《Sustainability》:Energy Geographies in the Age of GeoAI: Research Trends, Gaps, and Future Directions
能源地理学(Energy Geographies)在地理空间科学(geospatial)与社会科学(social science)交叉领域拥有独特地位,随着地理空间人工智能(Geospatial Artificial Intelligence, GeoAI)的快速崛起,该领域正面临一项关键的方法论发展。本研究通过两项基于Dimensions数据库的计量分析(bibliometric analyses),考察了GeoAI在能源研究中的应用与缺失。第一项分析建立了2020至2026年能源地理学学术研究的最新图景,绘制了该领域当前的研究重点与地理分布,作为评估GeoAI作用的基线。第二项分析对2020至2026年GeoAI相关的能源出版物进行了计量分析,揭示了显著的GeoAI应用缺口(GeoAI Application Gaps):研究高度集中于能源开采与生产以及可再生能源选址与电网优化,而能源转型(energy transition)、能源正义(justice)及欠代表性地区的能源问题则严重缺乏关注。GeoAI能源研究在地理分布上比更广泛的能源地理学更为集中,主要由少数国家主导,这引发了关于这些工具对世界其他地区能源挑战适用性的疑问。研究人员认为,这一缺口既反映了技术局限性,也反映了问题选择的模式,而能源地理学家具备良好的条件来引导这一新兴领域的发展方向。研究人员概述了未来研究的三个方向:开发可解释的GeoAI(Explainable GeoAI)以确保透明度和可问责性;扩展地理覆盖范围以解决偏向少数资源丰富国家的数据偏差;直面将碳密集型人工智能应用于以可持续性为导向的研究时所引发的计算能源悖论(computational energy paradox)。
**1. 引言(Introduction)**
能源是人类文明进步的基础。理解能源分布的空间模式对于理解现代社会轨迹至关重要,因为历史上人类聚落往往聚集在可获取能源的周围。能源地理学的跨学科性质契合了地理学第一定律:“一切事物都与其他事物相关,但近处的事物比远处的事物更相关”。然而,随着世界面临新的能源与可持续性挑战,传统描述性方法逐渐不足以解释和管理这些变化中的景观。该领域正通过整合大数据(Big Data)与人工智能(Artificial Intelligence, AI)推进到新的数据驱动前沿。尽管GeoAI在能源研究中迅速增长,但对其在能源地理学各子领域应用的全面评估仍缺乏。本研究通过两项计量分析填补该缺口,主要贡献包括:提出一套可复现的方法论,提供了GeoAI能源研究在学科和主题上高度集中的证据,识别了地理空间人工智能(GeoAI)方法可用性与尚未充分解决的能源问题之间的应用缺口。
**2. 背景:能源地理学的演进(Background: The Evolution of Energy Geographies)**
**2.1. 什么是能源地理学(What Are Energy Geographies?)**
能源地理学(Energy Geographies)被视作学术交界地带(academic borderland),其复数形式反映了该领域的多学科特征。核心研究能源问题中的空间方面,历史上聚焦于资源开发、化石燃料开采及能源储备的不均匀全球分布,如今已扩展到能源运输、市场动态、消费模式,并将能源视为嵌入权力与不平等系统中的复杂社会关系。人文地理学家、自然地理学家、人文-环境地理学家以及地理信息科学(GIScience)分别从不同角度贡献研究,但该领域在政治生态学和原住民地理视角方面仍存在显著缺口。
**2.2. 历史发展(Historical Development)**
能源地理学学术研究可追溯至20世纪中期,最初聚焦于个别国家的资源位置与分布,缺乏空间理论,主要作为地图学清单。1960年代,该领域转向资源与经济地理,采用管理实证主义方法,Chapman提出了“能源链”(energy chain)概念,Manners引入了区位理论(location theory)。1970年代后的计量革命引入了数学与统计技术,1973年石油危机与1979年三哩岛事故加强了风险评估与安全选址的研究。现代能源地理学已大幅扩展,关注能源转型等复杂挑战,将术语从“能源地理学”重新定义为“能源地理学”复数形式,并探讨能源转型的空间化。
