HyperAI超神经

باعتباره مجالًا متعدد التخصصات إلى حد كبير، فإن علوم الأرض تخضع لتحول كبير بقيادة الذكاء الاصطناعي. من خلال استخراج المعلومات المحتملة واكتشاف الأنماط المخفية في بيانات علوم الأرض الضخمة، لا يمكن للذكاء الاصطناعي تعميق فهم الناس للظواهر الطبيعية للأرض فحسب، بل يمكنه أيضًا تحسين نمذجة الباحثين وتوقعهم للعلاقات غير الخطية المكانية الزمنية بين عوامل علوم الأرض المختلفة، وتعزيز تشكيل نموذج بحثي جديد.

في الآونة الأخيرة، في منتدى COSCon'24 للذكاء الاصطناعي من أجل العلوم الذي تم إنتاجه بشكل مشترك بواسطة HyperAI،شارك تشي جين، الباحث من كلية علوم الأرض بجامعة تشجيانغ، مع الجميع حدود النمذجة الجغرافية التقليدية وتأثير الأساليب التقليدية المدعومة بالذكاء الاصطناعي على تحليل أسعار المساكن، والاستشعار عن بعد للمحيطات، وتلوث الهواء، والتنبؤ بالتعدين وغيرها من المجالات تحت موضوع "الذكاء الاصطناعي الجيولوجي وتطبيقاته الجيولوجية متعددة التخصصات".

قامت شركة HyperAI بتجميع وتلخيص المشاركة المتعمقة للسيد تشي جين دون انتهاك النية الأصلية. وفيما يلي نص الخطاب:

تشمل تطبيقات GeoAI متعددة التخصصات تحليل أسعار المساكن، والاستشعار عن بعد للمحيطات، وتلوث الهواء، والتنبؤ بالتعدين

مع التقدم المستمر في تكنولوجيا المراقبة، شهدت البيانات المكانية الزمنية في مجال علوم الأرض تطوراً هائلاً. يمكن استخدام هذه البيانات على نطاق واسع في البحوث العلمية مثل نمذجة البيئة البحرية، وتحليل أسباب أسعار المساكن، واستكشاف التوزيع المكاني للمعادن، ومحاكاة تلوث الهواء PM2.5.

في الماضي، استخدمنا نموذج الانحدار الموزون جغرافيًا التقليدي (GWR) لتحليل تأثير الموقع الجغرافي على العلاقة بين المتغيرات لتحليل أو التنبؤ بالتباين المكاني للكائن المستهدف. ومع ذلك، هناك تفاعلات معقدة بين البيانات المختلفة.لقد أصبح بناء نماذج أكثر تطوراً ونمذجة الأشياء على نطاقات أكبر تحديًا مهمًا.

من أجل التكيف مع تطور الذكاء الاصطناعي والبيانات الضخمة والتعامل مع مشاكل النمذجة المعقدة في العالم الحقيقي،نحن نجمع بين مفهوم الانحدار المرجح الجغرافي التقليدي مع تكنولوجيا الشبكات العصبية ونقترح نوعًا جديدًا من النماذج، بما في ذلك الانحدار المرجح للشبكة العصبية الجغرافية (GNNWR) والانحدار المرجح للشبكة العصبية الجغرافية المكانية الزمنية (GTNNWR).

منذ نشر الورقة الأولى، جذبت سلسلة من الأساليب مثل GNNWR وGTNNWR الكثير من الاهتمام وتم استخدامها على نطاق واسع في علم المحيطات والجغرافيا وعلوم الغلاف الجوي والجيولوجيا وغيرها من المجالات. وقد تم نشر أكثر من 30 ورقة بحثية ذات صلة. ولا تقتصر هذه الإنجازات على الأبحاث المنهجية والتطبيقية المنشورة ضمن فريقنا. هناك أيضًا العديد من الفرق الخارجية التي تستخدم أفكار النمذجة أو الهندسة المعمارية التقنية المماثلة لإجراء الأبحاث. حاليًا، تم توفير GNNWR مفتوح المصدر على GitHub ويدعم استدعاء pip install gnnwr (Python ≥ 3.9) مباشرةً.

