Démonstration Du Modèle De Régression Intelligente Spatio-temporelle (STIR) De Gnnwr

Ce tutoriel est une implémentation PyTorch du modèle de régression intelligente spatio-temporelle (STIR). Les ressources informatiques utilisées sont des RTX 4090. L'« espace de travail » contient les exemples de démonstration de script d'automatisation de bloc-notes suivants :

• GNNWR : L'exemple de démonstration est « la pollution de l'air par les PM2,5 »

Version anglaise:demo_gnnwr.ipynb

Version chinoise :demo_gnnwr-cn.ipynb

• GTNNWR : Exemple de démonstration : « Répartition spatiale et temporelle des principaux nutriments dans les eaux côtières »

Version anglaise:demo_gnnwr.ipynb

Version chinoise :demo_gnnwr-cn.ipynb

De plus, ce référentiel contient :

1. Code source pour GNNWR, GTNNWR et autres modèles dérivés
2. Notes de tutoriel pour le modèle (scripts d'automatisation du bloc-notes)
3. Roues Python publiées

Table des matières

• Introduction
• Modèle
• Installation et utilisation
• Études de cas
• se référer à
• contribuer
• licence

1. Introduction

GNNWR (Geographically Neural Network Weighted Regression) est un modèle de régression intelligent spatio-temporel basé sur PyTorch développé par le laboratoire SIG de l'Université du Zhejiang en 2020, spécialement conçu pour traiter les problèmes de non-stationnarité spatiale et temporelle. Le modèle permet une modélisation de haute précision de processus géographiques complexes en convertissant l'ajustement non linéaire de la proximité géographique et des poids non stationnaires en représentation et construction d'un réseau neuronal.

La non-stationnarité spatio-temporelle est une propriété inhérente à la plupart des processus géographiques, et son estimation est un problème clé dans la modélisation des relations spatio-temporelles non stationnaires. Afin de caractériser la relation non stationnaire entre l'espace et le temps, l'équipe de recherche a transformé l'expression de la proximité géographique et l'ajustement non linéaire des poids non stationnaires en représentation et construction de réseaux neuronaux, et a établi une série de modèles de régression intelligente spatiotemporelle (STIR), y compris la régression pondérée par le réseau neuronal géographique (GNNWR) et la régression pondérée par le réseau neuronal temporel géographique (GTNNWR).

Les performances du modèle sont nettement meilleures que celles des méthodes de régression spatio-temporelle classiques telles que la régression géographique pondérée (GWR) et la régression géographique pondérée dans le temps (GTWR), ainsi que des méthodes d'apprentissage automatique telles que les réseaux neuronaux et les forêts aléatoires. Le modèle STIR a été appliqué à la modélisation de l’environnement écologique, à l’estimation des polluants atmosphériques, à la recherche sur les prix des logements urbains et à d’autres domaines. Des résultats de recherche pertinents ont été publiés dans des revues telles que « International Journal of Geographic Information Science », « Environmental Science and Technology », « Environmental Pollution », « Integrated Environmental Science » et « International Journal of Applied Earth Observation and Geographic Information ».

2. Modèle

2.1 GNNWR

GNWR(Geo-Neural Network Weighted Regression) est un modèle utilisé pour traiter la non-stationnarité spatiale dans divers champs de processus géographiques complexes. Cet article propose un réseau neuronal pondéré spatialement (SWNN) pour représenter la matrice de poids non stationnaire et estimer localement ces poids via les moindres carrés pondérés. GNNWR possède une matrice de pondération non stationnaire bien structurée en raison de son excellente capacité d'ajustement, ce qui permet une meilleure description des processus géographiques complexes dans les études environnementales et urbaines.

Du, Z., Wang, Z., Wu, S., Zhang, F. et Liu, R. (2020). Régression pondérée par réseau neuronal géographique pour l'estimation précise de la non-stationnarité spatiale. Revue internationale des sciences de l'information géographique, 34(7), 1353-1377.

Exemple de démonstration - Pollution atmosphérique PM2,5

Version anglaise:demo_gnnwr.ipynb

Version chinoise :demo_gnnwr-cn.ipynb

2.2 GTNNWR

GTNNWR(Régression pondérée avec réseaux neuronaux géographiques et temporels), est un modèle permettant d'estimer les relations non stationnaires dans l'espace et le temps. En raison de l’existence d’une non-stationnarité spatiotemporelle, la relation spatiale des éléments présente des différences évidentes à mesure que la structure spatiotemporelle change. Le calcul de la distance spatio-temporelle est un aspect important dans la résolution des problèmes spatio-temporels non stationnaires. Par conséquent, ce modèle introduit la distance spatio-temporelle dans le modèle GNNWR et propose un réseau neuronal de proximité spatio-temporelle (STPNN) pour calculer avec précision la distance spatio-temporelle et collabore avec le SWNN dans le modèle GNNWR pour calculer la matrice de poids spatio-temporelle non stationnaire, réalisant ainsi une modélisation précise des relations spatio-temporelles non stationnaires.

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. et Liu, R. (2021). Régression pondérée géographiquement et temporellement par réseau neuronal pour la modélisation de relations spatio-temporelles non stationnaires. Revue internationale des sciences de l'information géographique , 35(3), 582-608.

