Gnnwr Spatiotemporal Intelligent Regression (STIR)-Modell-Demo

Dieses Tutorial ist eine PyTorch-Implementierung des Spatio-Temporal Intelligent Regression (STIR)-Modells. Die verwendeten Rechenressourcen sind RTX 4090. Der „Arbeitsbereich“ enthält die folgenden Demonstrationsbeispiele für Notebook-Automatisierungsskripte:

• GNNWR: Demonstrationsbeispiel ist „PM2,5-Luftverschmutzung“

Englische Version:demo_gnnwr.ipynb

Chinesische Version:demo_gnnwr-cn.ipynb

• GTNNWR: Demonstrationsbeispiel: „Räumliche und zeitliche Verteilung wichtiger Nährstoffe in Küstengewässern“

Englische Version:demo_gnnwr.ipynb

Chinesische Version:demo_gnnwr-cn.ipynb

Darüber hinaus enthält dieses Repository:

1. Quellcode für GNNWR, GTNNWR und andere abgeleitete Modelle
2. Tutorial-Hinweise zum Modell (Notebook-Automatisierungsskripte)
3. Veröffentlichte Python-Räder

Inhaltsverzeichnis

• Einführung
• Modell
• Installation und Verwendung
• Fallstudien
• siehe
• beitragen
• Lizenz

1. Einleitung

GNNWR (Geographically Neural Network Weighted Regression) ist ein auf PyTorch basierendes, räumlich-zeitliches intelligentes Regressionsmodell, das 2020 vom GIS-Labor der Zhejiang-Universität entwickelt wurde und speziell für die Behandlung räumlicher und zeitlicher Nichtstationaritätsprobleme konzipiert ist. Das Modell erreicht eine hochpräzise Modellierung komplexer geografischer Prozesse, indem es die nichtlineare Anpassung der geografischen Nähe und nichtstationärer Gewichte in die Darstellung und Konstruktion eines neuronalen Netzwerks umwandelt.

Räumlich-zeitliche Nichtstationarität ist eine inhärente Eigenschaft der meisten geografischen Prozesse und ihre Schätzung ist ein zentrales Thema bei der Modellierung räumlich-zeitlicher nichtstationärer Beziehungen. Um die nichtstationäre Beziehung zwischen Raum und Zeit zu charakterisieren, transformierte das Forschungsteam den Ausdruck der geografischen Nähe und die nichtlineare Anpassung nichtstationärer Gewichte in die Darstellung und Konstruktion neuronaler Netzwerke und erstellte eine Reihe von raumzeitlichen intelligenten Regressionsmodellen (STIR), darunter die gewichtete Regression mit geografischen neuronalen Netzwerken (GNNWR) und die gewichtete Regression mit geografischen zeitneuronalen Netzwerken (GTNNWR).

Die Modellleistung ist deutlich besser als bei klassischen räumlich-zeitlichen Regressionsmethoden wie der geographisch gewichteten Regression (GWR) und der geographisch zeitgewichteten Regression (GTWR) sowie bei Methoden des maschinellen Lernens wie neuronalen Netzwerken und Random Forests. Das STIR-Modell wird in der ökologischen Umweltmodellierung, der Abschätzung von Luftschadstoffen, der Erforschung städtischer Wohnungspreise und in anderen Bereichen eingesetzt. Relevante Forschungsergebnisse wurden in Fachzeitschriften wie „International Journal of Geographic Information Science“, „Environmental Science and Technology“, „Environmental Pollution“, „Integrated Environmental Science“ und „International Journal of Applied Earth Observation and Geographic Information“ veröffentlicht.

2. Modell

2.1 GNNWR

GNWR(Geo-Neural Network Weighted Regression) ist ein Modell, das zur Behandlung räumlicher Nichtstationarität in verschiedenen komplexen geografischen Prozessfeldern verwendet wird. In diesem Artikel wird ein räumlich gewichtetes neuronales Netzwerk (SWNN) vorgeschlagen, um die nichtstationäre Gewichtsmatrix darzustellen und diese Gewichte lokal über gewichtete kleinste Quadrate zu schätzen. Dank seiner überlegenen Anpassungsfähigkeit verfügt GNNWR über eine gut strukturierte nichtstationäre Gewichtsmatrix, mit der komplexe geografische Prozesse in Umwelt- und Stadtstudien besser beschrieben werden können.

