نموذج الانحدار الذكي المكاني الزمني (STIR) Gnnwr

يعد هذا البرنامج التعليمي بمثابة تنفيذ PyTorch لنموذج الانحدار الذكي المكاني الزمني (STIR). موارد الحوسبة المستخدمة هي RTX 4090. تحتوي "مساحة العمل" على أمثلة توضيحية لنصوص أتمتة الكمبيوتر المحمول التالية:

• GNNWR: مثال توضيحي هو "تلوث الهواء PM2.5"

النسخة الانجليزية:demo_gnnwr.ipynb

النسخة الصينية:demo_gnnwr-cn.ipynb

• GTNNWR: مثال توضيحي: "التوزيع المكاني والزماني للعناصر الغذائية الرئيسية في المياه الساحلية"

النسخة الانجليزية:demo_gnnwr.ipynb

النسخة الصينية:demo_gnnwr-cn.ipynb

بالإضافة إلى ذلك، يحتوي هذا المستودع على:

1. الكود المصدر لـ GNNWR وGTNNWR والنماذج المشتقة الأخرى
2. ملاحظات تعليمية للنموذج (نصوص أتمتة دفتر الملاحظات)
3. تم إصدار عجلات Python

جدول المحتويات

• مقدمة
• نموذج
• التثبيت والاستخدام
• دراسات الحالة
• الرجوع إلى
• يساهم
• رخصة

1. المقدمة

GNNWR (الانحدار المرجح للشبكة العصبية الجغرافية) هو نموذج انحدار ذكي مكاني زمني يعتمد على PyTorch تم تطويره بواسطة مختبر نظم المعلومات الجغرافية بجامعة تشجيانغ في عام 2020، وهو مصمم خصيصًا للتعامل مع مشاكل عدم الثبات المكاني والزماني. يحقق النموذج نمذجة عالية الدقة للعمليات الجغرافية المعقدة من خلال تحويل التجهيز غير الخطي للقرب الجغرافي والأوزان غير الثابتة إلى تمثيل وإنشاء شبكة عصبية.

إن عدم الثبات المكاني الزمني هو خاصية متأصلة في معظم العمليات الجغرافية، وتقديره هو قضية رئيسية في نمذجة العلاقات غير الثابتة المكانية الزمنية. من أجل تحديد العلاقة غير الثابتة بين المكان والزمان، قام فريق البحث بتحويل التعبير عن القرب الجغرافي والملاءمة غير الخطية للأوزان غير الثابتة إلى تمثيل وبناء الشبكات العصبية، وأنشأ سلسلة من نماذج الانحدار الذكي المكاني الزمني (STIR)، بما في ذلك الانحدار المرجح للشبكة العصبية الجغرافية (GNNWR) والانحدار المرجح للشبكة العصبية الجغرافية الزمنية (GTNNWR).

يعد أداء النموذج أفضل بشكل ملحوظ من طرق الانحدار المكاني الزمني الكلاسيكية مثل الانحدار الموزون جغرافيًا (GWR) والانحدار الموزون جغرافيًا زمنيًا (GTWR)، بالإضافة إلى طرق التعلم الآلي مثل الشبكات العصبية والغابات العشوائية. تم تطبيق نموذج STIR في مجالات مثل نمذجة البيئة الإيكولوجية، وتقدير الملوثات الجوية، وأبحاث أسعار المساكن الحضرية. وقد تم نشر نتائج البحوث ذات الصلة في مجلات مثل "المجلة الدولية لعلوم المعلومات الجغرافية"، و"العلوم والتكنولوجيا البيئية"، و"التلوث البيئي"، و"العلوم البيئية المتكاملة"، و"المجلة الدولية لمراقبة الأرض التطبيقية والمعلومات الجغرافية".