**2.3. 能源转型与正义(Energy Transition and Justice)**
正在进行的低碳转型本质上是一个地理空间过程,重组能源经济、物理景观和社会活动。能源正义(energy justice)与公正转型(just transition)概念成为焦点。Jenkins等人发展的分配正义、程序正义和承认正义的三重框架(tripartite framework)为能源地理学家提供了分析能源负担与收益如何不均匀分布、社区如何被纳入或排除决策过程、以及社区与能源景观的文化关系如何被承认或否定的结构化词汇。能源地理学家在将空间不正义与政治生态学理论框架与地理信息系统(GIS)空间分析相结合方面具有独特优势。
**2.4. 地理空间人工智能在地理学研究中的出现(The Emergence of GeoAI in Geographical Research)**
GeoAI并非一蹴而就,而是地理科学与人工智能长期互动的产物。Dobson引入了自动地理学(automated geography)概念,Smith将早期地理学AI研究分为认知方法和工程方法。当代GeoAI的独特之处在于将地理空间原则如空间自相关(spatial autocorrelation)、空间异质性(spatial heterogeneity)和尺度敏感性(scale sensitivity)直接整合到模型设计中。其发展得益于三大基础设施进步:遥感观测系统扩展、自发地理信息(Volunteered Geographic Information, VGI)平台传播以及计算硬件突破。
**3. 数据与方法(Data and Methods)**
本研究使用Dimensions数据库进行两项计量分析。通过Dimensions分析应用程序接口(API)提取数据,采用期刊级边界定义语料库而非主题关键词搜索,将学科筛选与主题筛选分离。第一项分析从366个地理学相关期刊中检索2020至2026年间标题或摘要包含“能源”(energy)的文章,共获取4654篇。第二项分析在相同期刊和时间范围内检索同时包含“能源”和至少一个GeoAI方法术语(如机器学习、深度学习、神经网络、人工智能、地理空间人工智能或GeoAI)的文章,共获得699篇。两项数据集均使用五阶段能源研究框架进行分类,涵盖开采与生产、能源消费、能源转型、基础设施与传输以及通用/其他,并进一步按子学科传统分类。
**4. 能源地理学(Energy Geographies)**
**4.1. 出版趋势与研究分布(Publication Trends and Research Distribution)**
2020至2026年,能源地理学年度出版量从592篇稳步增长至2025年的810篇。学科分布显示,地理信息科学(GIScience)与遥感(Remote Sensing)占39.0%,自然地理学与地球系统占35.2%,而人文地理学仅占12.4%,自然-社会方法占2.6%。研究阶段分布中,开采与生产占37.9%,能源消费占13.8%,能源转型仅占2.4%,基础设施与传输占2.0%。进一步交叉分析显示,能源转型研究主要由人文地理学主导,而开采、生产和消费主要依赖GIScience与遥感,反映了学科间研究重心的分化。
**4.2. 地理分布(Geographic Distribution)**
按第一作者机构所在国家统计,中国以2083篇文章遥遥领先,其次是美国(417篇)、德国(148篇)、印度(137篇)和英国(109篇)。研究产出集中于少数国家,非洲、南亚和拉丁美洲的大部分地区贡献较少,反映了大型数据丰富研究系统的影响力。
**5. 能源研究中的地理空间人工智能(GeoAI in Energy Research)**
**5.1. 能源研究中地理空间人工智能的增长(The Growth of GeoAI in Energy Research)**
GeoAI在能源研究中的应用自2020年起加速增长,从54篇增至2025年的145篇。然而,学科构成高度集中:GIScience与遥感占80.4%,自然地理学占16.3%,人文地理学仅占2.4%。研究阶段分布中,开采与生产占40.9%,通用/其他占39.3%,能源消费占16.3%,能源转型(1.9%)和基础设施与传输(1.6%)几乎缺失。目前可用于研究能源贫困、消费公平和公正转型的技术方法已存在,应用缺口可能反映了问题选择模式而非技术限制。
**5.2. 能源研究中地理空间人工智能的地理分布(Geographic Distribution of GeoAI in Energy Research)**
GeoAI研究的地理分布进一步集中:中国(396篇)、美国(52篇)、德国(35篇)、印度(18篇)、韩国(17篇)。非洲、南亚和东南亚及拉丁美洲的研究机构贡献极少。这种地理失衡具有技术后果,模型主要基于中国、美国和欧洲能源系统的图像与数据训练,将难以泛化到分散式、离网和数据稀疏的能源景观。