Du, Z., Wang, Z., Wu, S., Zhang, F. & Liu, R. (2020). Geografisch neuronale Netzwerkgewichtete Regression zur genauen Schätzung der räumlichen Nichtstationarität. Internationale Zeitschrift für Geographische Informationswissenschaft, 34(7), 1353-1377.

Demonstrationsbeispiel – PM2,5-Luftverschmutzung

Englische Version:demo_gnnwr.ipynb

Chinesische Version:demo_gnnwr-cn.ipynb

2.2 GTNNWR

GTNNWR(Weighted Regression with Geographic and Temporal Neural Networks) ist ein Modell zur Schätzung nichtstationärer Beziehungen in Raum und Zeit. Aufgrund der Existenz räumlich-zeitlicher Nichtstationarität weist die räumliche Beziehung der Elemente deutliche Unterschiede auf, wenn sich die räumlich-zeitliche Struktur ändert. Die Berechnung der raumzeitlichen Distanz ist ein wichtiger Aspekt bei der Lösung raumzeitlicher nichtstationärer Probleme. Daher führt dieses Modell die räumlich-zeitliche Distanz in das GNNWR-Modell ein und schlägt ein räumlich-zeitliches Näherungsneuronales Netzwerk (STPNN) vor, um die räumlich-zeitliche Distanz genau zu berechnen. Es arbeitet mit dem SWNN im GNNWR-Modell zusammen, um die räumlich-zeitliche nichtstationäre Gewichtsmatrix zu berechnen, wodurch eine genaue Modellierung räumlich-zeitlicher nichtstationärer Beziehungen erreicht wird.

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. & Liu, R. (2021). Geografisch und zeitlich gewichtete Regression mit neuronalen Netzwerken zur Modellierung räumlich-zeitlicher nichtstationärer Beziehungen. Internationale Zeitschrift für Geographische Informationswissenschaft , 35(3), 582-608.

Demonstrationsbeispiel – Räumlich-zeitliche Verteilung wichtiger Nährstoffe in Küstengewässern

Englische Version:demo_gnnwr.ipynb

Chinesische Version:demo_gnnwr-cn.ipynb

3. Weitere Forschungsfälle

3.1 Atmosphärische Umgebung

3.1.1 PM2,5-Luftverschmutzung

Die Luftverschmutzung, insbesondere die Messung von PM2,5, ist in den letzten Jahren in China zu einem heißen Forschungsthema geworden. Aufgrund des komplexen Geländes und der riesigen geografischen Fläche Chinas ist die Verwendung von Daten verstreuter PM2,5-Beobachtungsstationen zur Schätzung und Kartierung der PM2,5-Konzentrationsverteilung in China mit erheblichen räumlichen Nichtstationaritäts- und komplexen nichtlinearen Problemen verbunden, was es schwierig macht, hochpräzise und hochgenaue Verteilungsschätzungen zu erzielen. Das GNNWR-Modell kann die optische Aerosoltiefe (AOD), das digitale Höhenmodell (DEM) und einige Klimafaktoren kombinieren, um räumlich kontinuierliche PM2,5-Konzentrationsschätzungen über China zu erhalten. Verglichen mit den Ergebnissen des herkömmlichen Regressionsmodells liegen die PM2,5-Schätzergebnisse des GNNWR-Modells näher an den Bodenbeobachtungen und weisen in hochwertigen Bereichen eine höhere Genauigkeit und mehr Details auf.

Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R. & Du, Z. (2021). Satellitengestützte Kartierung hochauflösender bodennaher PM2-Werte. 5 mit VIIRS IP AOD in China durch räumlich neuronales Netzwerk gewichtete Regression. Fernerkundung, 13(10), 1979.

👉 Modellierung von PM2.5 mit GNNWR auf Deep-time.org

3.1.2 NO2-Luftverschmutzung

In dieser Studie wurden TROPOMI-Fernerkundungsdaten, Bodenbeobachtungsdaten und andere Zusatzdaten verwendet, um die hochauflösenden räumlich-zeitlichen Verteilungsmerkmale der Boden-NO2-Konzentration in der Region Peking-Tianjin-Hebei basierend auf dem GTNNWR-Modell zu erstellen und zu bewerten. Die Ergebnisse zeigen, dass das GTNNWR-Modell die Modelle Random Forest (RF) und Convolutional Neural Network (CNN) hinsichtlich der Leistungsindikatoren übertrifft und eine höhere Zuverlässigkeit aufweist, wenn die räumlich-zeitliche Nichtstationarität berücksichtigt wird. Diese Studie liefert wichtige Daten und Referenzen für das atmosphärische Umweltmanagement und die Vermeidung von Umweltverschmutzung in der Region Peking-Tianjin-Hebei.

Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X. & Qiu, C. (2023). Hochauflösende tägliche räumlich-zeitliche Verteilung und Auswertung der bodennahen Stickstoffdioxidkonzentration in der Region Peking–Tianjin–Hebei basierend auf TROPOMI-Daten. Fernerkundung, 15(15), 3878.

3.2 Küstenzone und Meeresumwelt

3.2.1 Wasserqualität

Die genaue Bewertung großflächiger und komplexer Küstengewässer stellt aufgrund der räumlichen Nichtstationarität und komplexen Nichtlinearität, die mit der Integration von Fernerkundungs- und In-situ-Daten verbunden ist, eine enorme Herausforderung dar. Um dieser Herausforderung zu begegnen, haben wir eine Methode zur Bewertung der Wasserqualität auf Grundlage des neu vorgeschlagenen GNNWR-Modells entwickelt und eine hochpräzise und realistische Wasserqualitätsverteilung auf Grundlage des umfassenden Index der chinesischen Wasserqualitätsklassifizierungsstandards erhalten. Das GNNWR-Modell weist im Vergleich zu weit verbreiteten Modellen eine höhere Vorhersageleistung auf (durchschnittliches R² = 84%), und die für Mai 2015–2017 und August 2015 erhaltenen Karten zur Klassifizierung der Wasserqualität (WQC) können das räumlich-zeitliche Muster der Wasserqualität in der Zone mit Nullverschmutzung intuitiv und vernünftig darstellen.

Du, Z., Qi, J., Wu, S., Zhang, F. & Liu, R. (2021). Eine auf räumlich gewichteten neuronalen Netzwerken basierende Methode zur Beurteilung der Wasserqualität für große Küstengebiete. Umweltwissenschaften und -technologie, 55(4), 2553-2563.

3.2.2 Küstenumwelt

Der Transport gelöster Silikate (DSi) vom Land in die Küstenregionen ist für globale biogeochemische Kreisläufe von entscheidender Bedeutung. Die genaue Bestimmung der DSi-Verteilung in Küstengebieten wird jedoch durch räumlich-zeitliche Variabilität, nichtlineare Modellierung und geringe Stichprobenauflösung erschwert. Das GTNNWR-Modell übertrifft herkömmliche Regressionsmodelle sowohl hinsichtlich der Anpassungsgenauigkeit als auch der Generalisierungsfähigkeit, indem es die räumlich-zeitliche Beziehung zwischen spärlichen Stichprobenpunkten und unbekannten Punkten in räumlich-zeitliche Distanzen und Gewichte umwandelt und neuronale Netzwerke verwendet, um nichtlineare Distanzen und nichtstationäre Gewichte zu bestimmen. Dieser effektive datengesteuerte Ansatz hilft dabei, die dynamischen Veränderungen in Küstengewässern im kleinen Maßstab zu erforschen (z. B. Oberflächen-DSi).

Qi, J., Du, Z., Wu, S., Chen, Y. & Wang, Y. (2023). Eine räumlich und zeitlich gewichtete intelligente Methode zur Untersuchung feinskaliger Verteilungen von oberflächengelöstem Silikat in Küstenmeeren. Wissenschaft der Gesamtumwelt , 886, 163981.

👉 Modellierung von DSi mit GTNNWR auf Deep-time.org

3.2.3 pCO2-Wert des Oberflächenmeerwassers

Der Nordpazifik ist eine wichtige Kohlenstoffsenke, seine räumlich-zeitliche Dynamik ist jedoch aufgrund seiner enormen Größe und der komplexen Auswirkungen noch immer unzureichend erforscht. Bestehenden Modellen des maschinellen Lernens mangelt es an Interpretierbarkeit, was die Einblicke in die zugrunde liegenden Mechanismen einschränkt. Um dieses Problem zu lösen, führen wir ein gerastertes, räumlich-zeitliches, neuronales Netzwerk-gewichtetes Regressionsmodell (GSTNNWR) ein, das den pCO2-Gehalt an der Erdoberfläche genau vorhersagen und gleichzeitig die Umweltauswirkungen quantifizieren kann.

