EN中文

South China Geographical Journal >

2023 , Vol. 1 >Issue 1: 22 - 35

DOI: https://doi.org/10.20125/j.2097-2245.202301003

Theoretical Frontiers

The Technical Framework of Computable Village

  • LI Xun ,
  • GU Yu ,
  • DENG Weihuan ,
  • XU Weipan ,
  • CHEN Yifan
Expand
  • China Regional Coordinated Development and Rural Construction Institute, School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China

Received date: 2023-01-15

  Revised date: 2023-04-16

  Online published: 2023-06-25

Fold

Abstract

Data is one of the most crucial issues in achieving sustainable development in rural areas. Hitherto, emerging techniques, like remote sensing and machine learning, provide a promising foundation aiming at the data acquisition, calculation, and analysis, especially for vast, scattered, and full of territory heterogeneity villages. Specifically, the methodology of the Computable Village establishes the imagery-figure relationship via deriving systematically the multi-sourced data of rural natural and human settlement subjects; besides describing various rural elements quantificationally levering index calculating, data mining, and Artificial Intelligence methods, which could further unveil the spatial discrepancy and dynamic tendency of rural development in the total territory, and thus provides a possibility for rural researches striding from local to global. In this paper, a technical framework of the Computable Village is proposed including: (1) the categories and features of multi-sourced rural data such as remote sensing; (2) the computing approaches for rural data and the intelligent interpretation techniques for imagery-figure relationship; (3) the supports from the computed results to rural sustainable developments. Finally, the current challenges as well the further research directions are discussed and envisaged aiming at the Computable Village.

Key words： rural sustainable development; rural research; multi-sourced spatial-temporal data; Artificial Intelligence

Cite this article

LI Xun , GU Yu , DENG Weihuan , XU Weipan , CHEN Yifan . The Technical Framework of Computable Village[J]. South China Geographical Journal, 2023 , 1(1) : 22 -35 . DOI: 10.20125/j.2097-2245.202301003

近年来，乡村的可持续发展问题引起了全世界的广泛关注。联合国在2015年公布了17项可持续发展目标（Sustainable Development Goals，SDGs），致力于消除欠发达农村地区的贫困、住房条件差、食物和饮水短缺、基础设施建设不足等问题［1-2］；中国从党的十九大后大力推进乡村振兴战略，提升农村地区的社会经济发展水平、缩小城乡差距；韩国、欧盟等也针对乡村地区的经济发展和生态环境问题制定了一系列的发展策略［3-4］。而实现乡村可持续发展的关键在于对乡村生活生产生态的相关要素进行客观、全面、准确的度量，反映出它们在时序上的发展趋势和空间上的区域差异，为国家和政府制定精准有效的农村发展规划、统筹配置发展资源提供有力的支持。
然而，测度乡村要素、反映乡村发展水平充满着困难和挑战。如中国960万平方千米的国土上零散分布着约40万个行政村和200多万个自然村，乡村数量庞大且在空间上分布极其分散，收集乡村数据人力物力成本高昂。另外，广阔性和分散性带来的巨大自然地理条件差异，导致乡村在聚落形态、生活生产方式和社会文化等方面千姿百态、地域性显著，这些特征使得乡村建设发展的底数始终无法摸清［5］。
由于乡村数据获取的困难，传统乡村研究的对象主要是个案和区域，缺乏对乡村整体性的测度和认知。早期的乡村研究学者们以个案村庄为对象，通过田野调查以民族志方法全景式地描述村民的生产生活，试图通过解剖个案的详细特征推广到对乡村的整体认知［6］。但正如邓大才“一个小单元可能不是整个农村社会的缩影”［7］、弗里德曼（Maurice Freedman）“不能以村庄研究的数量 ‘堆积出’一个中国来”［8］所言，基于田野调查的数据收集方式使得乡村研究在空间和时间上受到限制，相对于偌大的乡村整体而言只能是管中窥豹、不得全貌。之后，虽然施坚雅（G. William Skinner）、弗里德曼、杜赞奇（Prasenjit Duara）、黄宗智（Philip Huang）、费孝通等学者试图以更加宏观的视角，借助宗族、市场、权力等载体“超越个案”——即通过积累众多的个案上升到区域和类型以反映乡村的整体情况——但面对规模庞大、分布零散、地域性强的乡村，田野调查的数据获取方式阻碍着乡村研究从个案迈向全局［7］。
进入现代社会以后，海量的多源乡村数据和新计算方法使得乡村要素可以被更广泛地感知和测度，为“可计算乡村”提供了契机——即系统地采集和获取乡村数据，以定量的方式在全局上测度各种乡村要素，从多尺度反映乡村在生产、生活、生态方面的时空特征。随着社会生产力的发展以及国家对于乡村地区治理能力的不断提升，世界各国政府和第三方组织开展了大规模的农村社会经济普查和各种专项社会调查，收集了海量的乡村数据，这为测度和认知乡村发展的全貌创造了数据基础［9-10］。近年来，以遥感为代表的时空大数据能够进行地物观测和感知人类活动行为，具有大范围、多时序、细粒度等优势，配合数据挖掘和人工智能方法，让“可计算乡村”更加智能高效［11-12］。
当下，面对支持乡村可持续发展的迫切需求，如何利用海量的多源乡村数据，以“可计算”的方式对各种乡村要素进行定量化测度，从而摸清乡村发展的底数是一个亟待解决的关键问题。基于此，本文提出了可计算乡村的技术框架：（1）总结了多源乡村数据的主要类型和特征；（2）阐述了定量指标的计算方法以及“图数”关系智能解译的技术路线；（3）对“可计算乡村”如何支持乡村可持续发展以及存在的挑战和未来研究方向进行了讨论。

1 可计算乡村的技术框架

“可计算乡村”就是系统性地收集多源乡村数据，对乡村生产生活生态的各种要素进行定量测度，从而摸清乡村发展底数，整体地了解和认知乡村发展现状和趋势。在众多乡村要素中（如社会关系、产业结构、物质建设、精神文明水平等），乡村建设既是乡村发展的主要途径——国家通过对乡村基础设施、公共服务设施等进行投资建设提升农村的发展水平，农户则将积累的财富投资到家庭农房建设中提高生活福祉［13-15］；又作为物质改造行为会在空间上留下痕迹（如旧农房被翻新、村路被拓宽、空地建立起学校等），从而能够感知、记录和度量，使得乡村能够被“计算”。因此，乡村建设是乡村发展水平的代理变量，乡村建设相关的物质要素是“可计算乡村”感知和测度的对象。
“可计算乡村”以乡村建设要素为观测对象，以人和乡村物质空间互动的角度，在空间、时间和要素的三维框架下描述和测度乡村发展的整体性水平和趋势。如图1所示，从空间尺度上来看，国家由众多的乡村统筹规划发展的基本单元——县域组成，县域向下和镇、村构成“县镇村”的乡村治理体系。多空间尺度能够层次化地反映乡村发展的复杂空间模式和区域差异。从时间尺度上来看，乡村建设在时序上不断发生变化，表现出乡村发展的动态趋势，蕴含着历史长河中国家和乡村互动的过程。从要素尺度上来看，山、草、林、水、田等生态要素以及农房、基础设施和公共服务设施等人居环境要素不断叠加到村落单元上，聚合为整体的乡村建设要素集合，从而全面地反映乡村建设发展的水平。
图1 国家和乡村在空间、时间和要素维度上的互动