2. النموذج

2.1 محمية الحياة البرية الشمالية الشمالية

محمية الحياة البرية الوطنية(الانحدار المرجح للشبكة الجغرافية العصبية) هو نموذج يستخدم للتعامل مع عدم الثبات المكاني في مختلف مجالات العمليات الجغرافية المعقدة. تقترح هذه الورقة شبكة عصبية مرجحة مكانيًا (SWNN) لتمثيل مصفوفة الأوزان غير الثابتة وتقدير هذه الأوزان محليًا عبر المربعات الصغرى المرجحة. تتمتع GNNWR بمصفوفة وزن غير ثابتة منظمة بشكل جيد بسبب قدرتها الممتازة على التجهيز، مما يتيح وصفًا أفضل للعمليات الجغرافية المعقدة في الدراسات البيئية والحضرية.

Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). الانحدار المرجح للشبكة العصبية الجغرافية لتقدير دقيق لعدم الثبات المكاني. المجلة الدولية لعلوم المعلومات الجغرافية, 34(7), 1353-1377.

مثال توضيحي - تلوث الهواء بجسيمات PM2.5

النسخة الانجليزية:demo_gnnwr.ipynb

النسخة الصينية:demo_gnnwr-cn.ipynb

2.2 GTNNWR

جي تي إن إن دبليو آر(الانحدار المرجح مع الشبكات العصبية الجغرافية والزمنية)، هو نموذج لتقدير العلاقات غير الثابتة في المكان والزمان. وبسبب وجود عدم الثبات المكاني الزمني، فإن العلاقة المكانية بين العناصر تظهر اختلافات واضحة مع تغير البنية المكانية الزمنية. يعد حساب مسافة الزمكان جانبًا مهمًا في حل المشكلات غير الثابتة في الزمكان. لذلك، يقدم هذا النموذج المسافة المكانية الزمنية في نموذج GNNWR، ويقترح شبكة عصبية قريبة مكانية زمنية (STPNN) لحساب المسافة المكانية الزمنية بدقة، ويتعاون مع SWNN في نموذج GNNWR لحساب مصفوفة الوزن غير الثابتة مكانيًا زمنيًا، وبالتالي تحقيق نمذجة دقيقة للعلاقات غير الثابتة مكانيًا زمنيًا.

وو، إس، وانغ، زي، دو، زي، هوانغ، بي، تشانغ، إف، وليو، آر (2021). الانحدار المرجح للشبكة العصبية جغرافيا وزمانيا لنمذجة العلاقات غير الثابتة المكانية الزمنية. المجلة الدولية لعلوم المعلومات الجغرافية , 35(3), 582-608.

مثال توضيحي - التوزيع المكاني الزمني للعناصر الغذائية الرئيسية في المياه الساحلية

النسخة الانجليزية:demo_gnnwr.ipynb

النسخة الصينية:demo_gnnwr-cn.ipynb

3. حالات بحثية أخرى

3.1 البيئة الجوية

3.1.1 تلوث الهواء بجسيمات PM2.5

أصبح تلوث الهواء، وخاصة قياس PM2.5، موضوعًا بحثيًا ساخنًا في الصين في السنوات الأخيرة. بسبب التضاريس المعقدة والمساحة الجغرافية الشاسعة في الصين، فإن استخدام بيانات محطات مراقبة PM2.5 المتناثرة لتقدير ورسم خريطة توزيع تركيز PM2.5 في الصين يواجه عدم ثبات مكاني كبير ومشاكل غير خطية معقدة، مما يجعل من الصعب تحقيق تقديرات عالية الدقة وتوزيع دقيق. يمكن لنموذج GNNWR الجمع بين العمق البصري للهباء الجوي (AOD) ونموذج الارتفاع الرقمي (DEM) وبعض عوامل المناخ للحصول على تقديرات مستمرة مكانيًا لتركيز PM2.5 فوق الصين. وبالمقارنة بنتائج نموذج الانحدار التقليدي، فإن نتائج تقدير PM2.5 لنموذج GNNWR أقرب إلى الملاحظات الأرضية، مع دقة أعلى وتفاصيل أكثر ثراءً في المناطق ذات القيمة العالية.

