وباستخدام سعر 1.7 ألف وحدة سكنية في شنتشن كمثال، يستخدم مختبر نظم المعلومات الجغرافية في جامعة تشجيانغ آلية الانتباه لاستخراج سمات السياق الجغرافي وتحسين دقة الانحدار المكاني غير الثابت.
الانحدار المرجح جغرافيًا (GWR) هو أسلوب إحصائي يستخدم على نطاق واسع في التحليل الجغرافي المكاني لالتقاط عدم الثبات المكاني (أي التباين المكاني) للظواهر الجغرافية. يقوم GWR التقليدي بتعيين أوزان لكل نقطة ملاحظة لتعكس تأثيرها على معلمات الانحدار. يتم حساب هذه الأوزان عادةً بناءً على المسافة المكانية (مثل المسافة الإقليدية)، وفقًا لمبدأ "كلما اقتربت المسافة، زاد التأثير". لكن،يتجاهل هذا النهج المبني على المسافة التشابه السياقي المعقد للظواهر الجغرافية.على سبيل المثال، قد يكون للتشابه في العوامل الاجتماعية والاقتصادية أو الخصائص البيئية تأثيرات مهمة على نموذج الانحدار. على سبيل المثال، في بيئة حضرية، قد تظهر منطقتان بعيدتان خصائص مماثلة لأسعار المساكن بسبب عوامل اجتماعية واقتصادية أو بيئية مماثلة مثل إمكانية الوصول إلى وسائل النقل والبنية الديموغرافية.
لحل هذه المشكلة،اقترح باحثون من مختبر GIS Key في مقاطعة تشجيانغ نموذجًا للتعلم العميق يعتمد على آلية الانتباه، وهو الانحدار الجغرافي المرجح للسياق والانتباه (CatGWR).يقدم النموذج آلية انتباه لدمج المسافة المكانية والتشابه السياقي بين العينات لتقدير عدم الثبات المكاني بشكل أكثر دقة. يوفر هذا الابتكار منظورًا جديدًا للنمذجة الجغرافية المكانية، وخاصة عند التعامل مع الظواهر الجغرافية المعقدة، ويمكنه التقاط التباين المكاني والتأثيرات الظرفية بشكل أفضل.
وقد نُشرت النتائج ذات الصلة في المجلة الدولية لعلوم المعلومات الجغرافية تحت عنوان "استخدام بنية قائمة على الاهتمام لدمج تشابه السياق في تقدير عدم الثبات المكاني".
أبرز الأبحاث:
* يقدم نموذج CatGWR آلية انتباه لحساب التشابه السياقي بين العينات، مما يمكنه من تجنب تداخل الضوضاء في الميزات السياقية بشكل فعال والحصول على تعبير تشابه أكثر دقة.
* يتمتع نموذج CatGWR بتحسينات كبيرة في الدقة على كل من مجموعات البيانات المحاكاة والتجريبية ويوفر توجيهات تفسير أكثر تفصيلاً.
عنوان الورقة:
https://doi.org/10.1080/13658816.2025.2456556
عنوان المشروع مفتوح المصدر:
https://github.com/yorktownting/CatGWR
مجموعة البيانات: مزيج من تجارب المحاكاة والحالات الفعلية
تتحقق هذه الورقة من فعالية نموذج CatGWR من خلال تجارب المحاكاة ودراسات الحالة الفعلية.استخدمت تجارب المحاكاة مجموعتين من البيانات الاصطناعية بحجم 64×64 (S1 وS2)، والتي تم تصميمها لتشمل سيناريوهات ذات تباين ظرفي وسيناريوهات ذات تباين مكاني فقط، على التوالي.تقوم مجموعات البيانات هذه ببناء علاقات الانحدار من خلال محاكاة خصائص المواقف مثل التباين المكاني وخصائص التوزيع العشوائي، وبالتالي توفير بيئة تجريبية يمكن التحكم فيها لتقييم أداء النموذج.
وتأخذ دراسة الحالة الفعلية بيانات أسعار المساكن في مدينة شنتشن في الصين كمثال.وكمثال نموذجي على التوسع الحضري السريع في الصين، تظهر أسعار المساكن في شنتشن تبايناً مكانياً كبيراً. تتضمن بيانات البحث عينات أسعار المساكن في 1776 مجمعًا سكنيًا و7 متغيرات مستقلة مرتبطة بأسعار المساكن (مثل سنة البناء، ورسوم الإدارة، ومعدل التشجير، وما إلى ذلك). بالإضافة إلى ذلك، قدمت الدراسة أيضًا بيانات ركاب سيارات الأجرة سداسية الأبعاد كميزات سياقية. يمكن أن تعكس هذه البيانات ديناميكيات المناطق الحضرية وأنماط النشاط البشري، مما يوفر معلومات مكانية وسياقية غنية للنموذج.