Fig.1 Interaction between rural and state in spatial， temporal， and elemental dimensions

综上，“可计算乡村”具有系统性、整体性和可叠加性的三大特征。（1）系统性：将时空维和要素维综合成系统性框架，既能够在同一时刻对乡村要素的空间分布进行比较，展现出乡村发展在区域上的差异；又能够通过各个要素在时空上的演变反映乡村发展的水平和趋势。（2）整体性：将个人对物质空间的改造和国家对于乡村建设的投资作为整体看待，突出了乡村发展水平的异质性是在人地环境差异中形成的。（3）可叠加性：乡村各种自然和人居环境要素可以自由叠加组合，在不同的尺度和层次上展现乡村发展的差异性和统一性。
基于以上乡村和国家的互动过程，本文提出了可计算乡村的技术框架用于收集、计算、解译和分析乡村数据以测度乡村的建设发展水平。如图2所示，包括3个部分：（1）多源乡村数据：分为“图”和“数”两大基本数据类型——“图”指通过手机、无人机和卫星遥感获取的多尺度乡村环境影像数据；“数”指对各种乡村要素进行定量描述的定标数据，包括官方统计、问卷调查、手机信令和众包数据等。“图-数”作为反映乡村发展水平的基本底数，是可计算乡村的数据基础。（2）图数关系解译：通过卷积神经网络等人工智能方法对“图数”关系进行智能解译，使得二者能够相互转换和补充，在全局上描述乡村要素的时空特征。（3）乡村可持续发展：基于海量的乡村数据和“图-数”关系，对乡村建设发展水平进行定量测度和评价，反映其区域差异和动态趋势，从而揭示乡村发展当前仍存在的问题，通过“以评促建”的方式推进乡村可持续发展。本文接下来的章节将对以上部分进行系统性的总结和梳理，以论证可计算乡村技术框架的可行性与实现路径。
图2 可计算乡村的技术框架

Fig.2 Technical framework of the Computable Village

2 多源乡村数据和“图数”关系解译

乡村要素自古以来就以“图”和“数”两种基本形式进行记录和描述。《周礼·地官·大司徒》中记载“五家为比，使之相保；五比为闾，使之相爱；四闾为族，使之相葬；五族为党，使之相救；五党为州，使之相赒；五州为乡，使之相宾”，通过文本数字描述了基层社会单元通过不断聚合，实现守望相助的家国体系的过程；王希孟的《千里江山图》描绘了江南地区的山水、村庄、亭台、屋舍、长桥等自然和人居景观，使得后人能够想象彼时彼刻的秀丽乡村风光。进入现代社会后，从传统田野调查到多尺度影像的多源乡村数据记录了各种乡村要素，进一步丰富了乡村“图数”。
“图”和“数”以不同的数据结构对乡村要素进行表征，需要通过“图-数”解译的方法实现二者之间的转换。“数”主要表现为结构化的指标数值，定量地表征乡村要素在某项特征上的水平，如村庄的居民数量、人均收入等；“图”则为非结构化的影像数据，生动地记录乡村景观，让人能够切身地联想到实际场景。表1展示了乡村“图数”的主要类型以及其记录内容和计算方式。本章将对多源乡村数据的来源、表征内容和如何对乡村要素进行定量描述进行系统地阐述，并对“图数”关系解译方法进行总结和举例说明。
表1 多源乡村数据的特征和计算方式

Tab.1 Characteristics and computational approaches of multi-sourced rural data

数据类型 记录内容 计算方式
数 社会调查数据 个人、机构和政府通过开展乡村调查，收集各种乡村要素的文本和数值描述 直接对乡村要素相关指标进行计算
居民活动感知数据 智能手机等传感器记录用户的日常活动和社交行为 通过数据挖掘的方式计算为定量指标和时空模式
图 多尺度影像数据 基于视觉传感器记录乡村自然和人居环境要素 通过人工智能方法对景观要素进行解译

2.1 基于“数”的乡村要素定量描述

2.1.1 社会调查数据

官方组织的国家社会经济普查收集了乡村地区社会经济发展的丰富数据，以统计年鉴等形式向公众发布，具有范围广、可信度高、统计口径明确等优势，是最为基础和重要的乡村数据来源。基于政府每年公布的GDP、人均可支配收入和产业发展等国民经济指标［16-19］，以及每10年1次进行的人口普查数据［20-23］，能够直接地对乡村社会经济发展和人口流动等指标进行定量计算。
而在普查能力有限的近代及以前，学者们主要通过田野调查获取第一手的乡村数据以对乡村的权力结构、社会关系、经济产业、传统文化等进行研究［24-27］。到了现代，田野调查仍是极为重要的乡村数据获取途径，能够补充普查数据在统计粒度、深度和时效性上的不足。如罗斯高（Rozelle）等研究者在中国农村地区对村民和村干部针对基础设施建设和管理［28-34］、人居环境治理［35］、农业生产［36］等进行了大量的田野调查，通过多元回归等计量分析的方法揭示了国家投资、乡村治理和农村发展之间的关系。
一些第三方组织也开展了大规模的乡村社会调查研究，相比研究者个人调查，其数据覆盖的范围更广、项目更丰富。如在美国国家发展机构从1984年开始对亚非拉地区的发展中国家进行的人口和健康调查（Demographic and Health Surveys，DHS），收集了家庭特征、生育情况、营养和健康水平等信息，被广泛应用于全球尺度的家庭财富等方面的测度评估。如选取和财富相关的住房面积、家庭收入、教育水平等变量，通过主成分分析（Principle Component Analysis，PCA）等数据降维方法构建财富指数，度量研究区域的家庭财富分布［9-10，37-38］。另外，世界卫生组织开展的世界卫生调查［39］、巴西地理研究所开展的全国家庭调查［40］等也提供了海量的乡村数据。
笔者所在团队连续3年承担了国家住房和城乡建设部开展的乡村建设评价工作，通过收集乡村建设专项官方统计数据和开展大规模的村民、村干部问卷调查，获取了全国各省份上万个村庄关于农房建设、村庄公共服务设施、村庄人居和自然环境、村民满意度等方面的海量乡村数据，通过建立乡村建设评价指标体系对乡村的综合发展水平进行评价［41］，并利用Probit回归等计量模型分析乡村建设与乡村发展水平、乡村治理体制之间的互动影响机制［42-44］。