Liu, Y., Chen, Y., Huang, Z., Liang, H., Qi, J., Wu, S. & Du, Z. (2024). Ein räumlich-zeitlich gewichtetes neuronales Netzwerk enthüllt die pCO2-Verteilung im Oberflächenmeerwasser und die zugrunde liegenden Umweltmechanismen im Nordpazifik. Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation, 133, 104120.

3.3 Städte

3.3.1 Immobilienpreise

Die Immobilienpreise hängen eng mit dem Leben der neuen Stadtbewohner zusammen und sind zudem ein wichtiger Wirtschaftsindikator, den die Regierung aufmerksam beobachten muss. Im Vergleich zu herkömmlichen Regressionsmodellen können GNNWR- und GTNNWR-Modelle mithilfe neuronaler Netzwerke die Genauigkeit der Immobilienbewertung verbessern und sind praktische und effektive Methoden zur Bewertung von Immobilienpreisen.

Das GNNWR-Modell integriert eine optimierte räumliche Nähemetrik. Die optimierte räumliche Nähemetrik kombiniert mehrere Distanzmetriken und verbessert ihre Fähigkeit, räumliche nichtstationäre Prozesse zu modellieren.

Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B. & Du, Z. (2024). Ein neuronales Netzwerkmodell zur Optimierung der Messung der räumlichen Nähe im geografisch gewichteten Regressionsansatz: eine Fallstudie zu Immobilienpreisen in Wuhan. Internationale Zeitschrift für Geographische Informationswissenschaft, 1–21.

Durch die Einbeziehung kontextueller Ähnlichkeiten in die räumliche Nichtstationaritätsschätzung mithilfe einer aufmerksamkeitsbasierten Architektur können die Immobilienpreise besser an komplexe städtische Gebiete angepasst werden.

Wu, S., Ding, J., Wang, R., Wang, Y., Yin, Z., Huang, B. & Du, Z. (2025). Verwendung einer aufmerksamkeitsbasierten Architektur zur Einbeziehung von Kontextähnlichkeiten in die räumliche Nichtstationaritätsschätzung. Internationale Zeitschrift für Geographische Informationswissenschaft, 1–24

Wang, Z., Wang, Y., Wu, S. & Du, Z. (2022). Modell zur Bewertung von Hauspreisen basierend auf einer geografisch neuronalen Netzwerk-gewichteten Regression: Die Fallstudie von Shenzhen, China. ISPRS Internationales Journal für Geoinformation, 11(8), 450.

3.3.2 Oberflächentemperatur und Nachtlicht

Die räumliche Herunterskalierung ist eine wichtige Methode, um hochauflösende Daten zur Landoberflächentemperatur (LST) für die thermische Umweltforschung zu erhalten. Um das Problem der Herabskalierung der Oberflächentemperatur effektiv zu lösen, schlägt dieses Dokument eine hochauflösende Methode zur Herabskalierung der Oberflächentemperatur auf der Grundlage von GNNWR vor. Die Ergebnisse zeigen, dass das vorgeschlagene GNNWR-Modell im Vergleich zu den weit verbreiteten Methoden in vier Versuchsgebieten mit großen Unterschieden in Topographie, Geomorphologie und Jahreszeiten eine höhere Downscaling-Genauigkeit erreicht. Angesichts der hohen Genauigkeit und Modellleistung von GNNWR legen unsere Ergebnisse nahe, dass GNNWR eine praktische Methode zur Herabskalierung der Oberflächentemperatur ist.

Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). Eine hochauflösende Methode zur Herabskalierung der Landoberflächentemperatur basierend auf der Regression geografisch gewichteter neuronaler Netzwerke. Fernerkundung, 15(7), 1740.

Die Herabskalierung der Nachtbeleuchtung (NTL) mithilfe von Satellitenbildern ist für die Stadtentwicklung und sozioökonomische Forschung von entscheidender Bedeutung, steht jedoch aufgrund der geografischen Komplexität und der Unsicherheit der Faktoren vor zahlreichen Herausforderungen. Um dieses Problem zu lösen, schlagen wir ein multifaktorielles, geographisches, neuronales Netzwerk mit gewichteter Regression (MF-GNNWR) vor, das Faktoren wie Landoberfläche, sozioökonomische Faktoren und menschliche Aktivität integriert, um die Genauigkeit der Nachtbeleuchtung (NTL) in heterogenen städtischen Gebieten zu verbessern.

