Spatiotemporal Correlations ［J］. Renewable Energy ， 2020 ， 160 ： 26 - 41 .

AKBARI ASANJAN A ， YANG T T ， HSU K ， et al . Short-Term Precipitation Forecast Based on the PERSIANN System and LSTM Recurrent Neural Networks ［J］. Journal of Geophysical Research： Atmospheres ， 2018 ， 123 （ 22 ）： 12 .

CHEN Y L ， LI F Y ， DENG Z ， et al . PM 2.5 Forecasting with Hybrid LSE Model-Based Approach ［J］. Software： Practice and Experience ， 2017 ， 47 （ 3 ）： 379 - 390 .

SØNDERBY C ， ESPEHOLT L ， JONATHAN H ， et al . MetNet： A Neural Weather Model for Precipitation Forecasting ［PP/OL］. arXiv （ 2020-03-24 ）［ 2024-04-11 ］. https：//arxiv.org/abs/2003.12140 https://arxiv.org/abs/2003.12140 .

SHI X J ， CHEN Z R ， WANG H ， et al . Convolutional LSTM Network： A Machine Learning Approach for Precipitation Nowcasting ［C］// The 29th International Conference on Neural Information Processing Systems ， Montreal， Canada ， 2015 .

XU L ， CHEN N C ， ZHANG X ， et al . A Data-Driven Multi-model Ensemble for Deterministic and Probabilistic Precipitation Forecasting at Seasonal Scale ［J］. Climate Dynamics ， 2020 ， 54 （ 7 ）： 3355 - 3374 .

REICHSTEIN M ， CAMPS-VALLS G ， STEVENS B ， et al . Deep Learning and Process Understanding for Data-Driven Earth System Science ［J］. Nature ， 2019 ， 566 （ 7743 ）： 195 - 204 .

GAGNE II D J ， CHRISTENSEN H M ， SUBRAMANIAN A C ， et al . Machine Learning for Stochastic Parameterization： Generative Adversarial Networks in the Lorenz'96 Model ［J］. Journal of Advances in Modeling Earth Systems ， 2020 ， 12 （ 3 ）： e2019MS001896 .

YUVAL J ， O’GORMAN P A . Stable Machine-Learning Parameterization of Subgrid Processes for Climate Modeling at a Range of Resolutions ［J］. Nature Communications ， 2020 ， 11 ： 3295 .

EBERT-UPHOFF I ， HILBURN K. Evaluation ， Tuning ， and Interpretation of Neural Networks for Working with Images in Meteorological Applications ［J］. Bulletin of the American Meteorological Society ， 2020 ， 101 （ 12 ）： E2149 - E2170 .

MCGOVERN A ， LAGERQUIST R ， JOHN GAGNE D ， et al . Making the Black Box more Transparent： Understanding the Physical Implications of Machine Learning ［J］. Bulletin of the American Meteorological Society ， 2019 ， 100 （ 11 ）： 2175 - 2199 .

MAKRIDAKIS S ， SPILIOTIS E ， ASSIMAKOPOULOS V . Statistical and Machine Learning Forecasting Methods： Concerns and Ways Forward ［J］. PLoS One ， 2018 ， 13 （ 3 ）： e0194889 .

TUKEY J W . Exploratory Data Analysis ［M］. New York ： Wesley ， 1977 .

BIAU G ， SCORNET E . A Random Forest Guided Tour ［J］. Test ， 2016 ， 25 （ 2 ）： 197 - 227 .

DEMŠAR U ， FOTHERINGHAM A S ， CHARLTON M . Exploring the Spatio-Temporal Dynamics of Geographical Processes with Geographically Weighted Regression and Geovisual Analytics ［J］. Information Visualization ， 2008 ， 7 （ 3 ）： 181 - 197 .

高松 . 地理空间人工智能的近期研究总结与思考［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1865 - 1874 .

GAO Song . A Review of Recent Researches and Reflections on Geospatial Artificial Intelligence ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1865 - 1874 .

SUGIYAMA M . Introduction to Statistical Machine Learning ［M］. CA，USA ： Morgan Kaufmann ， 2015 .

HAM Y G ， KIM J H ， LUO J J . Deep Learning for Multi-year ENSO Forecasts ［J］. Nature ， 2019 ， 573 （ 7775 ）： 568 - 572 .