2.1.2 人类活动感知数据

乡村社会调查需要耗费巨大的人力物力资源，对乡村要素的整体性测度造成了巨大挑战［38，45］。近十年来，随着信息通信、传感器、物联网（Internet of Things， IoT）、全球定位系统（Global Navigation Satellite System，GNSS）等技术的发展，诞生了手机信令、社交媒体等直接感知居民活动行为的新型时空大数据，为高效、精细地测度区域发展水平提供了契机［11，46］。尤其随着智能手机和通信基础设施在农村地区的快速普及，将会产生海量的村民活动感知数据，为“可计算乡村”提供有力的数据支持。
手机信令是用户在使用智能手机进行通话或访问应用时所记录的时间、空间和行为特征数据，能够反映居民的日常活动行为模式，如朝九晚五的上班族表现为有序的职住通勤模式，而出租车司机的活动轨迹则表现为无序的巡游模式。另外，用户时空轨迹在空间上的聚合能够反映出地块的语义信息，如住宅区、写字楼、商业区因为其功能不同，会呈现各自的居民活动时空特征。与结构化的调查统计数据不同，手机信令作为非结构化的时空数据，需要通过数据挖掘的方法提取出其中表征人类活动的关键特征，再对区域的用地类型、居民活动模式、人口规模等进行识别和预测。如利用复杂网络方法揭示出人群活动的不同网络模式［47-49］、基于地块上的人群活动规律，利用机器学习方法对土地利用和功能类型进行分类和识别［50-51］、通过特征工程提取出用户行为特征对家庭财富进行预测等［52-53］。
社交媒体数据记录了用户在社交平台上分享的文字内容和地理标签，能够反映用户对场所的情感认知、空间活动、社交关系等信息［54-55］。复杂的文本数据可以通过自然语言处理的方法实现“可计算”，如通过文本分析方法进行关键词提取、分析群体舆情和用户对场所偏好等［56-58］。文字信息结合地理标签，通过空间统计分析和可视化方法，可以识别用户关注的热点区域［59］、研究城市群间的空间结构［60］、评价用户对不同场所的偏好程度［61］等。近年来，深度学习方法在自然语言处理领域取得了十分出色的成果，复杂的文本信息能够被神经网络模型（如Recurrent Neural Network和 Transformer）自动化地提取抽象高维特征，从而对文字背后复杂的用户情感和蕴含的语义信息进行充分表征［62-63］，让文本数据的“可计算”潜力被充分挖掘。

2.2 从乡村影像数据解译“数”

除了乡村调查数据和人类感知数据以“数”的方式对乡村要素进行定量描述外，乡村影像数据能够感知乡村自然和人居环境信息，以更加生动和丰富的方式记录乡村景观。在空天地多尺度的乡村影像数据中，卫星遥感影像凭借其天生的大规模、多时序的优势，在乡村研究中应用最为广泛。目前，随着卫星遥感技术的进步，遥感数据已经具备了高空间分辨率、高光谱分辨率和短观测周期的特点，能够对乡村地物进行大范围和精细化的观测。由于传感器感知波段不同，遥感影像记录信息和计算方法也有差异：RGB三波段日间遥感影像能够直接被人类理解，可以通过人工或机器学习的方法识别不同的地物类型，从而表征乡村山林湖草等自然要素和人居建成环境要素的位置和数量［5，64-65］；夜间灯光遥感通过红外波段捕捉地面夜间灯光的强度，从而感知人类活动强度，在区域经济发展水平和财富测度中被广泛应用［66-68］；多/高光谱遥感凭借其精细的光谱分辨率，能够超越人类视觉对地物进行更加精细化的观测，如农作物的类型和生长态势、湖泊水体质量等，在精准农业、水资源保护等领域有着重要应用［69-70］。但卫星遥感只能从俯视的角度拍摄地物，难以获取更加丰富的立面信息，因此还需要其他尺度的影像感知方式进行补充。
无人机是一种成本低廉、操作便利的飞行器，可以从近空中以多种角度拍摄高分辨率影像，从而更加精细地记录乡村要素。通过无人机拍摄的高分辨率村庄影像，可以建立精细化的村庄数字高程模型［71］、提取开垦耕地斑块［72］以及识别农房屋顶、乡村道路、农房基底、不透水面、家庭热水器等对象［73-77］。
除了卫星遥感和无人机从空中俯瞰村庄景观，智能手机可以从日常生活的视角拍摄村庄人居环境影像。当前，智能手机正在乡村广泛普及推广，村民可以在移动互联网上分享自己拍摄的村景影像，这种众包（Crowd-sourcing）的新型数据收集方式为解决规模庞大、分布零散的农村地区数据收集的难题提供了新的途径。如许伟攀等［78］建立专门服务乡村的“村景拍拍”众包平台，如图3所示，村民将手机拍摄的村景上传到“村景拍拍”平台中并附上地理位置标签；同时，平台的其他用户可以查看这些村景影像并对农房风貌、道路整洁等人居环境指标进行评分。从2021年村景拍拍平台创建至今，已经收集了全国上万个村庄超过40万张村景影像，提供了海量的村庄人居环境影像数据。
图3 “村景拍拍”众包平台

Fig.3 “RURAL IMAGE CLAP” crowdsourcing rural image sharing platform

遥感-无人机-手机能够从“空-天-人”的多尺度获取乡村影像数据，构成了乡村“图”的底数。相较社会调查、手机信令等“数”，图对乡村要素的描述更加丰富、生动、直观；但影像数据是高度非结构化的，乡村要素蕴含在其中能够被人所感知，但难以像数一样以定量的、可跨域比较的方式被呈现。因此，要实现乡村要素的定量描述需要构建“图→数”的映射关系。“图→数”关系的智能解译主要利用计算机视觉领域的人工智能算法（Artificial Intelligence in Computer Vision，AI-CV），尤其近年来深度学习的发展大大推动了“图→数”关系解译技术。乡村要素的“图→数”关系解译主要通过2种方式进行：显式地提取乡村要素和隐式地构建影像和定量指标间的映射关系。具体表述如下：
（1）显式地提取乡村要素，是指先从影像识别或提取出明确的要素，再基于要素的数量关系对乡村发展水平进行测度。如图4所示，提取根据任务的上下游，显式要素提取方法又可以分为影像分类（Image Classification）、目标检测（Objection Detection）和语义分割（Semantic Segmentation）。影像分类是通过机器学习算法（如支持向量机、随机森林等）或者卷积神经网络（Convolutional Neural Network， CNN）将一张完整的影像直接划分为某个类别，如森林、湖泊、村庄、农房、耕地等，从而能够将一张蕴含丰富信息的影像转换为某个类型，实现对从“图”到“数”的转换［79-80］。
图4 基于影像显式地提取乡村要素