تشين، واي.، وو، إس.، وانغ، واي.، تشانغ، إف.، ليو، آر.، ودو، زي. (2021). رسم خرائط عالية الدقة للجسيمات PM2.5 على مستوى الأرض باستخدام الأقمار الصناعية. 5 مع VIIRS IP AOD في الصين من خلال الانحدار المرجح للشبكة العصبية المكانية. الاستشعار عن بعد, 13(10), 1979.

👉 نمذجة PM2.5 باستخدام GNNWR على Deep-time.org

3.1.2 تلوث الهواء بثاني أكسيد النيتروجين

في هذه الدراسة، تم استخدام بيانات الاستشعار عن بعد TROPOMI وبيانات المراقبة الأرضية والبيانات المساعدة الأخرى لبناء وتقييم خصائص التوزيع المكاني الزمني عالية الدقة لتركيز NO2 الأرضي في منطقة بكين-تيانجين-خبي بناءً على نموذج GTNNWR. تظهر النتائج أن نموذج GTNNWR يتفوق على نماذج الغابة العشوائية (RF) والشبكة العصبية التلافيفية (CNN) من حيث مؤشرات الأداء ويظهر موثوقية أعلى عند النظر في عدم الثبات المكاني الزمني. توفر هذه الدراسة دعمًا مهمًا للبيانات والمرجع لإدارة البيئة الجوية ومنع التلوث في منطقة بكين وتيانجين وخبي.

ليو، سي، وو، إس، داي، زي، وانج، واي،، دو، زي، ليو، إكس، & تشيو، سي (2023). التوزيع المكاني الزمني اليومي عالي الدقة وتقييم تركيز ثاني أكسيد النيتروجين على مستوى الأرض في منطقة بكين-تيانجين-خبي بناءً على بيانات TROPOMI. الاستشعار عن بعد, 15(15), 3878.

3.2 المنطقة الساحلية والبيئة البحرية

3.2.1 جودة المياه

يشكل التقييم الدقيق للمياه الساحلية واسعة النطاق والمعقدة تحديًا كبيرًا بسبب عدم الثبات المكاني وعدم الخطية المعقدة التي تنطوي عليها عملية دمج الاستشعار عن بعد والبيانات الموجودة في الموقع. ولمعالجة هذا التحدي، قمنا بتطوير طريقة لتقييم جودة المياه تعتمد على نموذج GNNWR المقترح حديثًا وحصلنا على توزيع عالي الدقة وواقعي لجودة المياه يعتمد على المؤشر الشامل لمعايير تصنيف جودة المياه في الصين. يتميز نموذج GNNWR بأداء تنبؤ أعلى (متوسط R² = 84%) مقارنة بالنماذج المستخدمة على نطاق واسع، ويمكن لخرائط تصنيف جودة المياه (WQC) التي تم الحصول عليها لشهر مايو 2015-2017 وأغسطس 2015 أن تصور بشكل حدسي ومعقول النمط المكاني الزمني لجودة المياه في منطقة التلوث الصفري.

Du, Z., Qi, J., Wu, S., Zhang, F., & Liu, R. (2021). طريقة تقييم جودة المياه تعتمد على شبكة عصبية مرجحة مكانيًا للمناطق الساحلية واسعة النطاق. العلوم والتكنولوجيا البيئية, 55(4), 2553-2563.

