OSMGraphCLIP：从OpenStreetMap图学习全局位置表示

# OSMGraphCLIP：从OpenStreetMap图学习全球位置表示
来源：https://arxiv.org/html/2606.08046
Eleni Saka 雅典国家技术大学，希腊雅典。\{esaka,ipapoutsis\}@mail.ntua.gr
Ioannis Giannopoulos 维也纳技术大学，奥地利维也纳。[email protected]
Ioannis Papoutsis 雅典国家技术大学，希腊雅典。\{esaka,ipapoutsis\}@mail.ntua.gr 雅典国家天文台，希腊雅典。

###### 摘要

我们提出了OSMGraphCLIP，一种CLIP风格的地理空间表示模型，能够从免费可用的OpenStreetMap（OSM）数据中学习全局位置嵌入。OSMGraphCLIP将地理环境表示为包含类型化OSM特征的异构图，保留了道路、建筑物、土地利用区域和兴趣点之间的拓扑和语义关系。一个多尺度图编码器捕捉细粒度的局部结构和更广泛的景观构成，并通过对比对齐目标监督球谐函数位置编码器。我们在涵盖气候、生态、社会经济指标、公共卫生、土地覆盖、生物多样性和野火预测等一系列下游地理空间回归和分类任务上评估了OSMGraphCLIP，结果表明结构化的OSM数据本身就能在多个领域支持强大的全局位置表示。OSMGraphCLIP在大多数基准测试中匹配或超越了基于卫星的基线方法，在社会经济和公共卫生任务上优势最为显著，因为这些任务中OSM对建筑环境的明确语义注释编码了人类活动模式，而卫星像素只能间接捕捉这些模式。在生态和环境任务上，尽管没有使用任何对地观测数据，该模型仍然与基于图像的方法保持紧密竞争。定性分析证实，学习到的嵌入能够连贯地组织地理空间，仅凭地图拓扑就能恢复生物群落边界、城市梯度以及热带-温带区分。

## 1 引言

理解一个地点“在哪里”——不仅仅是作为一对坐标，而是在其完整的地理、关系、环境、景观和语义背景中——是地理空间机器学习中的一个基础性问题[20, 22, 15]。在地理学中，“在哪里”编码的不仅仅是绝对位置，它还捕捉空间邻近性、邻里结构、尺度、可达性、环境条件、土地利用背景以及地点之间的关系。这种观点与托布勒地理学第一定律高度一致，该定律指出邻近的事物往往比遥远的事物更相关。因此，一个强大的位置表示应该同时捕捉一个地点的内在特征及其与周围位置的空间依赖关系。这样的表示应该能够迁移到广泛的下游任务——从预测气候变量和生态生物群落，到推断房产价值、物种分布和人口密度——而无需任务特定的标注。这些表示支撑着生态学、公共卫生、城市规划和地球观测等领域的应用，并且随着地理基础模型旨在将大型语言和视觉模型的可迁移性匹配到地理空间领域，这些表示重新引起了人们的兴趣。

学习全局可迁移位置表示的主要范式是**对比对齐**：一个将地理坐标映射到潜在嵌入的位置编码器被训练为与其共处的上下文编码器产生相似的表示。GeoCLIP[35]和SatCLIP[15]是这一范式的标准实例。GeoCLIP使用CLIP损失[25]将位置编码器与地面图像编码器对齐，而SatCLIP通过将地理坐标与共处的卫星图像表示对齐来扩展这种方法。这两种方法在多样化的下游任务上都取得了强劲的结果。

卫星图像是一种自然的上下文模态：它在全球范围内可用，并密集地编码了土地覆盖、植被、建成区模式和季节性物候。OpenStreetMap（OSM）[23]提供了一种互补的视角。作为志愿地理信息（VGI）的一个突出例子，OSM是一个免费可用、协作策划的全球数据库，由庞大的志愿者社区贡献和维护。OSM不是捕捉地球表面的光谱和物理特征，而是提供地理空间的明确语义描述：道路、建筑物、水道、土地利用多边形和兴趣点通过结构化的`key=value`标签词汇表进行注释，该词汇表捕捉它们的功能和类别——例如，`amenity:restaurant`、`landuse:residential`或`highway:motorway`。此外，OSM特征本质上是关系性的：道路相交，建筑物包含在土地利用区域内，河流在桥下穿过。这种天然的图结构使得OSM特别适合基于图的表示学习，其中异构节点代表不同类型的地理实体，边捕捉诸如相交、包含、邻接、邻近和连通性等关系。