Fig.4 Explicitly extracting rural elements via rural imageries

目标检测会在一张影像中，将关键要素的位置和类别识别出来，如陈怡帆等［81］通过YOLO卷积神经网络将村景影像中的农房层数、垃圾桶、汽车、空调外机等关键要素的目标识别出来，分析它们和乡村发展水平之间的关系；Gebru等［82］利用CNN模型将影像中的汽车提取出来并识别其年份、品牌、车型等信息，从而对区域的经济发展水平进行了估计。
语义分割将影像中的每个像素都识别为对应的类别，相当于实现了遥感影像要素的全解译，不仅得到了各个要素的数量和位置，还能够刻画其形状和肌理，实现了更高水平的图数关系解译。如李郇等［5］基于Mask R-CNN模型识别了中国的农房基底矢量图形，刻画出了中国农房分布的空间格局与村庄建筑肌理；王艳军等［73］和李颖等［83］对Mask R-CNN进行了改进，分别实现了农房新旧程度和屋顶材料的像素级别识别；刘耀辉等［77］通过最邻近的监督学习分类算法，将村庄影像的像素分割为农房、土地和道路以及植被三类，从而对农村的宅基地面积进行自动化的测算。
（2）隐式地映射影像和定量指标间关系，是指先提取出影像的高维特征，再基于局部的真实指标数据训练回归模型，实现高维特征和定标数据之间关系映射，从而能够对任意给定的影像输出对应的指标数据，实现图到数的转换［45，84-87］。基于地面真实的社会经济调查数据，通过深度卷积神经网络构建了遥感影像和家庭财富水平之间的映射关系；许伟攀等［78］基于村景影像的众包评分数据，通过DenseNet深度卷积网络构建了农房影像和农房品质的关系，实现了对中国农房质量的预测［88］；基于调查得到的森林覆盖、高程、人口密度、家庭收入等真实数据，通过Kitchen Sinks机器学习算法提取了遥感影像的高维特征，并以线性回归建立特征和各种要素之间的映射关系。

2.3 从“数”到“图”的新解译方法

除了从非结构化的“图”到结构化的“数”的智能解译，近年来随着人工智能生成内容（Artificial Intelligence Generative Context，AIGC）研究的不断深入和创新，从文本生成图像的“数→图”关系解译成为了可能。
深度循环神经网络（Deep Recurrent Network， DPN）模型能够对文本内容中的视觉相关特征进行有效表征［89］，再利用生成对抗网络（Generative Adversarial Network，GAN）即可生成近乎真实的影像［90-92］；在此基础上又提出注意力机制来增强生成图像的真实性以及文本描述和视觉内容的语义一致性；OpenAI通过加深神经网络模型和增加“文本-图像”数据量，建立了跨模态深度学习模型，实现了更高质量地从文本生成图像［93］。最近，大型自然语言处理智能模型ChatGPT作为最具代表性AIGC方法，具有跨多个领域、卓越的交谈能力和推理能力，引起了全世界的广泛关注。基于ChatGPT强大的文本理解和推理能力，Visual ChatGPT能够基于用户提供的文本内容生成图像，实现“数→图”的转换［94］。
当前的乡村研究都是以“数”的形式对乡村要素进行定量描述，从而展现乡村发展的空间差异和时序动态，这是一种高度抽象和概括的表征，人们仍难以从这些数值中体会到乡村发展的真实水平。基于人工智能模型的文本图像生成技术能够实现“数→图”的解译，为实现可理解、可感知的乡村研究提供了前所未有的机遇。如图5所示，利用ChatGPT4从《行香子·树绕村庄》和《桃花源记》的古人诗文中提取出描写美好乡村景观的关键词，再输入到AIGC开源平台MidJourney，就能够生成文字下方的虚拟村庄图景，从而实现从“数→图”的智能解译。
图5 基于ChatGPT4和MidJourney平台从乡村古诗文生成图像

Fig.5 Generating imageries from rural ancient poetries and articles based on ChatGPT4 and MidJourney platform

未来，在乡村要素定量描述指标数据基础上，利用AIGC生成对应的村庄影像，可以帮助决策者更加直观地了解这些抽象数字的背后的理想村庄图景。如SGDs中详细地列出了可持续发展应该达到的指标水平，基于这些乡村发展的明确目标，通过AIGC生成可持续发展乡村的愿景图像，对于乡村规划具有重大的指导意义。

3 乡村“图数”支持可持续发展

无论是我国的乡村振兴战略，还是全世界共同致力推进的SGDs，乡村发展的最终目的是建设宜居宜业和美乡村［15］。实现可持续发展乡村的关键是基于乡村“图数”测度和评价乡村发展的现状，发现目前乡村社会发展水平和目标愿景之间存在的差距，通过“以评促建”的方式改进乡村建设中存在的问题和不足，推动乡村发展朝着可持续的方向有序前进［41］。
针对欠发达乡村地区的可持续发展，已有众多学者基于多源乡村“图数”对乡村的家庭财富、住房水平、基础设施建设、公共服务设施可达性、生态环境等关键指标在国家或全球尺度下进行了测度。如乡村住房条件的改善趋势［10］和城乡住房条件之间仍存在的巨大差异［95］、乡村的农户家庭财富分布与空间差异［45，53，96-99］、欠发达地区的社会经济发展水平和动态趋势［38，68，86，100-101］、全球的生态和自然环境水平［87-88，102-105］、乡村基础设施质量和可达性评估［106-107］等。对乡村地区的各项SDGs指标进行精确评估，能够指出当前发展水平和目标愿景之间的差距［108-110］，解决多个发展目标之间的协同性问题［111］，并为促进各个国家和地区间的可持续发展水平提供建议［112-114］。