هندسة النموذج: الانحدار المرجح جغرافيًا والمستند إلى الاهتمام السياقي
يستخدم نموذج CatGWR آلية الاهتمام الإضافي لحساب تشابه السياق الجغرافي ويجمعها مع أوزان المسافة المكانية.ينقسم النموذج إلى ثلاث وحدات: وحدة المعالج المسبق، ووحدة مكبر الصوت، ووحدة الانحدار.كما هو موضح في الشكل التالي:
(أ) وحدة المعالجة المسبقة:المسؤول عن استخراج المتغيرات التابعة والمتغيرات المستقلة والميزات السياقية من بيانات الإدخال، وحساب مصفوفة الأوزان المكانية ومصفوفة الاتصال المكاني بين كل عينة ومحيطها.
(ب) وحدة التضخيم:توسيع المجال الاستقبالي للنموذج وتعزيز استخدام النموذج للبيانات المحلية.
(ج) وحدة الانحدار:يتم حساب التشابه السياقي بين العينات من خلال آلية الانتباه، ويتم دمجه مع مصفوفة الأوزان المكانية للحصول على الأوزان المكانية السياقية. يتم استخدام المدرك متعدد الطبقات (MLP) لتحويل الأوزان المكانية السياقية إلى معاملات انحدار، وبالتالي تحقيق تقدير عدم الثبات المكاني.
الاستنتاج التجريبي: الكشف عن عدم الثبات المكاني للعوامل المحددة لأسعار المساكن في شنتشن
تتحقق هذه الورقة من فعالية نموذج CatGWR من خلال تجارب المحاكاة والبحوث التجريبية حول أسعار المساكن في شنتشن.في تجربة المحاكاة، قمنا أولاً بمحاكاة وتوليد متغيرات سياقية لأربعة سيناريوهات جغرافية، واستخدمنا المتغيرات السياقية المولدة لبناء مجموعتين إضافيتين من مجموعات البيانات المحاكاة: S1 (شاركت المتغيرات السياقية في توليد مجموعة البيانات كجزء من المعاملات) و S2 (كانت المتغيرات السياقية غير ذات صلة بعلاقة الانحدار وأصبحت مدخل الضوضاء إلى CatGWR). وتظهر النتائج التجريبية أن:
* في سيناريو السيناريو (S1)،يمكن لـ CatGWR حل تشابه السيناريوهات بشكل أكثر دقة وربطها بشكل فعال بالقرب المكاني، مما يتفوق بشكل كبير على النماذج الحالية مثل GWR و MGWR و CGWR و GNNWR.
* في السيناريو غير السياقي (S2)،حتى لو تم تقديم "متغيرات السياق" غير ذات الصلة بمجموعة البيانات كضوضاء، بسبب قوة آلية الاهتمام التي يستخدمها CatGWR، فإن أداءه لا يزال ليس أقل شأناً من نموذج GWR التقليدي.
وفي مجموعة بيانات أسعار المساكن في شنتشن، يثبت نموذج CatGWR تفوقه بشكل أكبر.وبالمقارنة مع النماذج الموجودة، زادت قيمة R² لـ CatGWR على مجموعة التدريب من 0.853 إلى 0.920، وزادت قيمة R² على مجموعة التنبؤ من 0.717 إلى 0.764، وانخفضت RMS E وMAE بمقدار 28% و26% على التوالي.
أيضًا،ويكشف نموذج CatGWR أيضًا عن عدم الثبات المكاني للعوامل المحددة لأسعار المساكن في شنتشن.على سبيل المثال، بالقرب من خليج شنتشن، وبسبب تأثير السكان المسافرين بين شنتشن وهونج كونج من خلال الممر الغربي شنتشن-هونج كونج، فإن تأثير عدد أماكن وقوف السيارات الداعمة على أسعار المساكن أكثر أهمية من المناطق الأخرى. وفي الوقت نفسه، فإن خاصية "المسافة المتشابهة ولكن الأوزان المختلفة" للأوزان المكانية الظرفية بين العينات تعكس أيضًا خصائص البناء الحضري وتقسيم المناطق في شنتشن. يوضح هذا أن نموذج CatGWR قادر على التقاط تأثير التباين المكاني وتشابه السيناريوهات على أسعار المساكن بشكل فعال.