عنوان GNNWR مفتوح المصدر:
https://github.com/zjuwss/gnnwr

إذا أخذنا تحليل أسعار المنازل كمثال،كما نعلم جميعًا، تتأثر أسعار المساكن بشكل كبير بالموقع الجغرافي. إن المعالم السياحية ومواقع المناطق المدرسية وما إلى ذلك تؤثر بشكل مباشر على مستوى أسعار المساكن. تستخدم الجغرافيا التحليل الإحصائي للكشف عن العوامل التي يمكن أن تؤثر على أسعار المساكن. وبالمقارنة مع نماذج الانحدار التقليدية، فإن نموذج GNNWR لا يتمتع بدقة تركيب أعلى فحسب، بل يتمتع أيضًا بقدرة تفسير أقوى، ويمكنه الكشف بعمق عن آلية العمل والاختلافات المكانية للعوامل التي تؤثر على أسعار المساكن. وسيتم تقديم المحتوى المحدد لهذه الدراسة بالتفصيل في وقت لاحق.

الورق الأصلي:
https://www.mdpi.com/2220-9964/11/8/450

https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771

من حيث نمذجة البيئة الإيكولوجية البحرية،تحتوي صور المحيط الملتقطة من الفضاء بواسطة أقمار الاستشعار عن بعد على معلومات غنية بالنطاق. وبناءً على التوزيع المكاني المختلف لمعلومات هذا النطاق، يمكننا تحليل محتوى العناصر البيئية البحرية مثل الكلوروفيل والرواسب المعلقة.

وفي السنوات الأخيرة، أصبح من الممكن تقدير التوزيع الزمني والمكاني للسيليكات، وهو عنصر غذائي مهم في المحيط، باستخدام نموذج GTNNWR. يمكن أن يؤدي انخفاض السيليكات إلى حدوث المد الأحمر الساحلي. يمكن استخدام نموذج GTNNWR للحصول على التغيرات الديناميكية المكانية الزمنية الدقيقة للسيليكات المذابة في المياه الساحلية، وبالتالي توفير إشارات الإنذار المبكر عن بعد لحدوث المد الأحمر الساحلي. وسيتم وصف المحتوى المحدد لهذه الدراسة بالتفصيل في وقت لاحق.

ومثال آخر على ذلك هو تلوث PM2.5.قد تكون بعض المدن الصناعية الثقيلة في الشمال هي المصدر الرئيسي للتلوث. نموذج GNNWR قادر على إنشاء علاقات انحدار غير ثابتة مكانيًا، وتقدير تركيزات PM2.5، وتوفير توزيع PM2.5 عالي الدقة ومفصل بشكل معقول في جميع أنحاء البلاد. على سبيل المثال، من خلال النمذجة الجغرافية المكانية، وجدنا أن تركيزات PM2.5 مرتفعة بشكل عام من بكين إلى ليانيونقانغ، وهو ما قد يتأثر بعوامل مثل اتجاه الرياح وسرعتها. وبالإضافة إلى ذلك، قد تعمل أحزمة الحماية في مناطق محددة على منع انتشار الجسيمات PM2.5.

الورق الأصلي:
https://www.mdpi.com/2072-4292/13/10/1979

في مجال الجيولوجيا، وخاصة في التنبؤ بالتوزيع المكاني لرواسب الذهب،لقد أجرينا سلسلة من الدراسات للكشف عن تأثير العوامل الجيولوجية على احتمالية تشكل رواسب الذهب. في النموذج المبني، قدمنا طريقة شابلي لتعزيز إمكانية تفسير النموذج وتحقيق التنبؤ الدقيق وتفسير التمعدن في البيئات المكانية المعقدة.

مزيد من التفاصيل: أفضل من النماذج الخمسة المتقدمة، نموذج GNNWLR الذي اقترحه فريق Du Zhenhong في جامعة Zhejiang: تحسين دقة التنبؤ بالتعدين

استخدام أسعار الهامبرغر كمثال لاستكشاف قيود النمذجة الجغرافية التقليدية

في المجال الإحصائي التقليدي، إذا أردنا استكشاف العوامل التي تؤثر على تركيز PM2.5، فإننا نستخدم عادة تحليل الانحدار الخطي المتعدد، أي أن x يمثل المتغير المستقل، ويمثل y المتغير التابع، ونستكشف العلاقة بين y وx. لكن،في مجال البحث الجغرافي، ونظراً للاختلافات في العلاقات بين المتغيرات الناجمة عن الموقع المكاني، فإن الأساليب الإحصائية التقليدية تجد صعوبة في نمذجة مثل هذه الظواهر الطبيعية المعقدة.