4 挑战与展望

4.1 乡村数据收集的难题

虽然目前的乡村数据已经包含了官方统计、社会调查、手机信令、多尺度影像等多种数据来源，其丰富程度和时空分辨率相较过去已经取得了显著进步，但相较于城市地区，乡村数据的采集和获取仍存在巨大挑战。
由于乡村和城市在经济发展水平、生产活动类型、居民需求、建设规划等方面存在本质的不同，导致一些在城市中已经广泛生产和应用的数据在乡村中还难以获取。首先是乡村的生产活动以农业为主，经济发展水平有限，导致商业公司不会像在城市中那样主动地收集数据为用户提供服务［115-116］。如百度、高德地图等公司投入了巨大的资源采集城市路网、POI、街景等多源数据，为城市居民的导航、娱乐生活等提供支持［117］。但农村地区对地理信息数据需求并不迫切，商业公司也没有利益驱动，导致相关数据在农村地区十分缺乏。其次是乡村的信息化基础设施建设落后，传感器和物联网的建设强度和规模远小于城市［118］，这使得乡村感知数据来源极为有限，全天候全域的乡村发展动态监测难以实现。最后是乡村的分散性导致了村庄规模小、数量庞大、人群活动强度低，即使是采用“众包”方式收集了海量的数据，但落到单独的村庄个体上也非常的稀疏甚至缺乏，导致对乡村要素的描述非常困难。
乡村的本质特征导致乡村数据不可能像城市一样多元和丰富，但可以基于乡村地区当前的发展基础充分地发掘数据生产的潜力。例如前文一再提及的，中国乡村的智能手机和移动互联网络的普及率已经非常高，但目前甚少有研究基于手机信令和社交媒体数据关注乡村居民的日常活动行为模式。未来可以收集乡村的居民活动感知数据，让他们能够分享自己的所见所闻，从而展示和分析村民的所思所想，了解乡村发展的现状以及他们的迫切需求，制定更具有针对性的乡村发展规划。

4.2 可计算结果的一致性和可解释性

多源数据虽然提供了多尺度、多视角感知的优势，但也带来了巨大的测度不一致性问题［12，119］。由于多源乡村数据采集的方式和口径不同，对同一个乡村要素的刻画也是有差异和有偏颇的。例如利用卫星、无人机和手机村景的多尺度乡村影像识别村庄中的汽车数来评价测度农户的家庭财富，由于三种数据的尺度、范围、采集方式等不同，对于同一个村庄识别出的汽车数可能也存在巨大出入，从而导致对同一区域的财富测度结果的不一致，给实际的政策制定造成了巨大的困难。
另外，在可计算乡村的“图数”关系解译，尤其是“图→数”的解译过程中，主要依靠深度学习提取高维特征以进行要素识别或关系映射。但深度学习是一个基于海量数据驱动的黑箱模型，我们并不知道哪些图片特征对乡村要素指标起到了关键性的决定作用，这就导致了模型决策结果的可信度不足［120］，难以真正地支持实际乡村发展规划。
目前深度学习的可解释性问题已经成为人工智能领域的研究热点，大量的学者开始将注意力从提高模型的精度转移到模型的可解释性上，通过人机交互的方式理解模型决策的过程［121-123］。如李郇等［124］通过将民居建筑识别CNN的特征图进行特征重要性计算和可视化分析，发现了决定传统民居区分的关键特征是民居的天井和对称性，这对于建筑学和乡村规划的相关研究者理解“图数”关系的解译过程至关重要。
多源数据测度结果的不一致性和深度学习模型的黑箱性质，对融合多源乡村数据和人工智能的乡村发展水平测度研究造成了巨大挑战。未来的研究需要重点关注乡村要素的测度结果是否能够被非专业领域的乡村政策制定者所理解和接收，从而让“可计算乡村”真正地通过“以评促建”促进乡村可持续发展。

4.3 乡村“图数”如何支持乡村可持续发展

目前大部分SDGs的研究都是以城市为对象，而中国最大的不平衡是城乡发展不平衡，最大的不充分是乡村发展不充分，这说明可持续发展未来最大的难题和重点在乡村。如何基于当前的SDGs评价体系，针对中国乡村发展的现状和未来方向，制定出专门针对乡村可持续发展的评价体系和目标指标非常关键。
另外，当前对可持续发展水平进行测度的研究都是基于定量的指标数据；而随着人工智能生产内容的相关技术的发展，“数→图”的智能解译方法将大大丰富乡村“图”的表达。因此，未来如何融合乡村“图数”关系，让乡村既能够达到各种可持续发展指标的数值要求，又能够实现美好的自然和人居环境景观风貌、建设宜居宜业和美乡村，也是一个充满潜力和挑战的研究方向。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
Allen C, Metternicht G, Wiedmann T. Initial progress in implementing the Sustainable Development Goals (SDGs): a review of evidence from countries[J]. Sustainability Science, 2018, 13: 1453-1467.

2
Kroll C, Warchold A, Pradhan P. Sustainable Development Goals (SDGs): are we successful in turning trade-offs into synergies?[J]. Palgrave Communications, 2019, 5(1).

3
Park D B, Yoon Y S, Lee M S. Rural community development and policy challenges in South Korea[J]. Journal of the Economic Geographical Society of Korea, 2008, 11(4): 600-617.

4
Proietti P, Sulis P, Perpiña C C, et al. New perspectives on territorial disparities[J]. From lonely places to places of opportunities, Proietti P, Sulis P, Perpiña Castillo C, Lavalle C.(eds), EUR, 2022, 31025: 4.

5
李郇, 许伟攀, 黄耀福, 等.基于遥感解译的中国农房空间分布特征分析[J].地理学报, 2022, 77(4): 835-851.

6
卢晖临, 李雪.如何走出个案——从个案研究到扩展个案研究[J].中国社会科学, 2007, 163(1): 118-130.

7
邓大才.超越村庄的四种范式:方法论视角——以施坚雅、弗里德曼、黄宗智、杜赞奇为例[J].社会科学研究, 2010, 187(2): 130-136.

8
弗里德曼. 中国东南的宗族组织[M]. 上海：上海人民出版社， 2000.

9
Alkire S, Santos M E. Measuring acute poverty in the developing world: robustness and scope of the multidimensional poverty index[J]. World Development, 2014, 59: 251-274.

10
Tusting L S, Bisanzio D, Alabaster G, et al. Mapping changes in housing in sub-Saharan Africa from 2000 to 2015[J]. Nature, 2019, 568: 391-394.

11
Liu Y, Liu X, Gao S, et al. Social sensing: a new approach to understanding our socioeconomic environments[J]. Annals of the Association of American Geographers, 2015, 105(3): 512-530.

