GeoXMind

空间图学习把邻接关系与地理过程共同纳入表示

说明如何从地理对象构图并进行消息传递，同时处理空间泄漏、动态图、异质性与跨区域评价。

空间图学习把邻接关系与地理过程共同纳入表示

许多地理对象不是规则像元，而是由节点和边组成的网络：道路交叉口通过路段连接，河段沿水流方向相接，行政单元共享边界，观测站之间可按距离或过程联系。空间图学习在这些关系上传递信息，使模型同时利用对象属性与邻域结构。

图的建立本身就是建模假设。按拓扑相邻、欧氏距离、出行时间或统计相关构造的边，代表不同机制。图神经网络只能学习所提供图上的模式，错误邻接不会因网络更深而自行修正。

空间对象先要转成明确的图

节点可以代表点、线段、区域或网格单元，边可以有方向、权重和类型。道路网络通常需要有向边、通行成本和转向限制；区域邻接可区分共享边与仅接触一点；水文网络应遵守上下游方向。把所有关系压成无向二值邻接，会丢失影响预测的语义。

OGC Simple Feature Access 规定了常见几何类型和空间谓词的基础：https://www.ogc.org/standards/sfa/ 。几何相交并不自动等于过程连接。两条道路在立交投影上相交但不连通，两个区域距离近也可能被山脉或行政规则隔开。图构建需要把几何关系与业务规则分开记录。

节点特征还要统一量纲、时间和空间支持。区域总量与密度不可直接混用，站点瞬时观测与行政区年度统计也不在同一尺度。缺失值、边界变化和坐标参考系转换会改变图与特征，应进入数据版本和谱系。

消息传递聚合邻域信息

图卷积网络通过邻接矩阵和节点特征计算新的表示。经典 GCN 对邻接加入自连接并进行度归一化，使节点聚合自身和邻居信息：https://arxiv.org/abs/1609.02907 。多层传播让信息到达更远节点，但每一层都改变有效空间范围。

求和、均值、最大值或注意力聚合隐含不同假设。均值弱化节点度差异，求和保留规模但可能受高度节点支配，注意力允许关系权重随特征变化，却不保证权重就是可解释因果贡献。边特征和关系类型应通过适合的模型显式输入，而不是在训练后附会。

深层消息传递可能产生过平滑，节点表示越来越相似；也可能出现信息瓶颈，大量远端消息压入固定维度。残差、跳连、采样或分层图可以缓解问题，但首先要确认任务是否真的需要远距离传播。局部交通速度预测和流域污染传播具有不同的有效邻域。

地理依赖不等于普通同分布样本

相邻节点的标签和特征通常相关，随机拆分节点会让训练邻域与测试邻域互相泄漏。模型可能借助相邻标签或重复区域获得过高分数，却无法迁移到新城市、新流域或未来时段。评价应按空间块、网络子图、区域或时间切分，并设置足够缓冲。

空间异质性意味着同一种关系在不同地区强度不同。人口密集区的距离衰减、农村道路网络的连通模式和沿海环境过程不能由单一全局参数完整描述。可使用区域特征、分层参数或局部评价，但要防止区域标识成为记忆训练地点的捷径。

边界节点的邻居被截断，孤立节点没有可聚合信息，新节点或新边要求归纳能力。部署前应分别测试训练图内节点、训练后新增节点和全新区域。只在固定图上做传导学习，不能宣称模型可以直接处理任意新图。

时空图需要处理动态关系

交通、通信和环境网络会随时间变化。边权可由拥堵、风向或河流流量驱动，节点属性也具有季节和事件变化。把所有时刻压成静态平均图，会掩盖路径切换和方向变化。时空模型可以交替执行时间编码与图传播，或为每个时间窗口构造动态图。

动态图必须说明边是在预测时已知，还是由未来数据计算。使用整段时间序列的相关性构图，会把测试期信息泄漏到训练。安全做法是在每个预测时点只使用当时可获得的网络与历史数据，并保存构图窗口、阈值和版本。

异常事件会改变图机制。道路封闭、行政区调整、传感器停用都可能让旧图失效。监控不应只看特征漂移，还要看节点数、度分布、连通分量、边类型比例和孤立节点变化。

评价与解释要回到空间任务

节点分类、边预测和图级预测使用不同评价。类别不平衡时应报告每类召回和精度；路段流量回归需按区域、道路等级和时段分解误差；新边预测要构造真实可行的负样本，不能从所有节点对中随机抽取大量显然不可能的组合。

消融实验应比较没有图、不同邻接定义、不同传播深度和简单空间统计基线。若图模型只比属性模型略有变化，需要判断增益是否来自正确机制，是否值得增加构图和在线维护成本。注意力图或梯度解释可以提示敏感关系，但仍需通过边删除、反事实图和领域检查验证。

空间图学习适合表达“对象通过哪些关系相互影响”，不适合替代拓扑清理、空间采样设计和过程知识。可靠流程先定义对象与关系，再控制空间泄漏，最后判断消息传递是否带来跨区域、跨时间的稳定改进。

资料依据