尽管有这些特性，OSM作为全局位置表示学习的主要上下文模态并未得到充分利用。先前在地理空间模型中使用OSM的方法要么将矢量数据栅格化为图块图像[3]，要么聚合每个单元的特征计数[38]，或者专注于地理实体检索而非全局可迁移嵌入[4]。然而，卫星图像和OSM是天然互补的模态，一个关键的开放问题是：仅凭结构化的OSM数据——没有任何对地观测数据——是否足以学习强大的全局位置表示。

我们提出了OSMGraphCLIP，它不使用图像编码器，而是利用一个异构OSM图编码器。对于每个训练位置，我们在选定的边界框内构建一个由OSM点、线串和多边形组成的异构图；使用预训练的Sentence-BERT[26]嵌入编码节点语义；并从成对的DE-9IM空间关系[9]中推导出拓扑边。节点表示通过跨所有类型空间关系的异构图注意力消息传递来学习，产生同时捕捉语义和拓扑结构的关系感知嵌入。随后，这些表示通过层次池化和基于注意力的读出机制聚合成固定维度的图级嵌入。最后，一个Transformer频带编码器从2、10和20公里尺度的同心区域聚合更粗略的空间上下文。融合后的嵌入然后通过对称对比损失与一个球谐函数加SIREN的位置编码器对齐。

我们的实验表明，仅凭结构化的OSM数据就足以学习强大的全局位置表示。在涵盖气候、生态、土地覆盖、生物多样性、社会经济、公共卫生和野火预测的24个下游任务中，OSMGraphCLIP在大多数基准测试中匹配或超越了基于卫星的基线方法。在社会经济和公共卫生预测任务上优势最为显著，因为OSM对建筑环境的明确语义注释——道路层级、便利设施类别、土地利用指定——编码了人类活动模式，而卫星像素只能间接捕捉这些模式。在生态和环境任务上，尽管没有使用任何对地观测数据，OSMGraphCLIP仍然与基于图像的方法保持紧密竞争，这表明OSM特征的地理结构携带了大量的环境信号。对学习到的嵌入的定性分析证实，这些表示能够连贯地组织地理空间，仅凭地图拓扑就能恢复生物群落边界、城市梯度以及热带-温带区分。

我们的贡献如下。

- •我们提出了OSMGraphCLIP，一种CLIP风格的地理空间表示模型，它无需任何卫星图像即可学习全局可迁移的位置嵌入，其架构新颖地将异构OSM图编码器与多尺度频带编码器相结合，以获取更广泛的空间上下文。
- •我们构建了一个大规模全球预训练语料库，包含大约20万个地理多样化的位置，并开发了一个可扩展的行星级提取管线，包括通过DE-9IM空间关系进行拓扑感知的异构图构建，以及用于覆盖OSM丰富区域的密度分层H3采样策略。
- •通过跨越24个下游地理空间任务的广泛评估，我们证明仅凭结构化的OSM图就能产生具有竞争力的全局表示，特别是在捕捉光谱图像只能隐式编码的人类活动模式语义方面表现出色。

## 2 相关工作

##### 位置编码。

早期关于坐标条件化神经网络的工作主要集中在物种分布建模上，从地理标记的生物观测数据中学习空间先验[20]。Space2Vec[21]引入了用于空间特征分布的多尺度网格单元表示，而Sphere2Vec[22]将其推广到球面上，提出了一系列用于全球地理空间预测的多尺度编码方法。Rußwurm等人[28]进一步开发了结合SIREN激活的球谐函数基函数作为独立的位置编码器，形成了随后被SatCLIP[15]采用并在我们的工作中保持不变的主干。SatCLIP引入了全局位置嵌入的对比对齐范式，将该位置编码器与ResNet卫星图像编码器配对，并在涵盖气候、生态和社会经济的十个下游任务上进行了评估。我们的工作继承自SatCLIP的位置编码器架构和对比训练目标，但用结构化的OSM图替代卫星图像作为上下文模态。