* الاختلافات بين المناطق الحضرية والريفية الناجمة عن إنشاء المناطق الاقتصادية الخاصة (الأوزان AE > AD، AC > AB على مسافات مادية مماثلة)
* الاختلافات في أنواع استخدام الأراضي (المدينة التابعة - المنطقة ذات المناظر الطبيعية الخلابة) (FH > FL، FG > FL)
نجح نموذج CatGWR في الجمع بين تشابه المشهد والقرب المكاني من خلال تقديم آلية الانتباه، مما أدى إلى تحسين دقة ومتانة نمذجة عدم الثبات المكاني بشكل كبير.لا يعمل هذا النموذج جيدًا في البيانات المحاكاة فحسب، بل يُظهر أيضًا قدرات ملاءمة قوية في التطبيقات العملية، مما يوفر أفكارًا وطرقًا جديدة لنمذجة العمليات الجغرافية.
استخدام توقعات أسعار المساكن لشرح العمليات الجغرافية علميًا
أبريل 2024كما نشر فريق البحث في مختبر نظم المعلومات الجغرافية بمقاطعة تشجيانغ ورقة بحثية في نفس مجال البحث في المجلة الدولية لعلوم المعلومات الجغرافية.يتم دمج مقياس القرب المكاني المحسن بواسطة الشبكة العصبية مع طريقة الانحدار المرجح للشبكة العصبية الجغرافية (GNNWR) لبناء نموذج osp-GNNWR، والذي يحقق تدريب الشبكة العصبية من خلال حل علاقة الانحدار المكاني غير الثابتة بين المتغيرات التابعة والمتغيرات المستقلة.
رابط الورقة:
https://www.tandfonline.com/doi/full/10.1080/13658816.2024.2343771
ومن قبيل المصادفة، استخدمت هذه الدراسة بيانات العقارات في ووهان كمثال للبحث والتحقق. أظهرت النتائج التجريبية أن نموذج osp-GNNWR يتمتع بمزايا محتملة في تصوير التباين المكاني للعمليات الجغرافية في العالم الحقيقي.
دينغ جيالي، طالب دكتوراه في الاستشعار عن بعد ونظم المعلومات الجغرافية في جامعة تشجيانغ، هو مؤلف الدراسة.قدّم ذات مرة في جلسة تبادل أكاديمية عبر الإنترنت: "بصفتي باحثًا في العلوم الجغرافية، إذا كان النموذج الذي نبتكره لا يستطيع سوى التنبؤ بأسعار المساكن، فإن هذه النتائج مملة في رأيي. ما نسعى إليه هو استخدام سلسلة معاملات الانحدار الناتجة عن هذه النماذج، والتي تتغير باختلاف الموقع المكاني، لتقديم تفسيرات علمية معقولة للعمليات أو الأنماط الجغرافية. هذا النوع من البحث أكثر عملية".
صحيح أن الأبحاث المتعلقة بعلوم الأرض قد تكون مخفية بين المباني الشاهقة في المدينة أو تبحر بعيداً على قمم الجبال والأنهار والبحيرات والبحار، ولكنها في النهاية ستقع كلها على هذه الأرض، مما يساعد الناس على فهم العمليات الجغرافية بشكل أفضل واستكشاف المعنى الكامن وراء الظواهر الجغرافية. في السنوات الأخيرة، ومع التقدم المستمر في تكنولوجيا المراقبة، أظهرت البيانات المكانية الزمنية في مجال علوم الأرض نموًا هائلاً، مما عزز بشكل أكبر تنفيذ التقنيات الناشئة مثل الذكاء الاصطناعي في مجال علوم الأرض.
يعد مختبر نظم المعلومات الجغرافية الرئيسي في مقاطعة تشجيانغ رائدًا في مجال الأبحاث متعددة التخصصات بين الذكاء الاصطناعي وعلوم الأرض.من خلال الجمع بين مفهوم الانحدار المرجح الجغرافي التقليدي مع تقنية الشبكات العصبية، تم اقتراح سلسلة من النماذج المبتكرة، 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 العديد من المجالات مثل علم المحيطات والجغرافيا وعلوم الغلاف الجوي والجيولوجيا. وقد نشر الفريق أكثر من 30 ورقة بحثية ذات صلة. وفي الوقت نفسه، فإن النتائج ذات الصلة تجلب أيضًا الإلهام والتنوير للفرق الأخرى في الصناعة. وتستخدم العديد من الفرق الخارجية أفكارًا نموذجية أو هياكل تقنية مماثلة لإجراء الأبحاث، وهذا هو سحر الأبحاث مفتوحة المصدر على وجه التحديد.
عنوان GNNWR مفتوح المصدر: