PlacePulse：从结构性地理数据中学习可迁移的地点表示

arXiv:2610.13390v1 公告类型：新论文 摘要：地理空间机器学习通常依赖针对特定任务的特征工程，对大量社会人口、商业和环境变量进行处理。地理空间基础模型提供可复用的地点表示，但主流方法通常编码人口流动和搜索活动等动态信号，或来自卫星影像的视觉信号。很少有模型将地点的静态结构组成（谁在那里生活和工作、哪些企业在那里经营，以及它们面临哪些风险）表示为精细空间分辨率下的可迁移嵌入。我们提出 PlacePulse，这是一种结构性地理空间基础模型，将 572 个属性通过 H3 邻域聚合扩展为 2,288 个输入，再压缩为 256 维单位范数嵌入，覆盖美国 1,055,537 个 H3 分辨率为 7 的网格单元。我们还提出了一套可复用的双轴基准，在多个目标和空间支撑单元上，将表示的内在质量与下游预测效用区分开来。在内在质量方面，这些嵌入重构标准化输入的平均 $R^2 = 0.853$，利用了 256 个维度中的 251 个近似去相关维度，并呈现出显著的空间组织性：第一主成分的 Moran's $I = 0.93$，且自相关性在超出输入半径的范围内依然存在。在外在效用方面，在来自 12 个外部来源、涵盖四种空间支撑单元的 74 个留出目标上，PlacePulse 在与训练输入无关的目标上的表现优于维度相同的特征选择基线，并可与 Google 的 Population Dynamics Foundation Model 相媲美；它在健康、经济、选举、经济流动性和社会脆弱性结果方面表现领先，其相对优势因领域而异。这些发现表明，结构组成是地理空间基础模型中一种独特且互补的模态，而不只是在行为或影像数据不可用时的备选方案。