خذ سعر الهامبرغر كمثال. فليكن y هو سعر الهامبرغر. سعر الهمبرجر في بكين هو 25 يوان، بينما في هانغتشو هو 15 يوان. إذا استخدمنا النمذجة الخطية البسيطة، ونظرًا لأن مقاطعة جيانغسو تقع بين بكين وهانغتشو، فقد نتوقع أن يكون سعر الهامبرغر في جيانغسو 20 يوانًا. ومع ذلك، فإن العوامل الجغرافية لا تشكل علاقة خطية بسيطة. ويتأثر سعر الهامبرغر أيضًا بعوامل متعددة مثل تكاليف الخدمات اللوجستية وظروف النقل وتكاليف المواد الخام. ويختلف توزيع هذه العوامل في الفضاء.وهذا يعني أنه ينبغي أن تؤخذ أوزان العوامل المختلفة في مواقع جغرافية مختلفة في الاعتبار عند النمذجة.

ولمعالجة مشكلة نمذجة العلاقات الجغرافية بشكل أكبر، قام الجغرافيون بتوسيع الانحدار الخطي المتعدد التقليدي إلى الانحدار المرجح جغرافيًا (GWR).في GWR، يتم إعطاء معامل الانحدار β قبل كل متغير مستقل خاصية التغير حسب الموقع الجغرافي.وهذا يعني أن وزن كل معامل انحدار يتغير مع تغير الموقع المكاني. هذا التغيير هو ما نسميه غالبًا "عدم الثبات المكاني"، مما يعني أن العلاقة بين المتغير المستقل والمتغير التابع ليست علاقة خطية مستقرة، بل تتقلب.

كيفية حساب معاملات الانحدار المرجحة جغرافيا؟ يتضمن الأساس نقطتين: الأولى هي حساب المسافة المكانية الدقيقة، والثانية هي اختيار وظيفة التركيب الأكثر دقة بين العديد من وظائف النواة.

فيما يتعلق بحساب المسافة المكانية، بالإضافة إلى المسافة الإقليدية، هناك أيضًا حساب مسافة مانهاتن. بافتراض أن هانغتشو تبعد 200 كيلومتر عن نانجينغ وأن بكين تبعد أيضًا 200 كيلومتر عن نانجينغ، فإذا تم حساب المسافة على أساس المسافة الإقليدية، فيمكن حساب المسافة المستقيمة بين المكانين باستخدام نظرية فيثاغورس. ولكن في التطبيق الفعلي، قد تبلغ المسافة بين داليان ويانتاي بالقارب حوالي 100 كيلومتر فقط، في حين أن ركوب السكك الحديدية عالية السرعة يتطلب طريقا أطول، وقد تتجاوز المسافة الفعلية 300 كيلومتر.لذلك، في النمذجة الجغرافية المكانية، يعد اختيار طريقة حساب المسافة أمرا بالغ الأهمية.

ثانيًا، قمنا بتقديم مفهوم "دالة النواة" ورسمنا رسمًا بيانيًا لدالة النواة، كما هو موضح في الشكل أدناه. كلما ابتعدنا عن نقطة التحليل (النقطة الحمراء)، انخفض الوزن، ولكن هذه العلاقة ليست علاقة تناقصية بسيطة، بل تتقلب مع المسافة المكانية.عندما يقوم الجغرافيون ببناء النماذج، يكون لديهم العديد من الخيارات لوظائف نواة الوزن، مثل الوظائف الغوسية، والوظائف الأسيّة، وما إلى ذلك.

باختصار، فإن عدم اليقين بشأن قياس المسافة المكانية واختيار الدالة الأساسية التي تناسب البيانات بشكل أفضل هي القضايا الرئيسية التي تؤثر على دقة النمذجة الجغرافية.

دمج النمذجة الجغرافية التقليدية مع الذكاء الاصطناعي

إن اللاخطية المعقدة هي سمة متأصلة بين العوامل المختلفة في العالم الحقيقي. لقد وُلِد التعلم الآلي والشبكات العصبية لحل مثل هذه المشاكل.