3.2.2 البيئة الساحلية

يعد نقل السيليكات المذابة (DSi) من الأرض إلى البيئات الساحلية أمرًا بالغ الأهمية للدورات البيوكيميائية العالمية. ومع ذلك، فإن تحديد توزيع DSi في المناطق الساحلية أمر معقد بسبب التباين المكاني الزمني، والنمذجة غير الخطية، وانخفاض دقة أخذ العينات. يتفوق نموذج GTNNWR على نماذج الانحدار التقليدية في كل من دقة الملاءمة والقدرة على التعميم من خلال تحويل العلاقة المكانية الزمنية بين نقاط أخذ العينات المتفرقة والنقط غير المعروفة إلى مسافات وأوزان مكانية زمنية واستخدام الشبكات العصبية لتحديد المسافات غير الخطية والأوزان غير الثابتة. يساعد هذا النهج الفعال القائم على البيانات في استكشاف التغيرات الديناميكية الدقيقة في المياه الساحلية (على سبيل المثال، DSi السطحية).

تشي، جيه، دو، زي، وو، إس، تشن، واي، ووانغ، واي. (2023). طريقة ذكية مرجحة مكانيا وزمانيا لاستكشاف التوزيعات الدقيقة للسيليكات المذابة على السطح في البحار الساحلية. علم البيئة الكلية , 886, 163981.

👉 نمذجة DSi باستخدام GTNNWR على Deep-time.org

3.2.3 تركيز ثاني أكسيد الكربون في مياه البحر السطحية

يعد شمال المحيط الهادئ مصدرًا مهمًا للكربون، لكن ديناميكياته المكانية والزمانية لا تزال غير مدروسة بشكل جيد بسبب حجمه الكبير وتأثيراته المعقدة. تفتقر نماذج التعلم الآلي الحالية إلى القدرة على التفسير، مما يحد من الرؤى حول الآليات الأساسية. ولمعالجة هذه المشكلة، قدمنا نموذج الانحدار المرجح للشبكة العصبية المكانية الزمنية (GSTNNWR) الذي يمكنه التنبؤ بدقة بمستوى ثاني أكسيد الكربون على السطح مع تحديد التأثير البيئي.

ليو، واي.، تشن، واي.، هوانغ، زي، ليانغ، إتش.، تشي، جيه.، وو، إس.، ودو، زي. (2024). تكشف الشبكة العصبية المرجحة المكانية الزمنية عن توزيعات ثاني أكسيد الكربون في مياه البحر السطحية والآليات البيئية الأساسية في شمال المحيط الهادئ. المجلة الدولية لرصد الأرض التطبيقي والمعلومات الجغرافية, 133, 104120.

3.3 المدن

3.3.1 أسعار المساكن

ترتبط أسعار المساكن ارتباطًا وثيقًا بحياة السكان الجدد في المناطق الحضرية، كما أنها تشكل مؤشرًا اقتصاديًا مهمًا يتعين على الحكومة الاهتمام به عن كثب. وبالمقارنة مع نماذج الانحدار التقليدية، فإن نماذج GNNWR وGTNNWR قادرة على تحسين دقة تقييم العقارات بمساعدة الشبكات العصبية، وهي طرق عملية وفعالة لتقييم أسعار المساكن.

يدمج نموذج GNNWR مقياس القرب المكاني الأمثل. يجمع مقياس القرب المكاني المحسن بين مقاييس المسافة المتعددة ويحسن قدرته على نمذجة العمليات المكانية غير الثابتة.

Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B., & Du, Z. (2024). نموذج الشبكة العصبية لتحسين مقياس القرب المكاني في نهج الانحدار المرجح جغرافيًا: دراسة حالة حول أسعار المساكن في ووهان. المجلة الدولية لعلوم المعلومات الجغرافية، 1–21.

من خلال دمج التشابه السياقي في تقدير عدم الثبات المكاني باستخدام بنية قائمة على الاهتمام، يمكن تكييف أسعار المساكن بشكل أفضل مع المناطق الحضرية المعقدة.

وو، إس، دينغ، جيه، وانغ، آر، وانغ، واي، يين، زي، هوانغ، بي، ودو، زي (2025). استخدام بنية تعتمد على الاهتمام لدمج تشابه السياق في تقدير عدم الثبات المكاني. المجلة الدولية لعلوم المعلومات الجغرافية، 1–24

وانغ، زد، وانغ، واي،، وو، إس، ودو، زد. (2022). نموذج تقييم أسعار المساكن على أساس الانحدار المرجح للشبكة العصبية الجغرافية: دراسة حالة مدينة شنتشن، الصين. المجلة الدولية لمعلومات الجغرافيا الجغرافية (ISPRS), 11(8), 450.