Zhang, L., Wu, S., Liang, M., Jing, H., Shi, S., Zhu, Y., … & Du, Z. (2024). Ein Downscaling-Framework für städtisches Nachtlicht basierend auf einer mehrfaktoriellen, geografisch neuronalen Netzwerk-gewichteten Regression. IEEE-Transaktionen zu Geowissenschaften und Fernerkundung.

3.4 Geologie

3.4.1 Potenzial für die Mineralexploration

Im Bereich der Mineralprognose ist die genaue Vorhersage von Mineralressourcen von entscheidender Bedeutung, um den Energiebedarf der modernen Gesellschaft zu decken. Geografische neuronale Netzwerkgewichtete logistische Regression für die Kartierung der Mineralexploration. Das Modell kombiniert räumliche Muster, neuronale Netzwerke und Shapleys Theorie der additiven Interpretation, um die Anisotropie von Variablen und die nichtlineare Beziehung zwischen Variablen effektiv zu bewältigen und so genaue Vorhersagen zu erzielen und eine Erklärung für die Mineralisierung in komplexen räumlichen Umgebungen zu liefern.

Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y. & Du, Z. (2024). Verbesserung der Kartierung der Mineralprospektion mit georäumlicher künstlicher Intelligenz: Ein geografisch neuronales Netzwerk-gewichteter logistischer Regressionsansatz. Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation, 128, 103746.

3.4.2 Wärmestrom

Der Oberflächenwärmefluss (SHF) ist entscheidend für das Verständnis der Dynamik im Erdinneren. Das Qinghai-Tibet-Plateau ist eine Schlüsselregion für die globale Klima- und Geodynamische Forschung, aber aufgrund spärlicher Beobachtungsdaten mangelt es an umfassenden SHF-Daten. Um dieses Problem zu lösen, entwickeln wir das Enhanced Interpretability Geographic Neural Network Weighted Regression-Modell (EI-GNNWR), das räumliche Heterogenität und nichtlineare geophysikalische Interaktionen berücksichtigt. Unser Modell sagt die SHF über das gesamte Plateau hinweg genau voraus und zeigt, dass hohe SHF-Werte im Süden, Nordosten und Südosten konzentriert sind und von der Moho-Tiefe, den Gebirgsrücken und der Topographie beeinflusst werden. Die Erkenntnisse verbessern das Verständnis geothermischer Prozesse und tektonischer Aktivitäten in der Region.

Zhang, Z., Wu, S., Zhang, B., Du, Z. & Xia, Q. (2024). Die Verteilung des Oberflächenwärmeflusses auf dem tibetischen Plateau wurde durch datengesteuerte Methoden aufgedeckt. Zeitschrift für geophysikalische Forschung: Feste Erde, 129(10), e2023JB028491.

!! Darüber hinaus können diese raumzeitlichen intelligenten Regressionsmodelle auf andere raumzeitliche Modellierungsprobleme und sozioökonomische Phänomene angewendet werden.

4. Verwandte Forschungsarbeiten

4.1 Algorithmus

1. Du, Z., Wang, Z., Wu, S., Zhang, F. & Liu, R. (2020). Geografisch neuronale Netzwerkgewichtete Regression zur genauen Schätzung der räumlichen Nichtstationarität. Internationale Zeitschrift für Geographische Informationswissenschaft, 34(7), 1353-1377.
2. Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. & Liu, R. (2021). Geografisch und zeitlich gewichtete Regression mit neuronalen Netzwerken zur Modellierung räumlich-zeitlicher nichtstationärer Beziehungen. Internationale Zeitschrift für Geographische Informationswissenschaft , 35(3), 582-608.
3. Dai, Z., Wu, S., Wang, Y., Zhou, H., Zhang, F., Huang, B. & Du, Z. (2022). Geografisch faltende neuronale Netzwerkgewichtete Regression: Eine Methode zur Modellierung räumlich nichtstationärer Beziehungen basierend auf einem globalen räumlichen Näherungsgitter. Internationale Zeitschrift für Geographische Informationswissenschaft, 36(11), 2248-2269.