في مجال النمذجة الجغرافية، غالبًا ما تكون المسافة المكانية بين نقطتين غير خطية، كما تتغير الأوزان الموصوفة بواسطة الدالة الأساسية بشكل غير خطي أيضًا. لذلك، نقوم بدمج مفهوم الانحدار الموزون جغرافيًا (GWR) التقليدي مع تقنية الشبكة العصبية.تم اقتراح فئة جديدة من نماذج الطرق، بما في ذلك الانحدار المرجح للشبكة العصبية الجغرافية (GNNWR) والانحدار المرجح للشبكة العصبية الجغرافية المكانية الزمنية (GTNNWR).

https://www.tandfonline.com/doi/full/10.1080/13658816.2020.1775836

https://www.tandfonline.com/doi/full/10.1080/13658816.2022.2100892

تتميز هذه الطريقة بميزتين رئيسيتين: أولاً، يتم إنشاء شبكة عصبية خصيصًا لحساب المسافة المكانية. بغض النظر عن المسافة الفعلية 100 كيلومتر أو 300 كيلومتر، يمكن للشبكة العصبية تحديد المسافة الأكثر ملاءمة للنمذجة بين نقطتين من خلال البيانات الضخمة. ثانياً، تقوم الطريقة بتصميم شبكة وزن مكانية زمنية، أي شبكة عصبية مرجحة مكانياً، وهي مسؤولة عن حساب قيمة وزن المخرجات بناءً على المسافة المكانية للمدخلات.في هذه العملية، لا نحتاج إلى تحديد وظيفة kernel التي يجب استخدامها مسبقًا. بدلاً من ذلك، تتعلم الشبكة العصبية ميزات البيانات بنفسها وتقوم تلقائيًا بإنشاء أوزان جغرافية بناءً عليها. ومن خلال التطبيق المتداخل للشبكتين العصبيتين المذكورتين أعلاه، يتم تحقيق التنبؤ الدقيق للمتغير المقابل y في النهاية.

على عكس الطرق التقليدية، يمكن لـ GNNWR حساب معامل β بدقة أمام المتغير المستقل.لعرض أكثر سهولة، قمنا بتصور معامل الانحدار β، كما هو موضح في الشكل التالي.₀ توزيع الوزن هو الماس البرتقالي، β₁ ويظهر نمط توزيع فريد من نوعه مع أوزان عالية في الأعلى والأسفل وأوزان منخفضة في المنتصف، بينما β₂ ويقدم توزيعًا دائريًا مركزيًا.

كما هو موضح في الشكل أدناه،تم تحسين دقة GWR المدمجة مع الشبكة العصبية في كل من مجموعة التدريب ومجموعة الاختبار بشكل كبير.

تطبيق GNNWR في نمذجة أسعار المساكن والبيئة البحرية

لا ترتبط أسعار المساكن بمكان العمل فحسب، بل يجب أيضًا مراعاة عوامل مثل النقل، والمنطقة المدرسية، والبيئة.وفي نمذجة أسعار المساكن، أخذنا أسعار المساكن في ووهان كمثال وجمعنا البيانات من ما يقرب من 1000 سجل لمعاملات الإسكان المستعمل، وقسمناها إلى مجموعات تدريب واختبار بنسبة 85:15. والسبب في اختيار السكن المستعمل هو أنه أقل تأثراً بتنظيم السياسات وأقرب إلى تأثير التدفق الاقتصادي الحقيقي.

خلال البحث، اتبعنا عملية نمذجة الشبكة العصبية التقليدية، وقسمنا مجموعة الاختبار إلى مجموعة تدريب، وجمعنا سلسلة من المتغيرات التي قد تؤثر على أسعار المساكن. تتميز هذه الحالة بأنها تقدم مفهومًا جديدًا لـ "المسافة المكانية". بالإضافة إلى المسافة الإقليدية التقليدية، اقترحنا أيضًا "مسافة التنقل" استنادًا إلى ظروف المرور الفعلية. من خلال إنشاء دالة اندماج المسافة،نقوم بإدخال مسافة التنقل والمسافة الإقليدية في الشبكة العصبية معًا لتحديد المسافة غير الخطية بعد دمج الاثنتين.

لم يتم تغيير الهيكل العام للنموذج بشكل كبير. ويقوم أيضًا بإدخال الوزن المقابل لكل عامل w ويخرج سعر المنزل النهائي y. ومن خلال التجارب المقارنة، أثبتنا أنعند النظر في كل من المسافة الإقليدية ومسافة التنقل، يكون أداء النموذج أعلى بمقدار 12% من النمذجة التقليدية، وهو أعلى من التحسن عندما يتم إدخال مسافة واحدة في الشبكة العصبية بشكل منفصل.

وكشفت الدراسة أيضًا عن العلاقة بين أسعار المساكن في ووهان وتوزيع المدن الجامعية ومعاهد الأبحاث وشركات التكنولوجيا والمعالم السياحية.علاوة على ذلك، يعد النموذج المقترح فعالاً بشكل خاص في التنبؤ بأسعار المساكن في المناطق البعيدة عن مركز المدينة. وعلى وجه التحديد، كلما زادت المسافة من مركز المدينة، زادت أيضًا دقة التنبؤ للنموذج. ويبين هذا أنه في المناطق الحضرية الطرفية، يمكن لطرق قياس المسافة الخاصة أن تلتقط أنماط التغيرات في أسعار المساكن بشكل أكثر دقة.

من حيث نمذجة البيئة الإيكولوجية البحرية،خذ سد الخوانق الثلاثة على نهر اليانغتسي كمثال. سوف يعمل السد على اعتراض الطمي وجعل المياه أكثر صفاءً، ولكنه سيمنع أيضًا عنصرًا غذائيًا مهمًا من دخول المحيط - السيليكات. إن انخفاض السيليكات سيؤدي إلى زيادة نسبة المد الأحمر السام والضار على طول الساحل. تعتمد طرق البحث التقليدية على تقدير اتجاه تدفق العناصر الغذائية بشكل تقريبي من خلال رسم خرائط الكنتور. ومع ذلك، في سياق العصر الجديد، أصبحت كيفية استخدام صور الأقمار الصناعية الاستشعارية ذات الدقة الزمنية والمكانية العالية لاستكشاف توزيع العناصر الغذائية موضوعًا جديدًا. وفي هذا الصدد، اقترحنا نهجًا للنمذجة غير الخطية يعتمد على GeoAI، على أمل الاستفادة من مزايا البيانات الضخمة لتحقيق تحليل العناصر الغذائية البحرية، وما إلى ذلك.

اعتمدت هذه الدراسة على طريقة GNNWR التي طورها الفريق بشكل مستقل. وتظهر خصائص هذه الطريقة في الشكل أدناه. بالإضافة إلى ذلك، قمنا أيضًا بإجراء عمليات مثل مطابقة مجموعة البيانات، وتقدير الاستشعار عن بعد المكاني الزمني، واستكمال البيانات المفقودة.

خلال عملية البحث، تعاونا مع إدارة مراقبة البيئة البحرية في مقاطعة تشجيانغ، واستخدمنا بيانات المراقبة التي أصدرتها، وقمنا بدمجها مع محرك البحث API الشهير Google Earth Map لتنزيل صور الاستشعار عن بعد المطلوبة. ثم قمنا بتحديد وقتها وموقعها المكاني ودقتها، وقسمناها إلى مجموعة تدريب ومجموعة اختبار ومجموعة تحقق وفقًا للإجراءات القياسية. لقد قمنا بتنفيذ التحقق المتبادل 10 مرات واخترنا أفضل النتائج وأكثرها استقرارًا للنمذجة.

ومن خلال النمذجة، قمنا برسم خريطة للتغيرات الزمنية والمكانية في توزيع السيليكات اليومية في محيطات تشجيانغ على مدى السنوات التسع الماضية. وقد لوحظ أن محتوى السيليكات يكون منخفضًا في شهر أغسطس من كل عام بسبب الأنشطة المتكررة للكائنات البحرية والنباتات. في شهري سبتمبر وأكتوبر، عندما يتدفق نهر اليانغتسي إلى المياه الساحلية في تشجيانغ، يزداد محتوى العناصر الغذائية في المنطقة بشكل كبير.

كما هو موضح في الشكل أدناه، فإن المنحنى الأزرق يمثل محتوى السيليكات، والمنحنى البرتقالي يمثل اتجاه التدفق وسرعة نهر اليانغتسي. يمكننا أن نرى أن هناك ارتباطًا مهمًا بين محتوى السيليكات وتوزيع مياه نهر اليانغتسي المتدفقة عبر تشجيانغ، حيث وصل معامل بيرسون إلى 0.462.ويثبت هذا أن تأثير مياه نهر اليانغتسي على مياه تشجيانغ أكثر وضوحا في الخريف والشتاء من كل عام.