##### 基于POI的城市表示。

兴趣点（POI）数据提供了地理空间的一种互补的、以人为中心的视角：每个POI通过其类别和名称传达一个位置的语义角色——教育、商业、医疗保健。大量工作利用POI之间的空间共现和基于图的功能连接性来产生语义城市嵌入，涵盖了从早期嵌入模型到图神经网络方法。最近的CaLLiPer框架[36, 18]通过将由大型语言模型生成的POI文本嵌入与地理坐标对齐来推进这一路线，从而能够实现更丰富的语义表示，这些表示可迁移到城市功能映射和流动性任务。虽然这些以POI为核心的方法展示了语义注释数据的价值，但它们仍然局限于点几何形状，并且没有利用OSM原生作为图编码的拓扑关系——道路穿越水道、商店位于商业区域内、建筑物共享墙壁——。OSMGraphCLIP将完整的OSM特征集视为一个类型化的异构图，在捕捉点级语义的同时，还捕捉关系拓扑。

##### 多模态对比对齐。

为了克服单模态表示的限制，最近的工作使用受CLIP[25]启发的对比目标，在共享嵌入空间中对齐异构地理空间信号。GeoCLIP[35]将GPS坐标与卫星图像对齐，用于全球地理定位。UrbanCLIP[40]使用语言生成的卫星图像描述将文本语义注入视觉编码器。MoRA[38]通过将人类移动轨迹与多模态城市信号耦合来推广对比对齐，利用移动性作为可扩展地理空间表示学习的结构主干。GAIR[2]通过对比学习对齐卫星图像、街景图像和地理坐标，发现组合视觉模态会产生更强的表示。人口动态基础模型[1]利用多样化的多模态空间信号进行全球一致的人口统计推断。我们的工作独特之处在于专门将OSM**作为图**使用——保留拓扑和跨特征空间关系——而不是作为特征计数、栅格化图块或文本标签的来源。

##### 基于OSM的方法。

几种方法利用OSM数据，通过H3六边形上的特征聚合进行区域级嵌入。Hex2vec[39]在标签计数上使用skip-gram目标，Highway2vec[17]针对道路网络特征，GeoVeX[12]通过在标签计数直方图上使用六边形卷积自编码器扩展到全球覆盖。GeoLink[4]构建包含点、线和多边形节点的异构OSM图，并使用对比和重构目标进行训练，用于地理实体链接和检索。H3-MOSAIC[3]通过将特征计数聚合到H3网格单元上（丢弃单元内拓扑）结合了OSM语义和卫星图像。所有这些方法都将OSM特征简化为每个单元的计数或直方图，丢失了跨特征空间关系。我们的异构图注意力编码器受GeoLink图构建的启发，但嵌入到一个全局对比框架中，用于通用位置嵌入。

参考说明图1:用于构建OSMGraphCLIP语料库的初始20万个候选位置的地理分布。前10万个点是全球分布的SatCLIP坐标，其余10万个点是密度分层的H3衍生样本，强调OSM丰富的区域，同时保持全球覆盖。经过预处理和质量过滤后，最终训练集包含约18万个位置；剩余的约2万个位置用于留出验证。

## 3 方法

### 3.1 位置选择

训练OSMGraphCLIP需要大量全球分布的地理坐标集合，以便为其构建OSM图。我们从两个互补来源组装了20万个初始候选位置，每个来源贡献10万个点。

前10万个位置是用于训练SatCLIP[15]的地理坐标，旨在实现广泛的全球覆盖，并已作为对比位置编码的多样化基准语料库得到验证。与SatCLIP共享此位置集可以直接进行同类比较：两个模型都观察