WADOUX A M J C ， MINASNY B ， MCBRATNEY A B . Machine Learning for Digital Soil Mapping： Applications， Challenges and Suggested Solutions ［J］. Earth‑Science Reviews ， 2020 ， 210 ： 103359 .

XU L ， CHEN N C ， ZHANG X ， et al . Improving the North American Multi-Model Ensemble （NMME） Precipitation Forecasts at Local Areas Using Wavelet and Machine Learning ［J］. Climate Dynamics ， 2019 ， 53 （ 1 ）： 601 - 615 .

DEVRIES P M R ， VIÉGAS F ， WATTENBERG M ， et al . Deep Learning of Aftershock Patterns Following Large Earthquakes ［J］. Nature ， 2018 ， 560 （ 7720 ）： 632 - 634 .

QUILTY J ， ADAMOWSKI J ， BOUCHER M A . A Stochastic Data-Driven Ensemble Forecasting Framework for Water Resources：A Case Study Using Ensemble Members Derived from a Database of Deterministic Wavelet-Based Models ［J］. Water Resources Research ， 2019 ， 55 （ 1 ）： 175 - 202 .

XU L ， CHEN N C ， ZHANG X . A Comparison of Large-Scale Climate Signals and the North American Multi-model Ensemble （NMME） for Drought Prediction in China ［J］. Journal of Hydrology ， 2018 ， 557 ： 378 - 390 .

CORTES C ， VAPNIK V . Support-Vector Networks ［J］. Machine Learning ， 1995 ， 20 （ 3 ）： 273 - 297 .

BREIMAN L . Random Forests ［J］. Machine Learning ， 2001 ， 45 （ 1 ）： 5 - 32 .

何毅，姚圣，陈毅，等 . ConvLSTM神经网络的时序InSAR地面沉降时空预测［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 3 ）： 483 - 496 .

HE Yi ， YAO Sheng ， CHEN Yi ， et al . Spatio-Temporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 3 ）： 483 - 496 .

CHEN L ， ZHONG X H ， ZHANG F ， et al . FuXi： A Cascade Machine Learning Forecasting System for 15-Day Global Weather Forecast ［J］. NPJ Climate and Atmospheric Science ， 2023 ， 6 ： 190 .

YAO F L ， LU W X ， YANG H M ， et al . RingMo-Sense： Remote Sensing Foundation Model for Spatiotemporal Prediction via Spatiotemporal Evolution Disentangling ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2023 ， 61 ： 5620821 .

LI Z H ， XIA L ， SHI L ， et al . OpenCity： Open Spatio-Temporal Foundation Models for Traffic Prediction ［PP/OL］. arXiv （ 2024-08-16 ）［ 2024-09-01 ］. https：//arxiv.org/abs/2408.10269 https://arxiv.org/abs/2408.10269 .

HONG D F ， ZHANG B ， LI X Y ， et al . SpectralGPT： Spectral Remote Sensing Foundation Model ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2024 ， 46 （ 8 ）： 5227 - 5244 .

LAM R ， SANCHEZ-GONZALEZ A ， WILLSON M ， et al . Learning Skillful Medium-Range Global Weather Forecasting ［J］. Science ， 2023 ， 382 （ 6677 ）： 1416 - 1421 .

王培晓，张恒才，张岩，等 . 地理空间智能预测研究进展与发展趋势［J］. 地球信息科学学报， 2025 ， 27 （ 1 ）： 60 - 82 .

WANG Peixiao ， ZHANG Hengcai ， ZHANG Yan ， et al . GeoAI-Driven Spatiotemporal Prediction： Progress and Prospects ［J］. Journal of Geo-Information Science ， 2025 ， 27 （ 1 ）： 60 - 82 .

邓敏，蔡建南，杨文涛，等 . 多模态地理大数据时空分析方法［J］. 地球信息科学学报， 2020 ， 22 （ 1 ）： 41 - 56 .

DENG Min ， CAI Jiannan ， YANG Wentao ， et al . Spatio-Temporal Analysis Methods for Multi-modal Geographic Big Data ［J］. Journal of Geo‑Information Science ， 2020 ， 22 （ 1 ）： 41 - 56 .

