stringtranslate.com

Red neuronal espacial

Diferencia en los precios de las viviendas previstos en los estados de Austria, a partir de un GWR y un GWNN cuyas métricas de ponderación utilizan respectivamente la distancia euclidiana (ED) y la distancia del tiempo de viaje (TTD) [1]

Las redes neuronales espaciales ( SNN ) constituyen una supercategoría de redes neuronales personalizadas (NN) para representar y predecir fenómenos geográficos. Por lo general, mejoran tanto la precisión estadística como la confiabilidad de las NN aespaciales/clásicas siempre que manejan conjuntos de datos geoespaciales , y también de los otros modelos espaciales (estadísticos) (por ejemplo, modelos de regresión espacial) siempre que las variables de los conjuntos de datos geoespaciales representen relaciones no lineales . [2] [3] [1]

Historia

Openshaw (1993) y Hewitson et al. (1994) comenzaron a investigar las aplicaciones de las NN a-espaciales/clásicas a los fenómenos geográficos. [4] [5] Observaron que las NN a-espaciales/clásicas superan a los otros modelos estadísticos a-espaciales/clásicos ampliamente aplicados (por ejemplo, modelos de regresión, algoritmos de agrupamiento, clasificaciones de máxima verosimilitud) en geografía , especialmente cuando existen relaciones no lineales entre las variables de los conjuntos de datos geoespaciales . [4] [5] Posteriormente, Openshaw (1998) también comparó estas NN a-espaciales/clásicas con otros modelos estadísticos a-espaciales modernos y originales en ese momento (es decir, modelos de lógica difusa, modelos de algoritmos genéticos); concluyó que las NN a-espaciales/clásicas son estadísticamente competitivas. [6] Posteriormente, los científicos desarrollaron varias categorías de SNN; consulte a continuación.

Modelos espaciales

Los modelos estadísticos espaciales (también conocidos como modelos ponderados geográficamente o simplemente modelos espaciales), como las regresiones ponderadas geográficamente (GWR), las SNN, etc., son modelos estadísticos adaptados espacialmente (aespaciales/clásicos), para aprender y modelar los componentes deterministas de la variabilidad espacial (es decir, dependencia espacial/autocorrelación , heterogeneidad espacial , asociación espacial/correlación cruzada ) a partir de las geolocalizaciones de los individuos/unidades (estadísticos) de los conjuntos de datos geoespaciales . [7] [8] [1] [9]

Categorías

Existen varias categorías de métodos/enfoques para diseñar y aplicar SNN.

Aplicaciones

Existen casos de estudio de aplicaciones de SNN en:

Véase también

Referencias

  1. ^ abcdef Hagenauer J, Helbich M (2022). "Una red neuronal artificial ponderada geográficamente". Revista Internacional de Ciencias de la Información Geográfica . 36 (2): 215–235. Código Bibliográfico :2022IJGIS..36..215H. doi : 10.1080/13658816.2021.1871618 . S2CID  233883395.
  2. ^ ab Morer I, Cardillo A, Díaz-Guilera A, Prignano L, Lozano S (2020). "Comparación de redes espaciales: un enfoque de talla única basado en la eficiencia". Physical Review . 101 (4): 042301. Bibcode :2020PhRvE.101d2301M. doi :10.1103/PhysRevE.101.042301. hdl : 2445/161417 . PMID  32422764. S2CID  49564277.
  3. ^ ab Gupta J, Molnar C, Xie Y, Knight J, Shekhar S (2021). "Redes neuronales profundas que tienen en cuenta la variabilidad espacial (SVANN): un enfoque general". ACM Transactions on Intelligent Systems and Technology . 12 (6): 1–21. doi :10.1145/3466688. S2CID  244786699.
  4. ^ ab Openshaw S (1993). "Modelado de la interacción espacial mediante una red neuronal". En Fischer M, Nijkamp P (eds.). Sistemas de información geográfica, modelado espacial y evaluación de políticas . Berlín: Springer. págs. 147–164. doi :10.1007/978-3-642-77500-0_10. ISBN 978-3-642-77500-0.
  5. ^ ab Hewitson B, Crane R (1994). Redes neuronales: aplicaciones en geografía . The GeoJournal Library. Vol. 29. Berlín: Springer. p. 196. doi :10.1007/978-94-011-1122-5. ISBN 978-94-011-1122-5.
  6. ^ Openshaw S (1998). "Modelos genéticos, de lógica difusa y de redes neuronales de interacción espacial". Environment and Planning . 30 (10): 1857–1872. Bibcode :1998EnPlA..30.1857O. doi :10.1068/a301857. S2CID  14290821.
  7. ^ Anselin L (2017). Un indicador local de asociación espacial multivariante: extensión de la C de Geary (PDF) (Informe). Centro de Ciencia de Datos Espaciales. p. 27.
  8. ^ Fotheringham S, Sachdeva M (2021). "Modelado de procesos espaciales en geografía humana cuantitativa". Anales de SIG . 28 : 5–14. doi : 10.1080/19475683.2021.1903996 . S2CID  233574813.
  9. ^ ab Lu B, Hu Y, Yang D, Liu Y, Liao L, Yin Z, Xia T, Dong Z, Harris P, Brunsdon C, Comber A, Dong G (2023). "GWmodelS: Un software para modelos ponderados geográficamente" (PDF) . SoftwareX . 21 : 101291. Código Bibliográfico :2023SoftX..2101291L. doi :10.1016/j.softx.2022.101291.
  10. ^ Xie Y, Chen W, He E, Jia X, Bao H, Zhou X, Ghosh E, Ravirathinam P (2023). "Aprovechamiento de la heterogeneidad en el espacio con metaaprendizaje guiado estadísticamente". Sistemas de información y conocimiento . 65 (6): 2699–2729. doi :10.1007/s10115-023-01847-0. PMC 9994417 . PMID  37035130. S2CID  257436979. 
  11. ^ Rif'an M, Daryanto D, Agung A (2019). "Red neuronal espacial para pronosticar el consumo de energía en el área de Palembang". Journal of Physics: Conference Series . 1402 (3): 033092. Bibcode :2019JPhCS1402c3092R. doi : 10.1088/1742-6596/1402/3/033092 . S2CID  237302678.
  12. ^ Podlipnov V, Firsov N, Ivliev N, Mashkov S, Ishkin P, Skidanov R, Nikonorov A (2023). "Clasificación de imágenes hiperespectrales de vegetación mediante redes neuronales espectrales espaciales". Serie de conferencias de la IOP: ciencias de la tierra y del medio ambiente . Vol. 1138. doi : 10.1088/1755-1315/1138/1/012040 .
  13. ^ Lin R, Ou C, Tseng K, Bowen D, Yung K, Ip W (2021). "El modelo de red neuronal espacial con tecnología disruptiva para la tasación de propiedades en la industria inmobiliaria". Pronóstico tecnológico y cambio social . 177 : 121067. doi :10.1016/j.techfore.2021.121067.