Geowissenschaftliche Anwendungen in Mehreren Bereichen: Das Team Der Zhejiang-Universität Schlug Eine Reihe Von GeoAI-Methoden Vor, Um Die Räumlich-zeitliche Modellierung Und Vorhersage in Den Bereichen Geographie, Ozeanographie, Geologie Und Atmosphäre Zu Unterstützen.

Als hochgradig interdisziplinäres Fachgebiet unterliegen die Geowissenschaften derzeit einem tiefgreifenden Wandel, der durch die KI vorangetrieben wird. Durch die Gewinnung potenzieller Informationen und die Entdeckung verborgener Muster in riesigen geowissenschaftlichen Datenmengen kann KI nicht nur das Verständnis der Menschen für die Naturphänomene der Erde vertiefen, sondern auch die Modellierung und Vorhersage der Forscher hinsichtlich der räumlich-zeitlichen nichtlinearen Beziehungen zwischen verschiedenen geowissenschaftlichen Faktoren optimieren und die Entstehung eines neuen Forschungsparadigmas fördern.

Kürzlich wurde im COSCon'24 AI for Science-Forum, das gemeinsam von HyperAI und HyperAI veranstaltet wurde,Qi Jin, ein Forscher an der Fakultät für Geowissenschaften der Zhejiang-Universität, erläuterte unter dem Thema „GeoAI und seine interdisziplinären geowissenschaftlichen Anwendungen“ die Grenzen der traditionellen geografischen Modellierung und die Auswirkungen KI-gestützter traditioneller Methoden auf die Immobilienpreisanalyse, die Fernerkundung der Ozeane, die Luftverschmutzung, die Mineralisierungsvorhersage und andere Bereiche.

HyperAI hat die ausführlichen Ausführungen von Herrn Qi Jin zusammengestellt und zusammengefasst, ohne die ursprüngliche Absicht zu verletzen. Nachfolgend finden Sie die Abschrift der Rede.

Die interdisziplinären Anwendungen von GeoAI umfassen Immobilienpreisanalysen, Ozeanfernerkundung, Luftverschmutzung und Mineralisierungsvorhersagen

Mit der kontinuierlichen Weiterentwicklung der Beobachtungstechnologie ist die Menge an raumzeitlichen Daten im Bereich der Geowissenschaften explosionsartig angestiegen. Diese Daten können in großem Umfang in der wissenschaftlichen Forschung eingesetzt werden, beispielsweise bei der Modellierung der Meeresumwelt, der Ursachenanalyse von Immobilienpreisen, der Untersuchung der räumlichen Verteilung von Mineralien und der Simulation der PM2,5-Luftverschmutzung.

In der Vergangenheit haben wir das traditionelle Modell der geografisch gewichteten Regression (GWR) verwendet, um die Auswirkungen des geografischen Standorts auf die Beziehung zwischen Variablen zu analysieren und so die räumliche Heterogenität des Zielobjekts zu analysieren oder vorherzusagen. Allerdings bestehen zwischen den verschiedenen Daten komplexe Wechselwirkungen.Der Aufbau komplexerer Modellstrukturen und die Modellierung von Objekten in unterschiedlichen Maßstäben ist zu einer wichtigen Herausforderung geworden.

Um sich an die Entwicklung künstlicher Intelligenz und Big Data anzupassen und komplexe Modellierungsprobleme in der realen Welt zu bewältigen,Wir kombinieren das Konzept der traditionellen geografisch gewichteten Regression mit der Technologie neuronaler Netzwerke und schlagen einen neuen Modelltyp vor, darunter die geografisch gewichtete Regression neuronaler Netzwerke (GNNWR) und die geografisch raumzeitlich gewichtete Regression neuronaler Netzwerke (GTNNWR).

Seit der Veröffentlichung des ersten Artikels haben eine Reihe von Methoden wie GNNWR und GTNNWR viel Aufmerksamkeit erregt und finden breite Anwendung in der Ozeanographie, Geographie, Atmosphärenwissenschaft, Geologie und anderen Bereichen. Es wurden mehr als 30 entsprechende Artikel veröffentlicht. Diese Erfolge beschränken sich nicht nur auf die methodologische Forschung und die angewandte Forschung, die in unserem Team veröffentlicht wurden. Darüber hinaus gibt es viele externe Teams, die für ihre Forschung ähnliche Modellierungsideen oder technische Architekturen verwenden. Derzeit ist GNNWR auf GitHub als Open Source verfügbar und unterstützt den direkten Aufruf von pip install gnnwr (Python ≥ 3.9).

