路虽远行则将至，事虽难做则必成。漫漫长路，必见曙光。《荀子•修身》
TIA-Net: Multi-Modal Land Use Recognition
With the increasing demand for refined urban management, methods that rely on a single data source or coarse-grained land use classification are no longer sufficient. Therefore, this paper proposes a parcel-level fine-grained land use recognition model, called the Triple Interaction Attention Network (TIA-Net). TIA-Net integrates remote sensing imagery (RSI), semantic information of points of interest (POI), and temporal population density (TPD). Swin-BiFPN is used to extract multi-scale spatial features from RSI. HydraMultiRocketPlus is used to model the temporal dynamics of population mobility. The POI encoder is used to characterize the distribution of human activities. Based on these components, the Feature-preserving Triple Interaction Self-Attention (FP-TISA) module is proposed. FP-TISA achieves deep fusion across spatial, semantic, and temporal dimensions. The module can effectively capture nonlinear interactions between heterogeneous data. The module can also reduce feature loss, which is common in traditional methods. On the national land use dataset CN-MSLU-100K, TIA-Net achieves a test accuracy of 77.64%, a Kappa coefficient of 0.740, and a macro-average precision of 65.20%, all outperforming the existing baseline models. Especially for macro-average accuracy, TIA-Net achieves nearly double the performance of the baseline model. Further analysis based on Grad-CAM++ and attention visualization reveals the model’s focus on key areas and its cross-modal interaction mechanism. In summary, TIA-Net improves both land use classification accuracy and interpretability. The model provides strong technical support for territorial spatial planning and natural resource management.
Multi-View Geospatial Learning for Ride-Hailing Forecasting at DiDi
The proliferation of ride-hailing services has fundamentally transformed urban mobility patterns, making accurate ride-hailing forecasting crucial for optimizing passenger experience and urban transportation efficiency. However, ride-hailing forecasting faces significant challenges due to geospatial heterogeneity and high susceptibility to external events. This paper proposes MVGR-Net (Multi-View Geospatial Representation Learning), a novel framework that addresses these challenges through a two-stage approach. In the pre-training stage, we learn comprehensive geospatial representations by integrating Points-of-Interest and temporal mobility patterns to capture regional characteristics from both semantic attribute and temporal mobility pattern views. The forecasting stage leverages these representations through a prompt-empowered framework that fine-tunes Large Language Models while incorporating external events. Extensive experiments on DiDi’s real-world datasets demonstrate the state-of-the-art performance.
会议通知 | 2026年中国地理学会（华中地区）学术年会
全球正加速迈向人工智能时代，深刻重塑社会经济结构与人类生活生产方式。这一技术变革既为应对区域可持续发展面临的资源约束、生态退化、城乡失衡等复杂挑战开辟了全新路径，也带来了数据伦理、数字鸿沟等前所未有的考验。
2026新年寄语 | 从城市到乡村，用数据理解世界
UrbanComp Lab在2025年持续深耕城市与乡村的空间智能研究，通过多源时空数据、地理大模型和计算方法，将宏观经济、城市运行与乡村发展转化为可观测、可分析、可解释的时空过程，致力于在同一认知框架下理解城乡空间的多样性与韧性。新的一年，团队将继续以数据连接现实，推动《地理大数据分析》教材出版，并寄语大家：既见高楼灯火，也望满天星辰——所谓世面，不过是世界的一面。
讲座报告 | 2025年12月23日未来城时空智能论坛
应关庆锋教授、姚尧教授邀请，华东师范大学黎夏教授、北京大学刘瑜教授、中南大学邓敏教授、武汉大学唐炉亮教授、北京大学黄舟教授和云南师范大学余柏蒗教授将于2025年12月23日上午未来城时空智能论坛为师生作学术报告
会议通知 | 2025 西丽湖论坛 “AI赋能智慧国土与城市治理研讨会”
西丽湖论坛于2020年起由科技部、教育部、广东省人民政府联合发文明确举办，打造国际化创新品牌。2025年西丽湖论坛以“科学智能（AIforScience，AI4S）”为主题。分论坛“AI赋能智慧国土与城市治理研讨会”将于2025年12月21日在北京大学深圳研究生院举行，由北京大学深圳研究生院城市规划与设计学院、中国地理信息产业协会智慧国土工作委员会、自然资源部陆表系统与人地关系重点实验室承办。
研讨会将聚焦探讨人工智能发展背景下智慧国土与城市治理的新理论、新方法、新技术与新应用模式。
Deep Learning Analysis of Gaza Settlements and Urban Sustainability
Title: Formal and informal settlements and corresponding demographic patterns in Gaza Strip: deep learning approach to urban sustainability
会议通知 | 第二十届地理信息科学理论与方法学术年会
第二十届地理信息科学理论与方法学术年会定于2025年11月21-24日在厦门举办。本次大会由中国地理信息产业协会指导，中国地理信息产业协会地理信息科学理论与方法工作委员会和集美大学联合主办，集美大学计算机工程学院和厦门理工学院计算机与信息工程学院承办。
在研课题 | 地理大模型驱动的乡村人居环境评价模型
随着乡村振兴战略的深入实施，乡村人居环境质量成为衡量乡村高质量发展的重要指标。然而，当前乡村人居环境评价仍面临数据来源分散、指标体系不统一、主观感知难量化等问题，难以支撑精细化的规划与治理决策。因此，亟需构建面向多源异构数据的综合评价体系，并探索利用智能大模型实现对乡村环境的自动解译、感知评估与优化建议生成。本项目结合“空–天–地”一体化的多源数据与深度学习技术，拟重点开展以下研究：
团队新闻 | 科睿唯安发布2025年度全球高被引科学家名单
2025年11月12日——科睿唯安发布了2025年度“全球高被引科学家”名单，遴选全球高校、研究机构和商业组织中对所在研究领域具有重大且广泛影响的顶尖科研人才。该名单每年评选一次，旨在表彰对所在学科做出重大贡献且具有全球影响力的自然科学家和社会科学家。
来自全球60个国家和地区1300多家机构的6868名科学家入选2025年度名单。科睿唯安科学信息研究所的文献计量学专家和数据科学家基于Web of Science核心合集引文数据以及定性分析，开展了严格的评估和遴选。
在今年的评选中，中国地质大学（武汉）共有 15 位科学家入选2025年度“全球高被引科学家”名单，继续保持在地球科学、环境科学、工程技术及社会科学等多个领域的突出科研影响力。入选学者来自多个重点科研团队，其中，高性能空间智能计算实验室的 关庆锋教授、梁迅教授、姚尧教授 同时入选。
