地理建模是解决地理学相关的各种复杂实际问题的科学手段，但执行过程导向的传统地理建模方式给建模者（尤其是非专业用户）实际应用时带来沉重的建模负担。
地理建模的过程复杂，其有效性高度依赖于多方面的地理建模知识。例如，对于土壤空间推测的地理建模过程，需要根据应用场景确定应选择哪些环境变量作为模型输入，可能需要对地质图进行重分类算法处理，需要构建地形分析工作流模型等。
地理建模过程高度依赖于复杂且常常跨多领域的建模知识，即使对于有经验的建模者也繁琐、易错，对于日益增长的广泛应用需求中缺乏建模知识的广大非专家用户而言，更具挑战性、建模负担沉重。
图1 地理模型工作流构建中依赖的建模知识（以土壤空间推测为例）
智能化地理建模应该从用户建模应用目标出发，根据用户实际应用问题的场景自动构建合适的地理模型工作流
传统的地理建模方式是"执行过程导向"，建模者需要按照最终模型工作流执行的次序，如查找数据源、选择模型输入数据所需的处理方法、设定模型具体算法和参数等，按执行次序自上游到下游逐步搭建起工作流。
从用户建模目标出发，将当前的应用建模问题形式化为一个基本问题单元，以自动化的方式利用领域建模知识作为指导或约束、辅以地理计算求解该基本问题单元，以递归求解的思路逐步解决当前的建模问题单元。
图2 执行过程导向的传统地理建模方式对比于用户建模目标出发递归的智能化地理建模
基于上述基本思想落实于具体的智能化地理建模方法研究
应用场景知识多为非系统性的、经验性的知识，常隐含于实际应用案例文档或专家脑海中，难于形式化为明确的通用规则。通过引入人工智能领域的案例和案例推理思想，可挖掘这一知识源，用于自动准确求解应用建模问题的基本单元。
对于土壤、滑坡危险性等目标地理变量的空间推测问题，需选择一组合适的协同环境变量作为模型输入数据。针对这一特殊的智能化地理建模问题，提出了环境变量级别上预训练分类器的"分类策略"。
以流域过程模型为代表，需在一个时间维度的框架下紧耦合不同过程模拟模块，每一个流域过程内部还细分多种相互关联的子过程，每个子过程还有应用条件各不相同的算法及其参数设置方式。
合适的输入数据是获得模型准确计算结果的基本保障。对地理模型输入数据的智能化配备主要针对数据内容和数据空间范围两个方面，特别是模型输入数据合适的空间范围，常常不应等同于用户目标兴趣区。
图3 案例推理方法框架
"数据-知识-模型"协同递归的智能化地理建模计算应用模式
智能化地理建模方法研究的目标是实用工具化，通过将基本思想及具体方法程序化实现，利用知识图谱等知识组织管理技术构建建模知识库，集成丰富的时空数据资源和地理模型资源，基于先进地理计算架构和技术，可实现一套从建模目标出发、领域知识驱动、"数据-知识-模型"协同递归的智能化地理建模计算应用模式。
该应用模式旨在实现的应用效果是：非专家用户只需从应用需求角度通过人机交互描述其应用问题（即建模目标），相应的应用建模问题将自动形式化，领域知识驱动、"数据-知识-模型"协同递归的智能化地理建模引擎自动构建合适的模型工作流，相应搭配合适的数据，提交运行计算得到用户应用问题的建模结果。
图4 建模目标出发、"数据-知识-模型"协同递归的智能化地理建模计算
为原型化示范上述智能化地理建模计算应用模式，作者团队研发了地理空间智能计算系统V1.0（EasyGeoComputing，EGC），该系统的总体架构是基于云环境、以"数据-知识-模型"三元组为基础，基于上述的基本思想与方法设计，开发智能地理建模计算引擎，在规范化集成地理模型算法库的基础上，结合时空数据库和地理知识库，原型化实现上述的智能化地理建模计算应用模式。
图5 地理空间智能计算系统(EGC)功能设计图
以土壤属性空间推测为应用案例，展示EGC系统中实现的智能化地理建模功能。假设在东北嫩江流域平缓地区的鹤山农场，管理者希望了解当地土壤表层有机质含量的分布，即需要进行土壤属性空间推测的应用建模。
在EGC系统中，用户只需从可用应用模型的功能列表中指定其建模目标任务（即土壤空间推测），启动并指定兴趣区、指定目标土壤属性及希望的空间分辨率。之后，系统后台的智能化地理建模计算引擎自动从用户设定的建模目标出发，根据当前应用场景构建用户建模的基本问题单元，相应调用智能化地理建模方法，根据当前建模问题单元"已知"的研究区特点、建模目标、数据可用性等应用场景信息，选择了基于土壤样点个体代表性的iPSM模型。
图6 EGC系统中用户所需土壤有机质空间推测的智能化建模过程
本文阐述了从传统以执行过程导向的地理建模方式，转变为从用户建模目标出发、递归的智能化地理建模的基本思想。在此基本思想指导下，针对智能化地理建模中的一系列具体科学问题开展了方法学研究，主要包括对"应用场景知识"的形式化表达，以及针对地理模型结构智能化确定中不同类型的问题，提出相应的智能化地理建模策略及具体方法。
当前人工智能领域、尤其是大语言模型（LLM）的一系列突破性进展，已展现极强的用户意图理解和自然语言交互能力，正被积极引入智能化地理建模领域。智能化地理建模面向的领域，是特有其复杂性的地理现象和过程，其空间分异及综合特点带来了特别的建模难度，因此智能化地理建模本身也是AI及LLM能否成功渗透、乃至颠覆传统学科模型工具的一块"试金石"。
下一步的方法研究将进一步深入探索地理模型结构确定时对于不同类型的应用建模问题基本单元，如何有效地模型化利用相应的应用场景知识，以促进智能化地理建模方法体系的完善。同时，如何利用知识图谱、LLM等技术高效准确地自动化构建并不断扩充领域建模知识库，也是重点研发方向之一。
深入探索地理模型结构确定时对于不同类型的应用建模问题基本单元，如何有效地模型化利用相应的应用场景知识
利用知识图谱、LLM等技术高效准确地自动化构建并不断扩充领域建模知识库
与LLM驱动的智能化地理建模进行方法对比，进而优势互补的结合性方法研究
智能化地理建模方法、"数据-知识-模型"协同递归的智能化地理建模计算应用模式的大规模实用性工程化实现