3.3.2 درجة حرارة السطح والضوء الليلي

يعد التقليص المكاني طريقة مهمة للحصول على بيانات عالية الدقة لدرجة حرارة سطح الأرض (LST) لأبحاث البيئة الحرارية. من أجل حل مشكلة خفض درجة حرارة السطح بشكل فعال، يقترح هذا البحث طريقة عالية الدقة لخفض درجة حرارة السطح تعتمد على GNNWR. وتظهر النتائج أن نموذج GNNWR المقترح يحقق دقة تقليص أعلى مقارنة بالطرق المستخدمة على نطاق واسع في أربع مناطق تجريبية ذات اختلافات كبيرة في التضاريس والشكل الجيومورفولوجي والفصول. نظرًا للدقة العالية والأداء النموذجي لـ GNNWR، تشير نتائجنا إلى أن GNNWR هي طريقة عملية لخفض درجة حرارة السطح.

Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). طريقة عالية الدقة لتقليص درجة حرارة سطح الأرض تعتمد على الانحدار الشبكي العصبي الموزون جغرافيًا. الاستشعار عن بعد, 15(7), 1740.

يعد تقليص حجم الأضواء الليلية باستخدام صور الأقمار الصناعية أمرًا بالغ الأهمية للتوسع الحضري والبحث الاجتماعي والاقتصادي، ولكنه يواجه العديد من التحديات بسبب التعقيد الجغرافي وعدم اليقين بشأن العوامل. ولمعالجة هذه المشكلة، نقترح إطار عمل الانحدار المرجح للشبكة العصبية الجغرافية متعددة العوامل (MF-GNNWR) الذي يدمج عوامل سطح الأرض والعوامل الاجتماعية والاقتصادية والنشاط البشري لتحسين دقة الأضواء الليلية (NTL) في المناطق الحضرية غير المتجانسة.

Zhang، L.، Wu، S.، Liang، M.، Jing، H.، Shi، S.، Zhu، Y.، … & Du، Z. (2024). إطار عمل لتقليص حجم الإضاءة الليلية في المناطق الحضرية استنادًا إلى الانحدار المرجح للشبكة العصبية الجغرافية متعددة العوامل. معاملات معهد مهندسي الكهرباء والإلكترونيات في علوم الأرض والاستشعار عن بعد.

3.4 الجيولوجيا

3.4.1 إمكانات استكشاف المعادن

في مجال التنبؤ بالموارد المعدنية، يعد التنبؤ الدقيق بالموارد المعدنية أمرًا بالغ الأهمية لتلبية احتياجات المجتمع الحديث من الطاقة. الانحدار اللوجستي المرجح للشبكة العصبية الجغرافية لرسم خرائط الاستكشاف المعدني. يجمع النموذج بين الأنماط المكانية والشبكات العصبية ونظرية شابلي التفسيرية الإضافية للتعامل بشكل فعال مع تباين المتغيرات والعلاقة غير الخطية بين المتغيرات، وبالتالي تحقيق تنبؤات دقيقة وتوفير تفسير للتعدين في البيئات المكانية المعقدة.

وانغ، إل.، يانغ، جيه.، وو، إس.، هو، إل.، جي، واي.، ودو، زي. (2024). تعزيز رسم خرائط احتمالات المعادن باستخدام الذكاء الاصطناعي الجغرافي المكاني: نهج الانحدار اللوجستي المرجح بالشبكة العصبية الجغرافية. المجلة الدولية لرصد الأرض التطبيقي والمعلومات الجغرافية, 128, 103746.