4.2 Fallstudiendemonstration

1. Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R. & Du, Z. (2021). Satellitengestützte Kartierung hochauflösender bodennaher PM2-Werte. 5 mit VIIRS IP AOD in China durch räumlich neuronales Netzwerk gewichtete Regression. Fernerkundung, 13(10), 1979.
2. Qi, J., Du, Z., Wu, S., Chen, Y. & Wang, Y. (2023). Eine räumlich und zeitlich gewichtete intelligente Methode zur Untersuchung feinskaliger Verteilungen von oberflächengelöstem Silikat in Küstenmeeren. Wissenschaft der Gesamtumwelt , 886, 163981.
3. Du, Z., Qi, J., Wu, S., Zhang, F. & Liu, R. (2021). Eine auf räumlich gewichteten neuronalen Netzwerken basierende Methode zur Beurteilung der Wasserqualität für große Küstengebiete. Umweltwissenschaften und -technologie, 55(4), 2553-2563.
4. Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). Eine hochauflösende Methode zur Herabskalierung der Landoberflächentemperatur basierend auf der Regression geografisch gewichteter neuronaler Netzwerke. Fernerkundung, 15(7), 1740.
5. Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X. & Qiu, C. (2023). Hochauflösende tägliche räumlich-zeitliche Verteilung und Auswertung der bodennahen Stickstoffdioxidkonzentration in der Region Peking–Tianjin–Hebei basierend auf TROPOMI-Daten. Fernerkundung, 15(15), 3878.
6. Wang, Z., Wang, Y., Wu, S. & Du, Z. (2022). Modell zur Bewertung von Hauspreisen basierend auf einer geografisch neuronalen Netzwerk-gewichteten Regression: Die Fallstudie von Shenzhen, China. ISPRS Internationales Journal für Geoinformation, 11(8), 450.
7. Wu, S., Du, Z., Wang, Y., Lin, T., Zhang, F., & Liu, R. (2020). Modellierung räumlich anisotroper nichtstationärer Prozesse in Küstenumgebungen basierend auf einer gerichteten, geografisch neuronalen Netzwerk-gewichteten Regression. Wissenschaft der Gesamtumwelt, 709, 136097.
8. Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y. & Du, Z. (2024). Verbesserung der Kartierung der Mineralprospektion mit georäumlicher künstlicher Intelligenz: Ein geografisch neuronales Netzwerk-gewichteter logistischer Regressionsansatz. Internationale Zeitschrift für angewandte Erdbeobachtung und Geoinformation, 128, 103746.
9. Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B. & Du, Z. (2024). Ein neuronales Netzwerkmodell zur Optimierung der Messung der räumlichen Nähe im geografisch gewichteten Regressionsansatz: eine Fallstudie zu Immobilienpreisen in Wuhan. Internationale Zeitschrift für Geographische Informationswissenschaft, 1–21.

5. Gruppe

Führungskräfte

	Zhenhong Du, Ph.D., Professor/Doktorvater, Nationaler Wissenschaftsfonds für herausragende junge Wissenschaftler, Dekan der Fakultät für Geowissenschaften, Zhejiang-Universität
	Sensen WuPh.DProfessor/DoktorandZhejiang University

Mitglieder

• Jin Qi, Postdoktorand, Zhejiang-Universität
• Jiale Ding, Doktorand, Zhejiang-Universität
• Yi Liu, Studentin an der Zhejiang-Universität
• Ziyu Yin, Studentin an der Zhejiang-Universität

6. Lizenz

GPLv3-Lizenz

Zitate:

Du, Z., Wang, Z., Wu, S., Zhang, F. & Liu, R. (2020). Geografisch neuronale Netzwerkgewichtete Regression zur genauen Schätzung der räumlichen Nichtstationarität. Internationale Zeitschrift für Geographische Informationswissenschaft, 34(7), 1353-1377.

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. & Liu, R. (2021). Geografisch und zeitlich gewichtete Regression mit neuronalen Netzwerken zur Modellierung räumlich-zeitlicher nichtstationärer Beziehungen. International Journal of Geographical Information Science , 35(3), 582-608.

Yin, Z., Ding, J., Liu, Y., Wang, R., Wang, Y., Chen, Y., Qi, J., Wu, S. und Du, Z. (2024). GNNWR: ein Open-Source-Paket mit intelligenten räumlich-zeitlichen Regressionsmethoden zur Modellierung räumlicher und zeitlicher Nichtstationarität. Geowissenschaftliche Modellentwicklung, 17 (22), 8455–8468.