GNNWR Open Source-Adresse:
https://github.com/zjuwss/gnnwr

Am Beispiel der Hauspreisanalyse:Wie wir alle wissen, werden die Immobilienpreise maßgeblich von der geografischen Lage beeinflusst. Touristenattraktionen, die Lage von Schulbezirken usw. wirken sich direkt auf die Höhe der Immobilienpreise aus. Die Geographie nutzt statistische Analysen, um aufzudecken, welche Faktoren die Immobilienpreise beeinflussen können. Im Vergleich zu herkömmlichen Regressionsmodellen weist das GNNWR-Modell nicht nur eine höhere Anpassungsgenauigkeit auf, sondern ist auch besser interpretierbar und kann den Wirkungsmechanismus und die räumlichen Unterschiede von Faktoren, die die Immobilienpreise beeinflussen, umfassend offenlegen. Der konkrete Inhalt dieser Studie wird später ausführlich vorgestellt.

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

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

Im Hinblick auf die Modellierung der marinen ökologischen UmweltDie von Fernerkundungssatelliten aus dem Weltraum aufgenommenen Ozeanbilder enthalten umfangreiche Bandinformationen. Anhand der unterschiedlichen räumlichen Verteilung dieser Bandinformationen können wir den Gehalt mariner ökologischer Elemente wie Chlorophyll und Schwebstoffe analysieren.

In den letzten Jahren konnte mit dem GTNNWR-Modell auch die zeitliche und räumliche Verteilung von Silikat, einem wichtigen Nährstoff im Ozean, geschätzt werden. Der Abbau von Silikaten kann zum Auftreten von Roten Tiden an Küsten führen. Mit dem GTNNWR-Modell können die räumlich-zeitlichen dynamischen Veränderungen gelöster Silikate in Küstengewässern im Feinmaßstab erfasst werden, wodurch Frühwarnsignale durch Fernerkundung für das Auftreten von Roten Tiden an Küsten bereitgestellt werden können. Der konkrete Inhalt dieser Studie wird später ausführlich beschrieben.

Ein weiteres Beispiel ist die PM2,5-Verschmutzung.Einige Schwerindustriestädte im Norden könnten die Hauptquelle der Verschmutzung sein. Das GNNWR-Modell kann räumlich nichtstationäre Regressionsbeziehungen herstellen, PM2,5-Konzentrationen schätzen und eine hochpräzise und einigermaßen detaillierte PM2,5-Verteilung im ganzen Land liefern. Beispielsweise haben wir durch georäumliche Modellierung herausgefunden, dass die PM2,5-Konzentrationen von Peking bis Lianyungang im Allgemeinen hoch sind, was durch Faktoren wie Windrichtung und Windgeschwindigkeit beeinflusst werden kann. Darüber hinaus können Windschutzstreifen in bestimmten Gebieten die Ausbreitung von PM2,5 hemmen.

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

Im Bereich der Geologie, insbesondere bei der Vorhersage der räumlichen Verteilung von Goldvorkommen,Wir haben eine Reihe von Studien durchgeführt, um den Einfluss geologischer Faktoren auf die Wahrscheinlichkeit der Bildung von Goldvorkommen aufzudecken. In dem erstellten Modell haben wir die Shapley-Methode eingeführt, um die Interpretierbarkeit des Modells zu verbessern und eine genaue Vorhersage und Interpretation der Mineralisierung in komplexen räumlichen Umgebungen zu erreichen.

Weitere Details: Besser als die fünf fortgeschrittenen Modelle ist das von Du Zhenhongs Team an der Zhejiang-Universität vorgeschlagene GNNWLR-Modell: Verbesserung der Genauigkeit der Mineralisierungsvorhersage

Am Beispiel von Hamburgerpreisen werden die Grenzen der traditionellen geografischen Modellierung untersucht.

Wenn wir im traditionellen statistischen Bereich untersuchen möchten, welche Faktoren die PM2,5-Konzentration beeinflussen, verwenden wir normalerweise eine multiple lineare Regressionsanalyse, d. h. x stellt die unabhängige Variable dar, y stellt die abhängige Variable dar und wir untersuchen die Beziehung zwischen y und x. Jedoch,Angesichts der durch die räumliche Lage bedingten Unterschiede in den Beziehungen zwischen Variablen fällt es traditionellen statistischen Methoden im Bereich der geografischen Forschung schwer, derart komplexe Naturphänomene zu modellieren.

Nehmen wir als Beispiel den Preis von Hamburgern. Sei y der Preis eines Hamburgers. Der Preis für einen Hamburger beträgt in Peking 25 Yuan, in Hangzhou hingegen 15 Yuan. Wenn wir eine einfache lineare Modellierung verwenden und davon ausgehen, dass Jiangsu zwischen Peking und Hangzhou liegt, könnten wir vorhersagen, dass der Preis für einen Hamburger in Jiangsu 20 Yuan beträgt. Allerdings handelt es sich bei geografischen Faktoren nicht um eine so einfache lineare Beziehung. Der Preis von Hamburgern wird auch von mehreren Faktoren beeinflusst, beispielsweise von Logistikkosten, Transportbedingungen und Rohstoffkosten. Die Verteilung dieser Faktoren im Raum ist unterschiedlich.Dies bedeutet, dass bei der Modellierung die Gewichtung verschiedener Faktoren an unterschiedlichen geografischen Standorten berücksichtigt werden sollte.

Um das Problem der Modellierung geografischer Beziehungen weiter zu lösen, erweiterten Geographen die traditionelle multiple lineare Regression zur geografisch gewichteten Regression (GWR).In GWR wird dem Regressionskoeffizienten β vor jeder unabhängigen Variable die Eigenschaft zugewiesen, mit der geografischen Lage zu variieren.Das heißt, das Gewicht jedes Regressionskoeffizienten ändert sich mit der Änderung der räumlichen Position. Diese Änderung wird oft als „räumliche Nichtstationarität“ bezeichnet. Dies bedeutet, dass die Beziehung zwischen der unabhängigen Variable und der abhängigen Variable keine stabile lineare Beziehung ist, sondern schwankt.

Wie berechnet man geografisch gewichtete Regressionskoeffizienten? Der Kern umfasst zwei Punkte: Der erste besteht darin, eine genaue räumliche Entfernung zu berechnen, und der zweite darin, aus vielen Kernelfunktionen die genaueste Anpassungsfunktion auszuwählen.

Bei der Berechnung räumlicher Entfernungen gibt es neben der euklidischen Entfernung auch die Berechnung der Manhattan-Entfernung. Angenommen, Hangzhou und Peking sind 200 Kilometer von Nanjing entfernt. Wenn man die Entfernung auf der Grundlage der euklidischen Distanz berechnet, kann man die geradlinige Entfernung zwischen den beiden Orten mit dem Satz des Pythagoras berechnen. In der Praxis beträgt die Entfernung zwischen Dalian und Yantai mit dem Boot jedoch möglicherweise nur etwa 100 Kilometer, während die Fahrt mit der Hochgeschwindigkeitsbahn einen größeren Umweg erfordert und die tatsächliche Entfernung 300 Kilometer übersteigen kann.Daher ist die Wahl der Methode zur Entfernungsberechnung bei der georäumlichen Modellierung von entscheidender Bedeutung.

Zweitens haben wir das Konzept der „Kernelfunktion“ eingeführt und ein Hügeldiagramm der Kernelfunktion gezeichnet, wie in der folgenden Abbildung dargestellt. Je weiter man vom Analysepunkt (roter Punkt) entfernt ist, desto geringer ist das Gewicht, allerdings ist dieser Zusammenhang kein einfacher abnehmender Zusammenhang, sondern schwankt mit der räumlichen Entfernung.Wenn Geographen Modelle erstellen, können sie zwischen zahlreichen Gewichtungskernelfunktionen wählen, beispielsweise Gauß-Funktionen, Exponentialfunktionen usw.

Zusammenfassend lässt sich sagen, dass die Unsicherheit bei der Messung räumlicher Entfernungen und die Wahl der Kernelfunktion, die am besten zu den Daten passt, die Hauptprobleme sind, die die Genauigkeit der geografischen Modellierung beeinträchtigen.

Traditionelle geografische Modellierung mit KI verbinden

Komplexe Nichtlinearität ist eine inhärente Eigenschaft zwischen verschiedenen Faktoren in der realen Welt. Maschinelles Lernen und neuronale Netzwerke wurden entwickelt, um solche Probleme zu lösen.

Im Bereich der geografischen Modellierung ist der räumliche Abstand zwischen zwei Punkten häufig nichtlinear, und auch die durch die Kernelfunktion beschriebenen Gewichte ändern sich nichtlinear. Daher kombinieren wir das traditionelle Konzept der geografisch gewichteten Regression (GWR) mit der Technologie neuronaler Netzwerke.Es wird eine neue Klasse von Methodenmodellen vorgeschlagen, darunter die gewichtete Regression mit geografischen neuronalen Netzwerken (GNNWR) und die gewichtete Regression mit geografischen räumlich-zeitlichen neuronalen Netzwerken (GTNNWR).

Verwandte Artikel:

https://www.tandfonline.com/doi/full/10.1080/13658816.2019.1707834

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

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

Diese Methode weist zwei Hauptmerkmale auf: Erstens wird ein neuronales Netzwerk speziell für die Berechnung räumlicher Entfernungen aufgebaut. Unabhängig davon, ob die tatsächliche Entfernung 100 oder 300 Kilometer beträgt, kann das neuronale Netzwerk anhand von Big Data die für die Modellierung am besten geeignete Entfernung zwischen zwei Punkten bestimmen. Zweitens entwirft die Methode ein räumlich-zeitliches Gewichtsnetzwerk, nämlich ein räumlich gewichtetes neuronales Netzwerk, das für die Berechnung des Ausgabegewichtswerts basierend auf der räumlichen Distanz der Eingabe verantwortlich ist.Bei diesem Vorgang müssen wir nicht im Voraus festlegen, welche Kernelfunktion verwendet werden soll. Stattdessen lernt das neuronale Netzwerk die Datenmerkmale selbst und erstellt automatisch darauf basierende geografische Gewichte. Durch die verschachtelte Anwendung der beiden oben genannten neuronalen Netzwerke wird schließlich eine genaue Vorhersage der entsprechenden Variable y erreicht.

Anders als herkömmliche Methoden kann GNNWR den Koeffizienten β vor der unabhängigen Variable genau berechnen.Zur intuitiveren Darstellung visualisieren wir den Regressionskoeffizienten β, wie in der folgenden Abbildung dargestellt.₀  Die Gewichtsverteilung ist orangefarbene Raute, β₁  Es zeigt ein einzigartiges Verteilungsmuster mit hohen Gewichten oben und unten und niedrigen Gewichten in der Mitte, während β₂  Es weist eine zentrale kreisförmige Verteilung auf.

Wie in der Abbildung unten gezeigt,Die Genauigkeit von GWR in Kombination mit neuronalem Netzwerk sowohl im Trainings- als auch im Testsatz wird erheblich verbessert.

Anwendung des GNNWR bei der Modellierung von Immobilienpreisen und der marinen ökologischen Umwelt

Die Immobilienpreise hängen nicht nur vom Arbeitsplatz ab, sondern müssen auch Faktoren wie Transport, Schulbezirk und Umgebung berücksichtigen.Bei der Modellierung der Immobilienpreise haben wir die Immobilienpreise in Wuhan als Beispiel genommen und Daten aus fast 1.000 Datensätzen zu Transaktionen mit gebrauchten Immobilien gesammelt und diese im Verhältnis 85:15 in Trainings- und Testsätze aufgeteilt. Der Grund für die Wahl von Gebrauchtwohnungen liegt darin, dass diese weniger von politischen Regulierungen betroffen sind und näher am realen wirtschaftlichen Flusseffekt liegen.

Während der Untersuchung folgten wir dem herkömmlichen Modellierungsprozess neuronaler Netzwerke, teilten den Testsatz in einen Trainingssatz auf und sammelten eine Reihe von Variablen, die die Immobilienpreise beeinflussen können. Das Besondere an diesem Fall ist, dass er ein neues Konzept der „räumlichen Distanz“ einführt. Zusätzlich zur traditionellen euklidischen Distanz haben wir auch eine „Pendlerdistanz“ basierend auf den tatsächlichen Verkehrsbedingungen vorgeschlagen. Durch die Erstellung einer DistanzfusionsfunktionWir geben die Pendeldistanz und die euklidische Distanz gemeinsam in das neuronale Netzwerk ein, um nach der Fusion der beiden die nichtlineare Distanz zu bestimmen.

Die Gesamtstruktur des Modells wurde nicht wesentlich verändert. Außerdem wird das entsprechende Gewicht w jedes Faktors eingegeben und der endgültige Hauspreis y ausgegeben. Durch vergleichende Experimente beweisen wir, dassWenn sowohl die euklidische Distanz als auch die Pendeldistanz berücksichtigt werden, ist die Modellleistung um 12% höher als bei der herkömmlichen Modellierung, was eine größere Verbesserung darstellt als die Verbesserung, die entsteht, wenn eine einzelne Distanz separat in das neuronale Netzwerk eingegeben wird.

Die Studie enthüllte auch den Zusammenhang zwischen den Immobilienpreisen in Wuhan und der Verteilung von Universitätsstädten, Forschungsinstituten, Technologieunternehmen und Touristenattraktionen.Darüber hinaus ist das vorgeschlagene Modell besonders effektiv bei der Vorhersage von Immobilienpreisen in Gebieten, die weit vom Stadtzentrum entfernt sind. Konkret: Mit zunehmender Entfernung vom Stadtzentrum steigt auch die Vorhersagegenauigkeit des Modells. Dies zeigt, dass sich in städtischen Randgebieten die Muster der Immobilienpreisänderungen durch spezielle Entfernungsmessverfahren genauer erfassen lassen.

Im Hinblick auf die Modellierung der marinen ökologischen UmweltNehmen Sie als Beispiel den Drei-Schluchten-Damm am Jangtse. Der Damm fängt Schlamm ab und macht das Wasser klarer, verhindert aber auch, dass ein wichtiger Nährstoff – Silikat – in den Ozean gelangt. Der Rückgang der Silikate wird zu einer Zunahme der giftigen und schädlichen Roten Fluten entlang der Küste führen. Mit herkömmlichen Forschungsmethoden lässt sich der Flusstrend von Nährstoffen grob durch das Zeichnen von Konturkarten abschätzen. Im Kontext der neuen Ära ist jedoch die Verwendung von Fernerkundungssatellitenbildern mit hoher zeitlicher und räumlicher Auflösung zur Erforschung der Nährstoffverteilung zu einem neuen Thema geworden. In diesem Zusammenhang haben wir einen nichtlinearen Modellierungsansatz auf Basis von GeoAI vorgeschlagen, in der Hoffnung, die Vorteile von Big Data für die Analyse von Meeresnährstoffen usw. zu nutzen.

In dieser Studie wurde die vom Team unabhängig entwickelte GNNWR-Methode angewendet. Die Eigenschaften dieser Methode sind in der folgenden Abbildung dargestellt. Darüber hinaus haben wir auch Vorgänge wie Datensatzabgleich, räumlich-zeitliche Schätzung durch Fernerkundung und Vervollständigung fehlender Daten durchgeführt.

Während des Forschungsprozesses arbeiteten wir mit der Abteilung für Meeresüberwachungsmanagement der Provinz Zhejiang zusammen, nutzten die von ihr veröffentlichten Überwachungsdaten und kombinierten sie mit der bekannten API Google Earth Engine Map, um die erforderlichen Fernerkundungsbilder herunterzuladen. Anschließend haben wir die Zeit, den räumlichen Standort und die Auflösung definiert und es gemäß Standardverfahren in Trainingsdatensatz, Testdatensatz und Validierungsdatensatz unterteilt. Wir haben eine 10-fache Kreuzvalidierung durchgeführt und die besten und stabilsten Ergebnisse für die Modellierung ausgewählt.

Durch Modellierung haben wir die zeitlichen und räumlichen Verteilungsänderungen der täglichen Silikate in den Ozeanen von Zhejiang in den letzten neun Jahren kartiert. Es wurde beobachtet, dass der Silikatgehalt jedes Jahr im August aufgrund der häufigen Aktivitäten von Meeresorganismen und -pflanzen niedrig ist. Im September und Oktober, wenn der Jangtse in die Küstengewässer von Zhejiang fließt, steigt der Nährstoffgehalt in der Region erheblich an.

Wie in der Abbildung unten gezeigt, stellt die blaue Kurve den Silikatgehalt und die orange Kurve die Fließrichtung und -geschwindigkeit des Jangtse dar. Wir können erkennen, dass eine signifikante Korrelation zwischen dem Silikatgehalt und der Verteilung des durch Zhejiang fließenden Jangtse-Wassers besteht, wobei der Pearson-Koeffizient 0,462 erreicht.Dies beweist, dass die Auswirkungen des Jangtse-Flusses auf die Gewässer von Zhejiang jedes Jahr im Herbst und Winter deutlicher zu spüren sind.

Darüber hinaus haben wir Daten mit hoher zeitlicher und räumlicher Auflösung verwendet, um Änderungen der marinen biologischen Aktivität zu analysieren. Die Studie ergab, dass während der Roten Flut in den Küstengewässern von Zhejiang die entsprechende Kurve innerhalb von zwei Wochen zweimal abfiel, was darauf hindeutet, dassDie KI-Methode kann nicht nur die Modellgenauigkeit verbessern, sondern auch subtile zeitliche und räumliche Veränderungen aufdecken oder wichtige Signale für die Echtzeitüberwachung und Frühwarnung vor Kieselalgenblüten liefern.

Was die Auswirkungen von Taifunen an der Küste betrifft, stellten wir fest, dass die Nährstoffwerte an dem Tag, an dem der Taifun das Meer erreichte, ihren Höhepunkt erreichten und drei Tage später wieder auf ihr ursprüngliches Niveau zurückkehrten.Dieses Phänomen wird auf die durch Taifune verursachte Störung des unterirdischen Meerwassers zurückgeführt, die dazu führt, dass Nährstoffe aus der Tiefe an die Meeresoberfläche gelangen. Nach dem Taifun kehrt der Nährstoffgehalt jedoch schnell in seinen ursprünglichen Zustand zurück, was den in der traditionellen ozeanografischen Forschung abgeleiteten Mechanismus aus einer datenbasierten Perspektive bestätigt.

Zusammenfassend:Diese Studie liefert ein Vorhersagesignal für die Frühwarnung vor Roten Tiden vor der Küste und überprüft die Auswirkungen von Taifunen auf die zeitlichen und räumlichen Veränderungen des Ozeans. Das Team hat eine Reihe von Artikeln zum Thema Ozeane veröffentlicht, in denen die Veränderungen in der zeitlichen und räumlichen Verteilung der Meerwasserqualität untersucht werden, und wird möglicherweise neue Forschungsrichtungen entwickeln, die in Zukunft weitergeführt werden können.

Über die Fakultät für Geowissenschaften der Zhejiang-Universität

Der Gastredner dieser Austauschsitzung, Herr Qi Jin, ist von der School of Earth Sciences der Zhejiang-Universität.Sein Forschungsschwerpunkt liegt auf der Entwicklung einer Big-Data-Analyseplattform für Ozeanographie und Geowissenschaften mit künstlicher Intelligenz. Er leitete zahlreiche wichtige wissenschaftliche Forschungsprojekte, darunter Teilprojekte des Nationalen Schlüsselprogramms für Forschung und Entwicklung „14. Fünfjahresplan“ und Projekte der National Natural Science Foundation. Er fungierte als technischer Direktor der Multi-source Information Intelligent Service Platform für die ökologische Umwelt in Küstennähe von Zhejiang und gewann den ersten Preis des Marine Engineering Science and Technology Award.

Qi Jins persönliche Homepage:

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

Sein Team unter der Leitung von Professor Du Zhenhong und Professor Wu Sensen hat in den letzten Jahren eine Reihe von Ergebnissen in den Bereichen Geowissenschaften und Informationswissenschaften erzielt.Die vom Team vorgeschlagene GNNWR-Modellreihe wird von Branchentalenten häufig verwendet und das Modell wurde insgesamt mehr als 10.000 Mal heruntergeladen, aufgerufen und zitiert. Das Team hat sich zum Ziel gesetzt, in Zukunft die GIS-Theorie und -Methoden sowie die Technologie intelligenter geowissenschaftlicher Analyseplattformen weiterzuentwickeln und die Entwicklung von GeoAI weiter zu erforschen.

Persönliche Homepage des Leiters des GNNWR-Forschungsteams Wu Sensen und eine kurze Einführung in das räumlich-zeitliche intelligente Regressionsmodell:

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

Das Team stellt Postdoktoranden und wissenschaftliche Mitarbeiter ein. Forscher mit Hintergrund in GIS, Fernerkundung, Geographie, Ozeanographie, Geologie, Informatik und Technologie sind herzlich eingeladen, sich uns anzuschließen. Wir heißen auch herausragende junge Menschen aus dem Ausland und alle Arten von hochkarätigen Talenten herzlich willkommen, sich uns anzuschließen!