3.4.2 تدفق الحرارة

يعد تدفق الحرارة السطحية (SHF) أمرًا بالغ الأهمية لفهم ديناميكيات الجزء الداخلي من الأرض. تعد هضبة تشينغهاي-التبت منطقة رئيسية لبحوث المناخ العالمي والديناميكية الجيولوجية، ولكن بسبب ندرة البيانات الرصدية، هناك نقص في البيانات الشاملة للتذبذبات المدارية السطحية. ولمعالجة هذه المشكلة، قمنا بتطوير نموذج الانحدار المرجح للشبكة العصبية الجغرافية ذات القدرة المعززة على التفسير (EI-GNNWR)، والذي يتضمن التباين المكاني والتفاعلات الجيوفيزيائية غير الخطية. يتنبأ نموذجنا بدقة بـ SHF عبر الهضبة، ويكشف أن قيم SHF العالية تتركز في الجنوب والشمال الشرقي والجنوب الشرقي، متأثرة بعمق Moho والتلال والتضاريس. وتعزز هذه النتائج فهم العمليات الحرارية الأرضية والنشاط التكتوني في المنطقة.

تشانغ، Z.، وو، S.، تشانغ، B.، دو، Z.، وشيا، Q. (2024). تم الكشف عن توزيع تدفق الحرارة السطحية على هضبة التبت من خلال الأساليب المعتمدة على البيانات. مجلة البحوث الجيوفيزيائية: الأرض الصلبة، 129(10)، e2023JB028491.

!! بالإضافة إلى ذلك، يمكن تطبيق نماذج الانحدار الذكي المكاني الزمني هذه على مشاكل النمذجة المكانية الزمنية الأخرى والظواهر الاجتماعية والاقتصادية.

4. أوراق بحثية ذات صلة

4.1 الخوارزمية

1. Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). الانحدار المرجح للشبكة العصبية الجغرافية لتقدير دقيق لعدم الثبات المكاني. المجلة الدولية لعلوم المعلومات الجغرافية, 34(7), 1353-1377.
2. وو، إس، وانغ، زي، دو، زي، هوانغ، بي، تشانغ، إف، وليو، آر (2021). الانحدار المرجح للشبكة العصبية جغرافيا وزمانيا لنمذجة العلاقات غير الثابتة المكانية الزمنية. المجلة الدولية لعلوم المعلومات الجغرافية , 35(3), 582-608.
3. Dai, Z., Wu, S., Wang, Y., Zhou, H., Zhang, F., Huang, B., & Du, Z. (2022). الانحدار المرجح للشبكة العصبية التلافيفية الجغرافية: طريقة لنمذجة العلاقات غير الثابتة مكانيًا استنادًا إلى شبكة القرب المكاني العالمية. المجلة الدولية لعلوم المعلومات الجغرافية, 36(11), 2248-2269.

