![]()
李文雯，亚利桑那州立大学（ASU）教授，博士生导师。李文雯教授目前研究方向主要为智慧网络基础设施（Cyber infrastructure），地理大数据，地理人工智能，地理知识图谱，以及这些方法在自然地物检测，气候变化、灾害救助等方面的应用。她担任ASU网络基础设施和计算智能实验室（CICI Lab）主任，空间分析研究中心（SPARC）研究主任，曾任美国地理学家协会（AAG）网络基础设施专业组主席。于2023年当选为美国地理学家协会会士（AAG Fellow)、地理信息科学大学联盟（UCGIS）Fellow。曾获得美国国家基金科学会（NSF）杰出青年奖（Early CAREER Award)，美国国家基金科学会（NSF）职业中期教授职业进步奖（Mid-Career Advancement Award)，美国地理学家协会（AAG）空间分析和建模专家组新兴学者奖，ASU地理科学与城市规划学院杰出教师奖、ASU 人工智能创新奖、全球青年科学家前沿科学技术奖等。个人学术主页：https://search.asu.edu/profile/1978357
地理信息系统（GIS）不仅仅是一门专业或技术分支，还是一门能将复杂的理论知识应用于与人们日常生活紧密相连领域的科学。其广泛的应用范围吸引了众多跨领域人才的加入，共同推动了这一领域的持续繁荣。李文雯老师便是这一领域中的一位积极探索者。在北京师范大学攻读计算机科学本科期间，李老师深入学习了前沿的计算机技术，并逐渐萌生了将这些技术应用于其他领域的念头。在广泛了解计算机的应用学科后，她对地理信息科学产生了浓厚的兴趣。大三时，她顺利获得了保研资格，并主动联系了中国科学院遥感应用研究院的空间计算方向研究生导师杨崇俊研究员。第一次与导师会面，李老师就被杨老师务实且充满活力的研究精神所打动，即决定在这个实验室开启她未来几年的硕士研究生涯。在杨老师的引导下，李老师逐步踏入了地理信息科学的计算机研究方向，包括GIS软件系统开发、交通导航以及数字城市等多个领域。在研究生阶段，李老师更加坚定了她对学术研究的热爱。经杨崇俊教授的推荐，她选择前往乔治梅森大学（George Mason University）攻读博士学位，师从杨超伟教授。通过研究生阶段的深入探索，李老师深刻体会到了地理信息科学的广泛应用价值，并被地球系统及气候变化的研究方向所吸引。她渴望将大数据支持的计算机技术应用于这一领域。在博士阶段，李老师主要研究了本体相似性（ontology similarity）， 时空数据搜索，和分布式地理空间计算，这为她在地球与环境科学与计算机技术交叉融合的科研道路上打下了坚实的基础。博士毕业前夕，李老师面临两个选择：留在乔治梅森大学或前往加州大学圣塔芭芭拉分校（University of California, Santa Barbara, UCSB）进行博士后研究。虽然留在乔治梅森大学意味着研究的持续性和更高效的论文产出，但出于不断挑战自我和探索新领域的愿望，李老师选择倾听内心的声音，并在导师杨超伟教授的支持下，决定走出舒适圈，前往UCSB。这也意味着她将面临学习新领域知识的挑战。在UCSB，李老师的博士后研究基于她的兴趣展开，专注于城市社会区划领域中的计算聚类区域（regionalization）研究[1]，例如通过空间优化算法计算连续且可达性更好的紧凑区域（compact zones）。虽然她的博士后研究并未直接延续博士期间的研究内容，但这一课题为她带来了新的启发。在此阶段，她通过跨学科的学习和交流，获得了新的思维方式和快速迁移知识的能力。
通过求学路上的积淀，李老师认为，在GIS领域，计算机技术赋予了我们处理地理数据的能力，但GIS的价值远不止于数据处理。将地理信息科学的理论知识应用于解决实际问题，创造出实用成果所带来的成就感，成为了李老师不断挑战自我、超越自我的动力，也成为了她在科研道路上不断前行的强大支撑。如今，李老师和她的团队致力于GIS、人工智能与大数据的交互研究，并在实践中不断推陈出新。![]()
图1 即将结束UCSB博后工作时与老师同学的合影。右一为李文雯老师。左起：陈亚婷博士、Michael Goodchild教授、李琳娜老师基于过去对本体相似性（即不同本体之间的相似度或相关性。本体是某一特定领域内知识的正式表达，而本体相似性衡量的是不同本体结构在概念、关系和整体组织方面的相似程度）研究方面的经验，李老师于2015年启动了一个面向极地的网络基础设施搭建项目 (polar cyberinfrastructure)。她带领团队成功搭建了极地枢纽数据中心 (Polar Hub, http://cici.lab.asu.edu/polarhub3/)。该项目旨在利用分布式 OGC 网络服务，通过智能感知和发现，不断扩展网络，用以支持可扩展、可持续的数据挖掘。Polar Hub不仅实现了地理大数据的可视化，还利用本体和语义推理技术进行查询扩展和搜索推荐。自成立以来，Polar Hub已从最初的200个数据目标发展到能够从150多个国家查询到总计150万条数据的规模。通过这个项目，李老师在大数据知识架构方面取得了显著进展。然而，随着研究的深入，面对海量的地理知识，李老师意识到现有的本体在个人能力范围内难以进行有效率的拓展与扩充。因此，她认为需要借助大语言模型（Large Language Models, LLMs）和知识图谱(Knowledge Graph)等更先进的方法来助力。在GIS领域，大语言模型的发展势头强劲。它能够处理和理解自然语言，生成高质量的文本。利用大语言模型，可以自动化地扩展和完善本体与知识图谱，处理大量的地理数据，提供更为智能和精确的查询和推荐服务。基于这一想法，李老师的团队也开始探索如何将大语言模型应用于GIS研究。在谈及地理空间人工智能（Geospatial Artificial Intelligence, GeoAI）时，李老师解释道，第一步是探索性地将AI运用到地理学领域；第二步是通过调整方法提高AI在地理学上的适配性，根据不同问题进行定制化的调整；第三步是要将研究成果反馈到计算机科学以及其他领域[2]。以计算机视觉为例，李老师在采访中分享了将人工智能（AI）应用于地理学领域时所面临的一些挑战，尤其是空间异质性的问题。空间异质性（spatial heterogeneity）的存在会对AI模型的空间可重复性（spatial reproducibility）产生显著影响[3]。李老师解释道，例如火星表面的陨石坑在不同地理位置上会经历不同程度的侵蚀和被雪层、沙石层覆盖的情况，这为全火星表面的陨石坑监测带来了巨大挑战。当火星表面被划分成10×10度的格网时，由于靠近赤道的陨石坑的有效影像比靠近极地的更多，因此模型在赤道附近的精度更高——在这个实验中[4]，李老师团队将火星纬度划分为间隔10度的多个数据集，并使用三个模型分别在纬度0～10度、60～70度、-40～-30度的数据集上进行训练，然后在其他所有间隔10度的数据集上进行测试。结果表明，模型在训练集附近纬度区域的精度更高，而在离训练集较远的区域，模型的精度逐渐降低。令人鼓舞的是，这个实验结果得出：当将AI模型应用于不同纬度的火星陨石坑监测时，模型预测的精度符合了托布勒地理学第一定律（Tobler’s First Law of Geography）。图2 GeoAI模型在不同格网上的性能方差[4]
图3 GeoAI模型在三种训练集上的不同纬度的性能方差[4]
李老师的这一研究不仅展示了AI在地理学领域的应用潜力，也体现了AI模型的精度在地理空间上的分布也呈现了地理学上经典定律的特点。在面对GeoAI（地理人工智能）领域的快速发展时，李老师表达了她的激动与期望。她说道：“AI的发展虽然充满波折，时常面临诸多挑战，但看到同行们不断努力推动和探索这一领域，让我感到无比激动和欣喜。”GeoAI的巨大潜力被许多的学者所挖掘，而李老师的激情和努力也为这一领域的不断进步做出了重要贡献。2023年，她与威斯康辛大学麦迪逊分校高松老师、纽约州立大学布法罗分校胡英杰老师携手全球90多位GeoAI领域学者共同编写了一本关于地理空间人工智能的书籍《Handbook of Geospatial Artificial Intelligence》，成为总结展望GeoAI进展的重要的参考书（图4a）。同时，在她最新的一篇与领域内多位学者合作的文章中[5]，前瞻性地讨论了GeoAI的重要科学问题，为该领域的突破和发展注入了新的思想与活力，该文也将于秋季在Journal of Spatial Information Science作为特邀文章发表 （图4b）。图4 GeoAI最新成果总结 (a) 于2023年底出版的GeoAI手册[5]（左） (b) 即将出版的主题为"The Science of GeoAI"特邀文章（右）在与李老师的对话中，“与老师的交流”成为了话题的热点。无论是研究生时期的李老师，还是成为教授后的她，都始终通过与老师和同学们的共同交流讨论，不断探索前进。在博士后期间，李老师与Michael F. Goodchild教授和Richard Church教授合作的研究项目中，其中一部分涉及计算形状紧凑度（shape compactness）。尽管已有许多相关的计算指标，但他们仍认为需要提出一个更优秀的指标。为此，他们将物理学领域的一个概念——转动惯量（The Moment of Inertia）迁移到地理学领域，并发展出一个新的计算指标[1]。这个过程充满挑战，但李老师毅然决然地攻克了难题。她不仅投入大量时间学习物理学理论，并主动联系学校的物理学教授，与其进行深入交流，并钻研物理公式，与老师们一起探讨推导。李老师回忆道：“当时我去找Goodchild教授推导公式时，亲眼看着他拿起公式，经过快速的推算后，轻松解开谜团，成功推导出我认为非常复杂的数学公式。这样的一个理论性极强的问题，在他手中变得轻而易举，这让我再次感到触动和敬佩：Goodchild教授不愧是GIScience领域大师级的存在。不但对领域的未来有着高屋建瓴的把握，对具体的研究问题又有着极其深刻的见解。”李老师非常珍惜与不同老师探讨的机会。她认为，这个过程让她遇见更多优秀的人，与他们学习交流是一件令人兴奋的事情。怀着同样兴趣的老师和同学们聚在一起，通过共同探讨追求更好的结果，这本身也是一个令人期待的、充满挑战和未知的过程。在李老师任职教授期间，她也积极鼓励学生们与老师进行交流探讨。例如，她经常到学生办公室或通过线上会议与同学们就一个问题进行“激烈”探讨。她和学生们从各个角度交流问题的解决办法，讨论办法的可行性，并预想多种可能需要注意的关键点。李老师对与学生的讨论持有非常开放的心态。她认为，在与学生共同探讨和分配任务的过程中，一方面是老师在锻炼学生的技术能力和表达能力，另一方面，学生也在反哺老师，提供更具体的知识补充和实验结果的反馈。李老师强调，正是大家对科研的坚定信念、不竭的创新动力和发自内心的好奇心，使我们在思想的碰撞与升华中，在一次次全新的挑战中，发现问题，并充满力量与激情地去攻克难关、解决问题。只有通过师生双方的相互支持、理解与共同努力，才能取得更优异的研究成果。李老师的热情与好奇心不仅体现在与不同老师和学生的交流中，也为她的科研之路注入了无限活力与动力。这种对交流与探索的热爱不断激励着她前行，推动她在科学研究中取得更大的成绩。
![]()
图5 小组线下会议讨论
在研究项目的成功背后，是无数点滴努力的积累。每位研究者都有自己独特的工作方式和特点，而李老师之所以能够收获众多的科研成果，离不开她专注和注重细节的优秀习惯。
在采访中，李老师分享了她独特的工作方式。她常常会集中精力深入研究某一特定课题，很少同时处理多个任务（Multi-tasking）。她认为，在不同的工作任务之间来回切换，不仅需要思维的转换，还需要花费时间重新回忆每个任务的进度和内容。而这种单一任务的工作模式，帮助她更好、更高效地完成手头的任务。同时，她表示，当时间有限时，持续的专注能够保持对研究项目的兴趣和深度思考。
此外，李老师非常注重科研中的每一个细节。她认为，科研项目的成功源于一步步的积累和完善，每一个细节都至关重要，这些细节决定了科研的高度。她始终坚持对细节的高标准要求，认为这是对科研成果背后辛勤付出的尊重。比如，在管理参考文献时，李老师深知参考文献的准确性和完整性代表着对前人科研成果的尊重与认可，因此，尽管现在有许多便捷的参考文献管理工具，她在使用这些工具后，仍会仔细审核文献的正确性，确保无误。
李老师的工作态度和方法，不仅展现了她对科研的热爱和敬畏，也为年轻研究者树立了榜样。她的专注、细致以及对科研的执着追求，都是值得学习和借鉴的宝贵品质。
在采访的尾声，李老师热情地向每位同学赠言：“每个人都有属于自己的时代，尽管会遇到挫折，但无论早晚，这个属于你的时代终会到来。”作为一名在科研道路上历经风雨的前辈，李老师深刻体会到了其中的艰辛与不易，也深切地理解同学们在奋斗路上所经历的焦虑与担忧。
她分享道，自己也曾经历过迷茫和困惑，但正是那些坚持不懈的努力和不畏挫折的精神，让她在科研道路上一路前行。她鼓励同学们要坚信自己，坚定信念，即使面对困境也不要轻易放弃。因为当你回望过去，会发现之前的每一次尝试和努力，都是在为未来铺路，它们最终会汇聚成你独特的成就之路。
李老师殷切希望每一位同学都能勇敢面对挑战，坚定地走在自己的科研之路上。学术就像马拉松，最初大家看到的是谁跑的更快，但是最终比拼的是谁更能坚持、跑得更远。她坚信，只要保持好奇心并坚持不懈的努力，每个人终会迎来属于自己的光辉时代！
[1] Li, W., Goodchild, M. F., & Church, R. (2013). An efficient measure of compactness for two-dimensional shapes and its application in regionalization problems. International Journal of Geographical Information Science, 27(6), 1227-1250.
[2] Li, W., & Hsu, C. Y. (2022). GeoAI for large-scale image analysis and machine vision: Recent progress of artificial intelligence in geography. ISPRS International Journal of Geo-Information, 11(7), 385.[3] Goodchild, M. F., & Li, W. (2021). Replication across space and time must be weak in the social and environmental sciences. Proceedings of the National Academy of Sciences, 118(35), e2015759118.[4] Li, W., Hsu, C. Y., Wang, S., & Kedron, P. (2024). GeoAI Reproducibility and Replicability: a computational and spatial perspective. Annals of the American Association of Geographers, https://doi.org/10.1080/24694452.20 24.2373787.[5] Li, W. Arundel, S.T., Gao, S., Goodchild, M.F., Hu, Y., Wang, S., & Zipf, A. (2024). GeoAI for science and the science of GeoAI (invited article). Journal of Spatial Information Sciences. https://www.public.asu.edu/~wenwenl1/ 349.pdf
GIStory由GISphere与CPGIS职业发展委员会联合推出。GIStory团队诚邀GIS领域的嘉宾，在求学、研究、求职、竞赛、创业等各个方面进行深度交流，讲好“GIS故事”。如果您有意向分享或提名您身边的人分享宝贵的求学和工作经历，欢迎将您的简历或提名发送至gisphere@outlook.com。我们将组织GIStory的团队成员对嘉宾进行专访，并通过GISphere旗下公众号、小程序、留学群分享，让嘉宾的故事为广大GIS求学者提供成长道路上的经验。