بالإضافة إلى ذلك، استخدمنا بيانات عالية الدقة الزمنية والمكانية لتحليل التغيرات في النشاط البيولوجي البحري. وتوصلت الدراسة إلى أنه خلال فترة المد الأحمر في المياه الساحلية في تشجيانغ، انخفض المنحنى ذو الصلة مرتين في غضون أسبوعين، مما يشير إلى أنلا تستطيع طريقة الذكاء الاصطناعي تحسين دقة النموذج فحسب، بل يمكنها أيضًا الكشف عن التغييرات الدقيقة في الزمان والمكان، أو تقديم إشارات مهمة للمراقبة في الوقت الفعلي والتحذير المبكر من ازدهار الدياتوم.

وفيما يتعلق بتأثير الأعاصير الساحلية، لاحظنا أن مستويات العناصر الغذائية بلغت ذروتها في اليوم الذي وصل فيه الإعصار إلى المحيط، ثم عادت إلى مستوياتها الأصلية بعد ثلاثة أيام.وتعود هذه الظاهرة إلى اضطراب مياه البحر تحت السطح بسبب الأعاصير، مما يتسبب في نقل العناصر الغذائية من قاع البحر من الأعماق إلى سطح البحر. ومع ذلك، بعد الإعصار، يعود محتوى العناصر الغذائية بسرعة إلى حالته الأصلية، مما يؤكد الآلية المستنتجة في البحوث المحيطية التقليدية من منظور قائم على البيانات.

في ملخص،توفر هذه الدراسة إشارة تنبؤ للإنذار المبكر للمد الأحمر البحري وتتحقق من تأثير الأعاصير على التغيرات الزمنية والمكانية للمحيط. وقد نشر الفريق سلسلة من الأوراق البحثية في مجال المحيطات، تستكشف التغيرات في التوزيع الزمني والمكاني لجودة مياه المحيطات، وقد تشكل اتجاهات بحثية جديدة للاستمرار في المستقبل.

نبذة عن كلية علوم الأرض بجامعة تشجيانغ

المتحدث الضيف في هذه الجلسة التشاركية هو السيد تشي جين، وهو من كلية علوم الأرض بجامعة تشجيانغ.اتجاه بحثه هو تطوير منصة تحليل البيانات الضخمة في مجال علم المحيطات والجيولوجيا بالذكاء الاصطناعي. وقد أشرف على العديد من مشاريع البحث العلمي المهمة، بما في ذلك المشاريع الفرعية لبرنامج البحث والتطوير الوطني الرئيسي "الخطة الخمسية الرابعة عشرة" ومشاريع مؤسسة العلوم الطبيعية الوطنية. شغل منصب المدير الفني لمنصة خدمة المعلومات الذكية متعددة المصادر للبيئة البيئية للمياه القريبة من الشاطئ في تشجيانغ وفاز بالجائزة الأولى لجائزة العلوم والتكنولوجيا الهندسية البحرية.

الصفحة الشخصية لـ Qi Jin:

https://person.zju.edu.cn/qijin

وقد نجح فريقه، بقيادة البروفيسور دو تشن هونغ والبروفيسور وو سينسن، في تحقيق سلسلة من النتائج في مجالات علوم الأرض وعلوم المعلومات في السنوات الأخيرة.تُستخدم سلسلة نماذج GNNWR التي اقترحها الفريق على نطاق واسع من قبل المواهب في الصناعة، وقد تم تنزيل النموذج واستدعاؤه والاستشهاد به أكثر من 10000 مرة في المجموع. وفي المستقبل، يلتزم الفريق بتطوير نظرية وأساليب نظم المعلومات الجغرافية بشكل كامل، وتكنولوجيا منصة التحليل الذكي الجيولوجي، ومواصلة استكشاف تطوير GeoAI.

الصفحة الشخصية لـ Wu Sensen، قائد فريق البحث في GNNWR، ومقدمة موجزة عن نموذج الانحدار الذكي المكاني الزمني:

https://mypage.zju.edu.cn/wusensen/#977161

ويقوم الفريق بتجنيد زملاء ما بعد الدكتوراه ومساعدي الأبحاث. نرحب بالباحثين ذوي الخلفيات في نظم المعلومات الجغرافية، والاستشعار عن بعد، والجغرافيا، وعلم المحيطات، والجيولوجيا، وعلوم الكمبيوتر والتكنولوجيا للانضمام إلينا. كما نرحب أيضًا بالشباب المتميزين من الخارج وجميع أنواع المواهب رفيعة المستوى للانضمام إلينا!