王劲峰，葛咏，李连发，等 . 地理学时空数据分析方法［J］. 地理学报， 2014 ， 69 （ 9 ）： 1326 - 1345 .

WANG Jinfeng ， GE Yong ， LI Lianfa ， et al . Spatiotemporal Data Analysis in Geography ［J］. Acta Geographica Sinica ， 2014 ， 69 （ 9 ）： 1326 - 1345 .

GETTIER E . Is Justified True Belief Knowledge ［M］. London，UK ： Macat International Limited ， 2016 .

RAISSI M ， PERDIKARIS P ， KARNIADAKIS G E . Physics-Informed Neural Networks： A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations ［J］. Journal of Computational Physics ， 2019 ， 378 ： 686 - 707 .

乐鹏，刘瑞祥，上官博屹，等 . 地理人工智能样本：模型、质量与服务［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 10 ）： 1616 - 1631 .

YUE Peng ， LIU Ruixiang ， SHANGGUAN Boyi ， et al . GeoAI Training Data： Model， Quality， and Services ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 10 ）： 1616 - 1631 .

张智宇，朱昶安，唐敏，等 . 数据驱动的地外星表通行性分析及数据集生成方法［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 9 ）： 1362 - 1369 .

ZHANG Zhiyu ， ZHU Chang'an ， TANG Min ， et al . A Data-Driven Method for Traversability Analysis and Dataset Generation on Extraterrestrial Terrain ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 9 ）： 1362 - 1369 .

WANG Y ， WANG W K ， MA Z T ， et al . A Deep Learning Approach Based on Physical Constraints for Predicting Soil Moisture in Unsaturated Zones ［J］. Water Resources Research ， 2023 ， 59 （ 11 ）： e2023WR035194 .

CHANDWANI V ， VYAS S K ， AGRAWAL V ， et al . Soft Computing Approach for Rainfall-Runoff Modelling： A Review ［J］. Aquatic Procedia ， 2015 ， 4 ： 1054 - 1061 .

CHO K ， KIM Y . Improving Streamflow Prediction in the WRF-Hydro Model with LSTM Networks ［J］. Journal of Hydrology ， 2022 ， 605 ： 127297 .

ZHAO W L ， GENTINE P ， REICHSTEIN M ， et al . Physics-Constrained Machine Learning of Evapotranspiration ［J］. Geophysical Research Letters ， 2019 ， 46 （ 24 ）： 14496 - 14507 .

薛桂香，王辉，周卫峰，等 . 基于知识图谱和时空扩散图卷积网络的港口交通流量预测［J］. 计算机应用， 2024 （ 9 ）： 2952 - 2957 .

XUE Guixiang ， WANG Hui ， ZHOU Weifeng ， et al . Port Traffic Flow Prediction Based on Knowledge Graph and Spatio-Temporal Diffusion Graph Convolutional Network ［J］. Journal of Computer Applications ， 2024 （ 9 ）： 2952 - 2957 .

LI Z W ， LIU F ， YANG W J ， et al . A Survey of Convolutional Neural Networks： Analysis， Applications， and Prospects ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2022 ， 33 （ 12 ）： 6999 - 7019 .

HOCHREITER S . Long Short-Term Memory ［M］. Cambridge， USA ： MIT-Press ， 1997 .

KIPF T N ， WELLING M . Semi-Supervised Classification with Graph Convolutional Networks ［PP/OL］. arXiv （ 2016-02-13 ）［ 2024-04-11 ］. https：//arxiv.org/abs/1609.02907 https://arxiv.org/abs/1609.02907 .

CHEN T ， KORNBLITH S ， NOROUZI M ， et al . A Simple Framework for Contrastive Learning of Visual Representations ［PP/OL］. arXiv （ 2020-02-13 ）［ 2024-04-13 ］. https：//arxiv.org/abs/2002.05709 https://arxiv.org/abs/2002.05709 .

蹇松雷，卢凯 . 复杂异构数据的表征学习综述［J］. 计算机科学， 2020 ， 47 （ 2 ）： 1 - 9 .

JIAN Songlei ， LU Kai . Survey on Representation Learning of Complex Heterogeneous Data ［J］. Computer Science ， 2020 ， 47 （ 2 ）： 1 - 9 .

