Geografische Elemente umfassen in der Regel natürliche und menschliche Objekte. Der wachsende Datenfluss aus der Fernerkundung und den sozialen Medien bietet reichhaltige Datenquellen für die Klassifizierung dieser beiden Arten von Objekten. Die Extraktion von natürlichen Elementen, die hauptsächlich auf der Klassifizierung von Satellitenbildern basiert, und die Extraktion von menschlichen Elementen, die auf Online-Texten und den sozialen Medien basiert, sind die beiden Hauptströmungen der aktuellen geografischen Elementklassifikation. Die erste wird durch die Bildverarbeitungstechnologie unterstützt, während die zweite auf der Technologie der natürlichen Sprachverarbeitung basiert. Mit der Intervention von Methoden der künstlichen Intelligenz wie maschinelles Lernen zeigen die beiden Strömungen der Elementklassifikation immer mehr gemeinsame Merkmale. Dieser Artikel verwendet die Evolution der Methoden des maschinellen Lernens als Medium, um die Unterschiede und Gemeinsamkeiten in der Klassifikation geografischer Elemente auf der Grundlage der riesigen Fernerkundungsdaten und der Klassifikation menschlicher und sozialer Elemente auf der Basis von Online-Texten zu analysieren. Anhand von Beispielen für die Klassifikation einzelner und zusammengesetzter Objekte auf der Grundlage riesiger Fernerkundungsdaten und die Klassifikation von Themen in Microblogging wird gezeigt, dass die Klassifikationsmethoden in Bezug auf Methoden des maschinellen Lernens Gemeinsamkeiten aufweisen. Der gegenseitige Einsatz von Klassifikationsmethoden für umfangreiche Fernerkundungsdaten und Online-Texten kann die Anwendung der intelligenten Klassifikation natürlicher und menschlicher geografischer Elemente fördern.

Klassifikation geografischer Elemente; natürliche geografische Elemente; menschliche geografische Elemente; maschinelles Lernen; Klassifikation durch Fernerkundung; Klassifikation von Online-Texten; natürliche Sprachverarbeitung