12
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.

13
吴良镛. 人居环境科学导论[M].北京：中国建筑工业出版社, 2001.

14
刘彦随.中国东部沿海地区乡村转型发展与新农村建设[J].地理学报, 2007(6): 563-570.

15
Liu Y, Li Y. Revitalize the world’s countryside[J]. Nature, 2017, 548(7667): 275-277.

16
徐现祥, 李郇.中国城市经济增长的趋同分析[J].经济研究, 2004(5): 40-48.

17
Zhong J, Li X. Interlinkages among county-level construction indicators and related sustainable development goals in China[J]. Land, 2022, 11(11): 2008.

18
常艳花, 张红利, 师博, 等.中国农业现代化发展水平的动态演进及趋势预测[J].经济问题, 2022, 513(5): 82-89.

19
Abreu I, Mesias F J, Ramajo J. Design and validation of an index to measure development in rural areas through stakeholder participation[J]. Journal of Rural Studies, 2022, 95: 232-240.

20
Liu S, Hu Z, Deng Y, et al. The regional types of China’s floating population: Identification methods and spatial patterns[J]. Journal of Geographical Sciences, 2011, 21: 35-48.

21
Liang Z, Li Z, Ma Z. Changing patterns of the floating population in China, 2000-2010[J]. Population and Development Review, 2014, 40(4): 695-716.

22
郭远智, 周扬, 刘彦随.中国农村人口外流的时空演化及其驱动机制[J].地理科学, 2020, 40(1): 50-59.

23
Qi W, Deng Y, Fu B. Rural attraction: the spatial pattern and driving factors of China's rural in-migration[J]. Journal of Rural Studies, 2022, 93: 461-470.

24
费孝通. 江村经济:中国农民的生活[M]. 北京：商务印书馆, 2001.

25
杨懋春. 一个中国村庄:山东台头[M]. 南京：江苏人民出版社, 2001.

26
马林诺夫斯基. 西太平洋的航海者[M]. 北京：华夏出版社, 2002.

27
林耀华, 庄孔韶, 方静文. 金翼:一个中国家族的史记[M]. 北京：生活书店出版有限公司, 2015.

28
Rozelle S, Taylor J E, DeBrauw A. Migration, remittances, and agricultural productivity in China[J]. American economic review, 1999, 89(2): 287-291.

29
Wang J, Xu Z, Huang J, et al. Incentives in water management reform: assessing the effect on water use, production, and poverty in the Yellow River Basin[J]. Environment and Development Economics, 2005, 10(6): 769-799.

30
Wang J, Xu Z, Huang J, et al. Incentives to managers or participation of farmers in China’s irrigation systems: which matters most for water savings, farmer income, and poverty?[J]. Agricultural Economics, 2006, 34(3): 315-330.

31
Zhang L, Luo R, Liu C, et al. Investing in rural China: tracking China's commitment to modernization[J]. Chinese Economy, 2006, 39(4): 57-84.

32
罗仁福, 张林秀, 黄季焜， 等.村民自治、农村税费改革与农村公共投资[J].经济学(季刊), 2006(3): 1295-1310.

33
刘承芳, 张林秀, RozelleScott.我国农村公共品质量的影响因素分析——以道路、饮用水和灌溉项目为例[J].农业技术经济, 2007, 160(2):11-18.

34
Wong H L, Wang Y, Luo R, et al. Local governance and the quality of local infrastructure: Evidence from village road projects in rural China[J]. Journal of Public Economics, 2017, 152: 119-132.

35
闵师, 王晓兵, 侯玲玲, 等.农户参与人居环境整治的影响因素——基于西南山区的调查数据[J].中国农村观察, 2019, 148(4): 94-110.

36
刘莹, 黄季焜, 王金霞.水价政策对灌溉用水及种植收入的影响[J].经济学(季刊), 2015, 14(4): 1375-1392.

37
Arimond M, Ruel M T. Dietary diversity is associated with child nutritional status: evidence from 11 demographic and health surveys[J]. The Journal of Nutrition, 2004, 134(10): 2579-2585.

38
Michelson H, Muñiz M, DeRosa K. Measuring socio-economic status in the millennium villages: the role of asset index choice[J]. The Journal of Development Studies, 2013, 49(7): 917-935.

39
Burke M, Driscoll A, Lobell D B, et al. Using satellite imagery to understand and promote sustainable development[J]. Science, 2021, 371(6535): eabe8628.

40
Guedes G R, Brondízio E S, Barbieri A F, et al. Poverty and inequality in the rural Brazilian Amazon: a multidimensional approach[J]. Human Ecology, 2012, 40: 41-57.

41
李郇, 黄耀福, 陈伟， 等.乡村建设评价体系的探讨与实证——基于4省12县的调研分析[J].城市规划, 2021, 45(10): 9-18.

42
Pan M, Huang Y, Qin Y, et al. Problems and strategies of allocating public service resources in rural areas in the context of county urbanization[J]. International Journal of Environmental Research and Public Health, 2022, 19(21): 14596.

43
马莉, 秦小珍, 陈銮, 等.中国农房现状及农房满意度研究[J].热带地理, 2023, 43(2): 258-267.

44
莫樊, 黄耀福, 吴昕晖， 等.建制镇功能演变下县-镇-村空间模式——以广东省两县为例[J].热带地理, 2023, 43(2): 308-319.

45
Jean N, Burke M, Xie M, et al. Combining satellite imagery and machine learning to predict poverty[J]. Science, 2016, 353(6301): 790-794.

46
Pei T, Xu J, Liu Y, et al. GIScience and remote sensing in natural resource and environmental research: status quo and future perspectives[J]. Geography and Sustainability, 2021, 2(3): 207-215.

47
Jiang S, Fiore G A, Yang Y, et al. A review of urban computing for mobile phone traces: current methods, challenges and opportunities[C]. Proceedings of the 2nd ACM SIGKDD international workshop on Urban Computing, 2013: 1-9.

48
Jiang S, Ferreira J, Gonzalez M C. Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore[J]. IEEE Transactions on Big Data, 2017, 3(2): 208-219.

49
Cao J, Li Q, Tu W, et al. Resolving urban mobility networks from individual travel graphs using massive-scale mobile phone tracking data[J]. Cities, 2021, 110: 103077.

50
Zhang Y, Li Q, Tu W, et al. Functional urban land use recognition integrating multi-source geospatial data and cross-correlations[J]. Computers, Environment and Urban Systems, 2019, 78: 101374.

51
Cao R, Tu W, Yang C, et al. Deep learning-based remote and social sensing data fusion for urban region function recognition[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 82-97.