4.2 عرض دراسة الحالة

1. تشين، واي.، وو، إس.، وانغ، واي.، تشانغ، إف.، ليو، آر.، ودو، زي. (2021). رسم خرائط عالية الدقة للجسيمات PM2.5 على مستوى الأرض باستخدام الأقمار الصناعية. 5 مع VIIRS IP AOD في الصين من خلال الانحدار المرجح للشبكة العصبية المكانية. الاستشعار عن بعد, 13(10), 1979.
2. تشي، جيه، دو، زي، وو، إس، تشن، واي، ووانغ، واي. (2023). طريقة ذكية مرجحة مكانيا وزمانيا لاستكشاف التوزيعات الدقيقة للسيليكات المذابة على السطح في البحار الساحلية. علم البيئة الكلية , 886, 163981.
3. Du, Z., Qi, J., Wu, S., Zhang, F., & Liu, R. (2021). طريقة تقييم جودة المياه تعتمد على شبكة عصبية مرجحة مكانيًا للمناطق الساحلية واسعة النطاق. العلوم والتكنولوجيا البيئية, 55(4), 2553-2563.
4. Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). طريقة عالية الدقة لتقليص درجة حرارة سطح الأرض تعتمد على الانحدار الشبكي العصبي الموزون جغرافيًا. الاستشعار عن بعد, 15(7), 1740.
5. ليو، سي، وو، إس، داي، زي، وانج، واي،، دو، زي، ليو، إكس، & تشيو، سي (2023). التوزيع المكاني الزمني اليومي عالي الدقة وتقييم تركيز ثاني أكسيد النيتروجين على مستوى الأرض في منطقة بكين-تيانجين-خبي بناءً على بيانات TROPOMI. الاستشعار عن بعد, 15(15), 3878.
6. وانغ، زد، وانغ، واي،، وو، إس، ودو، زد. (2022). نموذج تقييم أسعار المساكن على أساس الانحدار المرجح للشبكة العصبية الجغرافية: دراسة حالة مدينة شنتشن، الصين. المجلة الدولية لمعلومات الجغرافيا الجغرافية (ISPRS), 11(8), 450.
7. وو، س.، دو، ز.، وانغ، ي.، لين، ت.، تشانغ، ف.، وليو، ر. (2020). نمذجة العمليات غير الثابتة المتباينة الخواص مكانيًا في البيئات الساحلية استنادًا إلى الانحدار المرجح للشبكة العصبية الجغرافية الاتجاهية. علم البيئة الكلية, 709, 136097.
8. وانغ، إل.، يانغ، جيه.، وو، إس.، هو، إل.، جي، واي.، ودو، زي. (2024). تعزيز رسم خرائط احتمالات المعادن باستخدام الذكاء الاصطناعي الجغرافي المكاني: نهج الانحدار اللوجستي المرجح بالشبكة العصبية الجغرافية. المجلة الدولية لرصد الأرض التطبيقي والمعلومات الجغرافية, 128, 103746.
9. Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B., & Du, Z. (2024). نموذج الشبكة العصبية لتحسين مقياس القرب المكاني في نهج الانحدار المرجح جغرافيًا: دراسة حالة حول أسعار المساكن في ووهان. المجلة الدولية لعلوم المعلومات الجغرافية، 1–21.

5. المجموعة

القادة

	تشن هونغ، دكتوراه، أستاذ/مشرف على الدكتوراه، الصندوق الوطني للعلوم للباحثين الشباب المتميزين، عميد كلية علوم الأرض، جامعة تشجيانغ
	سينسن وو، أستاذ دكتوراه/مشرف دكتوراه، جامعة تشجيانغ

أعضاء

• جين تشي، زميل ما بعد الدكتوراه، جامعة تشجيانغ
• جيالي دينغ، طالب دكتوراه، جامعة تشجيانغ
• يي ليو، طالب جامعي، جامعة تشجيانغ
• Ziyu Yin، طالب جامعي، جامعة تشجيانغ

6. الترخيص

رخصة GPLv3

الاستشهادات:

Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). الانحدار المرجح للشبكة العصبية الجغرافية لتقدير دقيق لعدم الثبات المكاني. المجلة الدولية لعلوم المعلومات الجغرافية، 34(7)، 1353-1377.

وو، إس، وانغ، زي، دو، زي، هوانغ، بي، تشانغ، إف، وليو، آر (2021). الانحدار المرجح للشبكة العصبية جغرافيا وزمانيا لنمذجة العلاقات غير الثابتة المكانية الزمنية. المجلة الدولية لعلوم المعلومات الجغرافية، 35(3)، 582-608.

يين، زد، دينج، جيه، ليو، واي، وانج، آر، وانج، واي، تشين، واي، تشي، جيه، وو، إس، ودو، زد. (2024). GNNWR: حزمة مفتوحة المصدر من أساليب الانحدار الذكي المكاني الزمني لنمذجة عدم الثبات المكاني والزماني. تطوير النموذج الجيولوجي، 17 (22)، 8455-8468.