**5.3. 能源地理学中的地理空间人工智能应用(GeoAI Applications in Energy Geographies)**
当前GeoAI应用按数据类型和深度学习架构组织。遥感图像数据适合使用卷积神经网络(Convolutional Neural Networks, CNN),如DeepSolar项目利用CNN在全美范围内检测太阳能电池板。目标检测技术如YOLO框架用于电力基础设施检查。语义分割采用U-Net等编码器-解码器架构进行像素级分类。非图像数据方面,表格地理空间数据适合前馈神经网络(Feedforward Neural Networks, FNN),时间序列数据适合循环神经网络(Recurrent Neural Networks, RNN),图神经网络(Graph Neural Networks, GNN)适用于能源网络建模。
**5.4. 地理空间人工智能与传统方法在能源地理学中的比较(GeoAI vs. Traditional Methods in Energy Geographies)**
GeoAI存在数据依赖性、模型可解释性不足和计算成本高等局限性。深度学习需要大量标注数据,在数据稀疏地区表现不佳;传统地理信息系统(GIS)方法在有限数据集上依然有效。传统GIS和多准则决策分析(MCDA)完全可解释,而深度学习默认输出无解释。计算成本因空间异质性导致的重复训练而增加。这些局限性恰好对应GeoAI能源研究中代表性不足的应用领域:能源贫困分析、消费公平建模和公正转型规划。
**6. 能源地理学中负责任地理空间人工智能的未来方向(Future Directions for Responsible GeoAI in Energy Geographies)**
**6.1. 可解释地理空间人工智能与程序正义(Explainable GeoAI and Procedural Justice)**
深度学习模型常被视为黑箱。能源地理学需优先发展可解释地理空间人工智能(Explainable GeoAI, XGeoAI),采用固有可解释模型或事后解释方法如SHapley加法解释(SHapley Additive exPlanations, SHAP)。建议的工作流程包括记录数据来源与局限,将SHAP分数转化为简明摘要和反事实陈述,并与利益相关者合作审阅。参与式地理信息系统(Participatory GIS)已证明其可行性,能量地理学家应倡导将XGeoAI协议作为报告标准。
**6.2. 改善地理空间人工智能能源应用的地理覆盖范围(Improving Geographic Coverage of GeoAI Energy Applications)**
地理集中问题是结构性条件,由GeoAI的学习架构放大。应对策略包括:采用联邦学习(federated learning)架构,使全球南方机构无需共享原始数据;利用迁移学习(transfer learning)和领域自适应(domain adaptation)在小型本地数据集上微调预训练模型;使用地理空间基础模型(geospatial foundation models)、自监督/弱监督学习和合成数据生成来减少对标注数据的需求。同时,应通过自发地理信息(VGI)平台建立代表性训练数据集,并制定数据集报告标准。
**6.3. 地理空间人工智能能源悖论(The GeoAI Energy Paradox)**
GeoAI研究的计算基础设施本身是能源密集型、碳排放和土地消耗型的。训练大型模型可能排放大量碳,且因空间异质性导致的重复训练进一步增加计算负担。研究人员应使用工具如CodeCarbon报告模型训练的碳足迹,优先采用模型蒸馏、迁移学习、剪枝等计算高效方法,使用可再生能源驱动的高性能计算集群,并明确判断GeoAI部署规模是否与研究问题相称。该悖论也为能源地理学创造了研究机会,可用于分析人工智能计算基础设施本身的地理足迹。
**7. 局限性(Limitations)**
本研究的发现受操作选择影响:语料库基于期刊边界定义,不同边界会改变结果;GeoAI范围取决于方法词汇的严格程度;自动化分类无法处理个案歧义;五阶段分类框架嵌入特定分类学选择;Dimensions数据库的选择会影响绝对出版计数,但相对模式应保持稳定。地理归属按第一作者机构赋予,低估了国际合作的重要性。
**8. 结论(Conclusions)**
本文通过两项计量分析提供了GeoAI在能源地理学应用中存在显著缺口的经验证据:研究高度集中于开采与生产及少数国家,而消费端问题、能源转型和欠代表性地区的能源问题缺乏关注。三个未来方向分别针对模型透明度、地理覆盖范围和计算能源问责机制。该应用缺口对可持续性目标具有直接影响,与联合国可持续发展目标(SDGs)中的目标7(廉价和清洁能源)和目标13(气候行动)密切相关。核心问题是缺口并非技术性,而在于问题范围、学科和地区的局限。能源地理学在能源正义、尺度和社会维度方面的深厚工作为其引导GeoAI的发展提供了坚实基础。未来研究应整合深度学习与大数据预测能力及空间与社会框架,将GeoAI视为理解和设计更全面、空间更公平的能源景观的有目的工具。