52
Pokhriyal N, Jacques D C. Combining disparate data sources for improved poverty prediction and mapping[J]. Proceedings of the National Academy of Sciences, 2017, 114(46): E9783-E9792.

53
Chi G, Fang H, Chatterjee S, et al. Microestimates of wealth for all low-and middle-income countries[J]. Proceedings of the National Academy of Sciences, 2022, 119(3): e2113658119.

54
刘瑜.社会感知视角下的若干人文地理学基本问题再思考[J].地理学报, 2016, 71(4): 564-575.

55
Martin M E, Schuurman N. Social media big data acquisition and analysis for qualitative GIScience: challenges and opportunities[J]. Annals of the American Association of Geographers, 2020, 110(5): 1335-1352.

56
Golder S A, Macy M W. Diurnal and seasonal mood vary with work, sleep, and daylength across diverse cultures[J]. Science, 2011, 333(6051): 1878-1881.

57
宋蕾, 张培晶.基于LDA主题建模的微博舆情分析系统研究[J].网络安全技术与应用, 2014, 160(4): 5-6.

58
汪静莹, 朱廷劭, 郝碧波， 等.微博用户生活满意度微博语言及行为特征分析[J].中国公共卫生, 2016, 32(2): 225-229.

59
谢永俊, 彭霞, 黄舟， 等.基于微博数据的北京市热点区域意象感知[J].地理科学进展, 2017, 36(9): 1099-1110.

60
潘碧麟, 王江浩, 葛咏， 等.基于微博签到数据的成渝城市群空间结构及其城际人口流动研究[J].地球信息科学学报, 2019, 21(1): 68-76.

61
王志芳, 赵稼楠, 彭瑶瑶， 等.广州市公园对比评价研究——基于社交媒体数据的文本分析[J].风景园林, 2019, 26(8): 89-94.

62
Martí P, Serrano-Estrada L, Nolasco-Cirugeda A. Social media data: challenges, opportunities and limitations in urban studies[J]. Computers, Environment and Urban Systems, 2019, 74: 161-174.

63
Otter D W, Medina J R, Kalita J K. A survey of the usages of deep learning for natural language processing[J]. IEEE Rransactions on Neural Networks and Learning Systems, 2020, 32(2): 604-624.

64
李德仁, 张良培, 夏桂松.遥感大数据自动分析与数据挖掘[J].测绘学报, 2014, 43(12): 1211-1216.

65
田光进, 刘纪远, 张增祥， 等.基于遥感与GIS的中国农村居民点规模分布特征[J].遥感学报, 2002(4): 307-312+326.

66
Elvidge C D, Sutton P C, Ghosh T, et al. A global poverty map derived from satellite data[J]. Computers & Geosciences, 2009, 35(8): 1652-1660.

67
Yu B, Shi K, Hu Y, et al. Poverty evaluation using NPP-VIIRS nighttime light composite data at the county level in China[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(3): 1217-1229.

68
华婧， 吴宾， 陈佐旗， 等.精准扶贫背景下中国贫困县的夜间灯光时空变化分析[J].遥感学报， 2022： 1-16.

69
陈仲新, 任建强, 唐华俊， 等.农业遥感研究应用进展与展望[J].遥感学报, 2016, 20(5): 748-767.

70
Weiss M, Jacob F, Duveiller G. Remote sensing for agricultural applications: a meta-review[J]. Remote Sensing of Environment, 2020, 236: 111402.

71
Hamal S N G. Accuracy of digital maps produced from UAV images in rural areas[J]. Advanced UAV, 2022, 2(1): 29-34.

72
Yang C, Xu G, Li H, et al. Measuring the area of cultivated land reclaimed from rural settlements using an unmanned aerial vehicle[J]. Journal of Geographical Sciences, 2019, 29: 846-860.

73
Wang Y, Li S, Teng F, et al. Improved mask R-CNN for rural building roof type recognition from UAV high-resolution images: a case study in Hunan province, China[J]. Remote Sensing, 2022, 14(2): 265.

74
胡勇, 张孝成, 马泽忠， 等.无人机遥感影像中农村房屋信息快速提取[J].国土资源遥感, 2016, 28(3): 96-101.

75
郝睿, 李兆富, 张舒昱， 等.整合无人机和面向对象的农村居住环境信息提取[J].遥感技术与应用, 2020, 35(3): 576-586.

76
李旭亮, 王保成, 田亮， 等.基于无人机影像的乡村道路信息提取及安全导引优化设计[J].导航定位学报, 2021, 9(4): 123-130.

77
刘耀辉, 于祥惠, 范洁洁， 等.基于无人机影像和面向对象的中国西部地区农村宅基地面积快速估算[J].测绘通报, 2022, 543(6): 125-129.

78
Xu W, Gu Y, Chen Y, et al. Combining deep learning and crowd-sourcing images to predict housing quality in rural China[J]. Scientific Reports, 2022, 12(1): 19558.

79
Xie L, Lee F, Liu L, et al. Scene recognition: a comprehensive survey[J]. Pattern Recognition, 2020, 102: 107205.

80
Cheng G, Xie X, Han J, et al. Remote sensing image scene classification meets deep learning: challenges, methods, benchmarks, and opportunities[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 3735-3756.

81
陈怡帆, 许伟攀, 李郇.村景AI助力乡村建设评价[J].世界建筑, 2022, 389(11): 20-21.

82
Gebru T, Krause J, Wang Y, et al. Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States[J]. Proceedings of the National Academy of Sciences, 2017, 114(50): 13108-13113.

83
Li Y, Xu W, Chen H, et al. A novel framework based on mask R-CNN and histogram thresholding for scalable segmentation of new and old rural buildings[J]. Remote Sensing, 2021, 13(6): 1070.

84
Xie M, Jean N, Burke M, et al. Transfer learning from deep features for remote sensing and poverty mapping[C]// Proceedings of the AAAI conference on artificial intelligence, 2016, 30(1).

85
Tingzon I, Orden A, Go K T, et al. Mapping poverty in the philippines using machine learning, satellite imagery, and crowd-sourced geospatial information[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2019.

86
Yeh C, Perez A, Driscoll A, et al. Using publicly available satellite imagery and deep learning to understand economic well-being in Africa[J]. Nature communications, 2020, 11(1): 2583.

87
Ratledge N, Cadamuro G, de la Cuesta B, et al. Using machine learning to assess the livelihood impact of electricity access[J]. Nature, 2022, 611: 491-495.

88
Rolf E, Proctor J, Carleton T, et al. A generalizable and accessible approach to machine learning with global satellite imagery[J]. Nature communications, 2021, 12(1): 4392.