WU M K ， GOODMAN N . Multimodal Generative Models for Scalable Weakly-Supervised Learning ［C］// The 32nd International Conference on Neural Information Processing Systems ， Montréal， Canada ， 2018 .

TESCH T ， KOLLET S ， GARCKE J . Causal Deep Learning Models for Studying the Earth System ［J］. Geoscientific Model Development ， 2023 ， 16 （ 8 ）： 2149 - 2166 .

AKCELIK V ， BIELAK J ， BIROS G ， et al . High Resolution Forward and Inverse Earthquake Modeling on Terascale Computers ［C］// The 2003 ACM/IEEE Conference on Supercomputing ， Phoenix， AZ， USA， 2003 .

LI T ， SAHU A K ， TALWALKAR A ， et al . Fede‑rated Learning： Challenges， Methods， and Future Directions ［J］. IEEE Signal Processing Magazine ， 2020 ， 37 （ 3 ）： 50 - 60 .

KRISHNAMOORTHI R . Quantizing Deep Convolutional Networks for Efficient Inference： A Whitepaper ［PP/OL］. arXiv （ 2018-06-21 ）［ 2024-04-13 ］. https：//arxiv.org/abs/1806.08342 https://arxiv.org/abs/1806.08342 .

ZHAO J W ， WANG Z H ， PARK D S . Online Sequential Extreme Learning Machine with Forgetting Mechanism ［J］. Neurocomputing ， 2012 ， 87 ： 79 - 89 .

HU X L ， SHI L S ， LIN G ， et al . Comparison of Physical-Based， Data-Driven and Hybrid Modeling Approaches for Evapotranspiration Estimation ［J］. Journal of Hydrology ， 2021 ， 601 ： 126592 .

涂伟，曹劲舟，高琦丽，等 . 融合多源时空大数据感知城市动态［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 12 ）： 1875 - 1883 .

TU Wei ， CAO Jinzhou ， GAO Qili ， et al . Sensing Urban Dynamics by Fusing Multi-sourced Spatiotemporal Big Data ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 12 ）： 1875 - 1883 .

WANG H ， YEUNG D Y . A Survey on Bayesian Deep Learning ［J］. ACM Computing Surveys ， 2020 ， 53 （ 5 ）： 1 - 37 .

XU L ， LV Y ， MORADKHANI H . Daily Multistep Soil Moisture Forecasting by Combining Linear and Nonlinear Causality and Attention-Based Encoder-Decoder Model ［J］. Stochastic Environmental Research and Risk Assessment ， 2024 ， 38 （ 12 ）： 4979 - 5000 .

LUNDBERG S M ， LEE S I . A Unified Approach to Interpreting Model Predictions ［C］// Annual Conference on Neural Information Processing Systems ， Long Beach， CA， USA， 2017

许磊 . 顾及数据与模型不确定性的降雨时空预测分析及处理方法研究［D］. 武汉：武汉大学， 2021 .

XU Lei . Analysis and Processing of Spatiotemporal Precipitation Forecasting by Considering Data and Model Uncertainties ［D］. Wuhan ： Wuhan University ， 2021 .

XU L ， ABBASZADEH P ， MORADKHANI H ， et al . Continental Drought Monitoring Using Satellite Soil Moisture， Data Assimilation and an Integrated Drought Index ［J］. Remote Sensing of Environment ， 2020 ， 250 ： 112028 .

XU L ， CHEN N C ， ZHANG X ， et al . In-Situ and Triple-Collocation Based Evaluations of Eight Global Root Zone Soil Moisture Products ［J］. Remote Sensing of Environment ， 2021 ， 254 ： 112248 .

XU L ， CHEN N C ， YANG C ， et al . Quantifying the Uncertainty of Precipitation Forecasting Using Probabilistic Deep Learning ［J］. Hydrology and Earth System Sciences ， 2022 ， 26 （ 11 ）： 2923 - 2938 .

LOQUERCIO A ， SEGU M ， SCARAMUZZA D . A General Framework for Uncertainty Estimation in Deep Learning ［J］. IEEE Robotics and Automation Letters ， 2020 ， 5 （ 2 ）： 3153 - 3160 .

