Recent interest in geospatial artificial intelligence (GeoAI) has fostered a wide range of applications using artificial intelligence (AI), especially deep learning for geospatial problem solving. Major challenges, however, such as a lack of training data and ignorance of spatial principles and spatial effects in AI model design remain, significantly hindering the in-depth integration of AI with geospatial research. This article reports our work in developing a cutting-edge deep learning model that enables object detection, especially of natural features, in a weakly supervised manner. Our work has made three innovative contributions: First, we present a novel method of object detection using only weak labels. This is achieved by developing a spatially explicit model according to Tobler’s first law of geography to enable weakly supervised object detection. Second, we integrate the idea of an attention map into the deep learning–based object detection pipeline and develop a multistage training strategy to further boost detection performance. Third, we have successfully applied this model for the automated detection of Mars impact craters, the inspection of which often involved tremendous manual work prior to our solution. Our model is generalizable for detecting both natural and man-made features on the surface of the Earth and other planets. This research has made a major contribution to the enrichment of the theoretical and methodological body of knowledge of GeoAI.

最近对地理空间人工智能 (GeoAI) 的兴趣促进了使用人工智能 (AI) 的广泛应用，尤其是用于解决地理空间问题的深度学习。然而，人工智能模型设计中缺乏训练数据、不了解空间原理和空间效应等主要挑战依然存在，严重阻碍了人工智能与地理空间研究的深度融合。本文报告了我们在开发尖端深度学习模型方面的工作，该模型能够以弱监督的方式实现目标检测，尤其是自然特征检测。我们的工作做出了三项创新贡献：首先，我们提出了一种仅使用弱标签进行目标检测的新方法。这是通过根据 Tobler 地理第一定律开发空间显式模型来实现的，以实现弱监督目标检测。其次，我们将注意力图的想法整合到基于深度学习的对象检测管道中，并开发了一种多阶段训练策略以进一步提高检测性能。第三，我们已经成功地将此模型应用于火星撞击坑的自动检测，在我们的解决方案之前，对这些撞击坑的检查通常涉及大量的手动工作。我们的模型可推广用于检测地球和其他行星表面的自然和人造特征。这项研究为丰富 GeoAI 的理论和方法学知识体系做出了重大贡献。我们将注意力图的想法整合到基于深度学习的对象检测管道中，并开发了一种多阶段训练策略以进一步提高检测性能。第三，我们已经成功地将此模型应用于火星撞击坑的自动检测，在我们的解决方案之前，对这些撞击坑的检查通常涉及大量的手动工作。我们的模型可推广用于检测地球和其他行星表面的自然和人造特征。这项研究为丰富 GeoAI 的理论和方法学知识体系做出了重大贡献。我们将注意力图的想法整合到基于深度学习的对象检测管道中，并开发了一种多阶段训练策略以进一步提高检测性能。第三，我们已经成功地将此模型应用于火星撞击坑的自动检测，在我们的解决方案之前，对这些撞击坑的检查通常涉及大量的手动工作。我们的模型可推广用于检测地球和其他行星表面的自然和人造特征。这项研究为丰富 GeoAI 的理论和方法学知识体系做出了重大贡献。在我们的解决方案之前，其中的检查通常涉及大量的手动工作。我们的模型可推广用于检测地球和其他行星表面的自然和人造特征。这项研究为丰富 GeoAI 的理论和方法学知识体系做出了重大贡献。在我们的解决方案之前，其中的检查通常涉及大量的手动工作。我们的模型可推广用于检测地球和其他行星表面的自然和人造特征。这项研究为丰富 GeoAI 的理论和方法学知识体系做出了重大贡献。