89
Reed S, Akata Z, Lee H, et al. Learning deep representations of fine-grained visual descriptions[C]// Proceedings of the IEEE conference on computer vision and pattern recognition， 2016: 49-58.

90
Reed S, Akata Z, Yan X, et al. Generative adversarial text to image synthesis[C]// International conference on machine learning. PMLR, 2016: 1060-1069.

91
Xu T, Zhang P, Huang Q, et al. Attngan: Fine-grained text to image generation with attentional generative adversarial networks[C]// Proceedings of the IEEE conference on computer vision and pattern recognition, 2018: 1316-1324.

92
Qiao T, Zhang J, Xu D, et al. Mirrorgan: Learning text-to-image generation by redescription[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019: 1505-1514.

93
Frolov S, Hinz T, Raue F, et al. Adversarial text-to-image synthesis: A review[J]. Neural Networks, 2021, 144: 187-209.

94
Wu C, Yin S, Qi W, et al. Visual chatgpt: Talking, drawing and editing with visual foundation models[J/OL]. arXiv preprint arXiv:2303.04671, 2023.

95
Wang Y, Li Y, Huang Y, et al. Housing wealth inequality in China: An urban-rural comparison[J]. Cities, 2020, 96: 102428.

96
Watmough G R, Marcinko C L J, Sullivan C, et al. Socioecologically informed use of remote sensing data to predict rural household poverty[J]. Proceedings of the National Academy of Sciences, 2019, 116(4): 1213-1218.

97
Fatehkia M, Coles B, Ofli F, et al. The relative value of facebook advertising data for poverty mapping[C]// Proceedings of the International AAAI Conference on Web and Social Media, 2020, 14: 934-938.

98
Hu S, Ge Y, Liu M, et al. Village-level poverty identification using machine learning, high-resolution images, and geospatial data[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 107: 102694.

99
Aiken E, Bellue S, Karlan D, et al. Machine learning and phone data can improve targeting of humanitarian aid[J]. Nature, 2022, 603: 864-870.

100
Li G, Chang L, Liu X, et al. Monitoring the spatiotemporal dynamics of poor counties in China: implications for global sustainable development goals[J]. Journal of Cleaner Production, 2019, 227: 392-404.

101
Boo G, Darin E, Leasure D R, et al. High-resolution population estimation using household survey data and building footprints[J]. Nature Communications, 2022, 13(1): 1330.

102
Prince S D. Challenges for remote sensing of the Sustainable Development Goal SDG 15.3. 1 productivity indicator[J]. Remote Sensing of Environment, 2019, 234: 111428.

103
Kavvada A, Metternicht G, Kerblat F, et al. Towards delivering on the sustainable development goals using earth observations[J]. Remote Sensing of Environment, 2020, 247: 111930.

104
Giuliani G, Petri E, Interwies E, et al. Modelling accessibility to urban green areas using Open Earth Observations Data: a novel approach to support the urban SDG in four European cities[J]. Remote Sensing, 2021, 13(3): 422.

105
Wang C, Jiang W, Deng Y, et al. Long time series water extent analysis for SDG 6.6. 1 based on the GEE platform: a case study of Dongting Lake[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 15: 490-503.

106
Oshri B, Hu A, Adelson P, et al. Infrastructure quality assessment in africa using satellite imagery and deep learning[C]// Proceedings of the 24th ACM SIGKDD international conference on knowledge discovery & data mining, 2018: 616-625.

107
Stokes E C, Seto K C. Characterizing urban infrastructural transitions for the Sustainable Development Goals using multi-temporal land, population, and nighttime light data[J]. Remote Sensing of Environment, 2019, 234: 111430.

108
朱婧, 孙新章, 何正. SDGs框架下中国可持续发展评价指标研究[J].中国人口·资源与环境, 2018, 28(12): 9-18.

109
张宇涵, 丛建辉, 刘源， 等.各国落实可持续发展目标的趋势和挑战[J].环境经济研究, 2020, 5(1): 78-98.

110
贾明明, 王宗明, 毛德华， 等.面向可持续发展目标的中国红树林近50年变化分析[J].科学通报, 2021, 66(30): 3886-3901.

111
王红帅, 李善同.可持续发展目标间关系类型分析[J].中国人口·资源与环境, 2021, 31(9): 154-160.

112
王鹏龙, 高峰, 黄春林， 等.面向SDGs的城市可持续发展评价指标体系进展研究[J].遥感技术与应用, 2018, 33(5): 784-792.

113
陈军, 任惠茹, 耿雯， 等.基于地理信息的可持续发展目标(SDGs)量化评估[J].地理信息世界, 2018, 25(1): 1-7.

114
徐晶, 张正峰.面向SDGs的中国土地可持续评价指标研究[J].地理与地理信息科学, 2020, 36(4): 77-84.

115
Zheng Y, Capra L, Wolfson O, et al. Urban computing: concepts, methodologies, and applications[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2014, 5(3): 1-55.

116
Fan Z, Zhang F. Connect the last mile-textual entailment identify efforts in bridging the digital divide[J]. Urban Informatics, 2022, 1(1): 10.

117
Zhao T, Liang X, Tu W, et al. Sensing urban soundscapes from street view imagery[J]. Computers, Environment and Urban Systems, 2023, 99: 101915.

118
Camero A, Alba E. Smart City and information technology: A review[J]. Cities, 2019, 93: 84-94.

119
Breznau N, Rinke E M, Wuttke A, et al. Observing many researchers using the same data and hypothesis reveals a hidden universe of uncertainty[J]. Proceedings of the National Academy of Sciences, 2022, 119(44): e2203150119.

120
Ribeiro M T, Singh S, Guestrin C. “Why should i trust you?” Explaining the predictions of any classifier[C]// Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, 2016: 1135-1144.

121
龚健雅, 宦麟茜, 郑先伟.影像解译中的深度学习可解释性分析方法[J].测绘学报, 2022, 51(6): 873-884.

122
Arrieta A B, Díaz-Rodríguez N, Del Ser J, et al. Explainable Artificial Intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI[J]. Information Fusion, 2020, 58: 82-115.

123
Tjoa E, Guan C. A survey on explainable artificial intelligence (XAI): Toward medical XAI[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020, 32(11): 4793-4813.

124
Li X, Chen D, Xu W, et al. Explainable dimensionality reduction (XDR) to unbox AI ‘black box’models: a study of AI perspectives on the ethnic styles of village dwellings[J]. Humanities and Social Sciences Communications, 2023, 10(1): 1-13.

Options
Outlines

/

〈 〉