许磊，李琪，陶雲，等 . 数据驱动的短临降水预报可靠性分析技术体系研究［J］. 时空信息学报， 2023 ， 30 （ 4 ）： 508 - 517 .

XU Lei ， LI Qi ， TAO Yun ， et al . Design of a Data-Driven Reliability Analysis Technical System for Precipitation Nowcasting ［J］. Journal of Spatio-Temporal Information ， 2023 ， 30 （ 4 ）： 508 - 517 .

ABDAR M ， POURPANAH F ， HUSSAIN S ， et al . A Review of Uncertainty Quantification in Deep Learning： Techniques， Applications and Challenges ［J］. Information Fusion ， 2021 ， 76 ： 243 - 297 .

MADDOX W J ， GARIPOV T ， IZMAILOV P ， et al . A Simple Baseline for Bayesian Uncertainty in Deep Learning ［C］// Annual Conference on Neural Information Processing Systems ， Vancouver， BC， Canada， 2019

KENDALL A ， GAL Y . What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision？［C］// The 31st International Conference on Neural Information Processing Systems ， Long Beach， California， USA， 2017 .

RUBIN D B . Causal Inference Using Potential Outcomes ［J］. Journal of the American Statistical Association ， 2005 ， 100 （ 469 ）： 322 - 331 .

PAN S J ， YANG Q . A Survey on Transfer Learning ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2010 ， 22 （ 10 ）： 1345 - 1359 .

PRICE I ， SANCHEZ-GONZALEZ A ， ALET F ， et al . Probabilistic Weather Forecasting with Machine Learning ［J］. Nature ， 2025 ， 637 （ 8044 ）： 84 - 90 .

FENG S Y ， HUANG J S ， SHEN Q Q ， et al . A Hybrid Model Integrating Local and Global Spatial Correlation for Traffic Prediction ［J］. IEEE Access ， 2022 ， 10 ： 2170 - 2181 .

YUAN Z N ， ZHOU X ， YANG T B . Hetero-ConvLSTM： A Deep Learning Approach to Traffic Accident Prediction on Heterogeneous Spatio-Temporal Data ［C］// The 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， London， UK ， 2018 .

ZHANG C Y ， PATRAS P . Long-Term Mobile Traffic Forecasting Using Deep Spatio-Temporal Neural Networks ［C］// The Eighteenth ACM International Symposium on Mobile Ad Hoc Networking and Computing ， Los Angeles， CA， USA， 2018 .

ZAFAR M R ， KHAN N . Deterministic Local Interpretable Model-Agnostic Explanations for Stable Explainability ［J］. Machine Learning and Knowledge Extraction ， 2021 ， 3 （ 3 ）： 525 - 541 .

LIN Z H ， DENG C ， ZHOU L ， et al . GeoGalactica：A Scientific Large Language Model in Geoscience ［PP/OL］. arXiv （ 2023-12-31 ）［ 2024-04-13 ］. https：//arxiv.org/abs/2401.00434 https://arxiv.org/abs/2401.00434 .

杨必胜，陈一平，邹勤 . 从大模型看测绘时空信息智能处理的机遇和挑战［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 11 ）： 1756 - 1768 .

YANG Bisheng ， CHEN Yiping ， ZOU Qin . Opportunities and Challenges of Spatiotemporal Information Intelligent Processing of Surveying and Mapping in the Era of Large Models ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 11 ）： 1756 - 1768 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Linguistic-Spatial Intelligence： Opportunities and Challenges of Interdisciplinary Innovation

Spatiotemporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network

Three-State Fusion Support Problem of Marine Geographic Information for Ship Navigation

A Review of Multi-scale Geospatial Data Updating Methods

Machine Learning-Based Remote Sensing Retrieval of Soil Moisture： Advances and Challenges

Related Author

LIN Hui

QIN Kun

TU Haowen

CHEN Yuanyuan

ZHANG Yufei

ZHANG Yongsheng

WEI Ning

WU Jianhua

Related Institution

School of Geography and Environment, Jiangxi Normal University

Research Center for Linguistic Spatial Information Science, Jiangxi Normal University

School of Literature, Jiangxi Normal University

School of Remote Sensing and Information Engineering, Wuhan University

Faculty of Geomatics, Lanzhou Jiaotong University

AI问答

⁰