Exemple de démonstration - Répartition spatio-temporelle des principaux nutriments dans les eaux côtières

Version anglaise:demo_gnnwr.ipynb

Version chinoise :demo_gnnwr-cn.ipynb

3. Autres cas de recherche

3.1 Environnement atmosphérique

3.1.1 Pollution atmosphérique PM2,5

La pollution de l’air, en particulier la mesure des PM2,5, est devenue un sujet de recherche brûlant en Chine ces dernières années. En raison du terrain complexe et de la vaste zone géographique de la Chine, l'utilisation de données dispersées provenant de stations d'observation de PM2,5 pour estimer et cartographier la distribution de la concentration de PM2,5 en Chine se heurte à une non-stationnarité spatiale importante et à des problèmes non linéaires complexes, ce qui rend difficile l'obtention d'estimations de distribution de haute précision. Le modèle GNNWR peut combiner la profondeur optique des aérosols (AOD), le modèle numérique d'élévation (DEM) et certains facteurs climatiques pour obtenir des estimations de concentration de PM2,5 spatialement continues sur la Chine. Comparés aux résultats du modèle de régression traditionnel, les résultats d’estimation des PM2,5 du modèle GNNWR sont plus proches des observations au sol, avec une précision plus élevée et des détails plus riches dans les zones de grande valeur.

Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R. et Du, Z. (2021). Cartographie par satellite des PM2 au niveau du sol à haute résolution. 5 avec VIIRS IP AOD en Chine via une régression pondérée par réseau neuronal spatial. télédétection, 13(10), 1979.

👉 Modélisation des PM2,5 avec GNNWR sur Deep-time.org

3.1.2 Pollution atmosphérique par le NO2

Dans cette étude, les données de télédétection TROPOMI, les données d'observation au sol et d'autres données auxiliaires ont été utilisées pour construire et évaluer les caractéristiques de distribution spatio-temporelle à haute résolution de la concentration de NO2 au sol dans la région Pékin-Tianjin-Hebei sur la base du modèle GTNNWR. Les résultats montrent que le modèle GTNNWR surpasse les modèles de forêt aléatoire (RF) et de réseau neuronal convolutif (CNN) en termes d'indicateurs de performance et présente une fiabilité plus élevée lorsque l'on considère la non-stationnarité spatio-temporelle. Cette étude fournit des données importantes et une référence pour la gestion de l’environnement atmosphérique et la prévention de la pollution dans la région Pékin-Tianjin-Hebei.

Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X. et Qiu, C. (2023). Distribution spatio-temporelle quotidienne à haute résolution et évaluation de la concentration de dioxyde d'azote au niveau du sol dans la région de Pékin-Tianjin-Hebei sur la base des données TROPOMI. télédétection, 15(15), 3878.

3.2 Zone côtière et environnement marin

3.2.1 Qualité de l'eau

L’évaluation précise des eaux côtières complexes et à grande échelle constitue un énorme défi en raison de la non-stationnarité spatiale et de la non-linéarité complexe impliquées dans l’intégration de la télédétection et des données in situ. Pour relever ce défi, nous avons développé une méthode d’évaluation de la qualité de l’eau basée sur le modèle GNNWR nouvellement proposé et obtenu une distribution de la qualité de l’eau de haute précision et réaliste basée sur l’indice complet des normes de classification de la qualité de l’eau de la Chine. Le modèle GNNWR présente une performance de prédiction plus élevée (R² moyen = 84%) par rapport aux modèles largement utilisés, et les cartes de classification de la qualité de l'eau (WQC) obtenues pour mai 2015-2017 et août 2015 peuvent représenter de manière intuitive et raisonnable le modèle spatio-temporel de la qualité de l'eau dans la zone de pollution zéro.

Du, Z., Qi, J., Wu, S., Zhang, F. et Liu, R. (2021). Une méthode d’évaluation de la qualité de l’eau basée sur un réseau neuronal pondéré spatialement pour les zones côtières à grande échelle. Sciences et technologies de l'environnement, 55(4), 2553-2563.

3.2.2 Environnement côtier

Le transport des silicates dissous (DSi) des terres vers les environnements côtiers est crucial pour les cycles biogéochimiques mondiaux. Cependant, la détermination de la distribution des DSi dans les zones côtières est compliquée par la variabilité spatio-temporelle, la modélisation non linéaire et la faible résolution d’échantillonnage. Le modèle GTNNWR surpasse les modèles de régression traditionnels en termes de précision d'ajustement et de capacité de généralisation en convertissant la relation spatio-temporelle entre les points d'échantillonnage clairsemés et les points inconnus en distances et poids spatio-temporels et en utilisant des réseaux neuronaux pour déterminer les distances non linéaires et les poids non stationnaires. Cette approche efficace basée sur les données permet d’explorer les changements dynamiques à petite échelle dans les eaux côtières (par exemple, DSi de surface).

Qi, J., Du, Z., Wu, S., Chen, Y. et Wang, Y. (2023). Une méthode intelligente pondérée spatio-temporellement pour explorer les distributions à petite échelle de silicate dissous en surface dans les mers côtières. Science de l'environnement total , 886, 163981.

👉 Modélisation de DSi avec GTNNWR sur Deep-time.org

3.2.3 pCO2 de l'eau de mer de surface

Le Pacifique Nord est un important puits de carbone, mais sa dynamique spatio-temporelle reste peu étudiée en raison de sa grande taille et de ses impacts complexes. Les modèles d’apprentissage automatique existants manquent d’interprétabilité, ce qui limite les connaissances sur les mécanismes sous-jacents. Pour résoudre ce problème, nous introduisons un modèle de régression pondérée par réseau neuronal spatio-temporel quadrillé (GSTNNWR) qui peut prédire avec précision le pCO2 de surface tout en quantifiant l'impact environnemental.

Liu, Y., Chen, Y., Huang, Z., Liang, H., Qi, J., Wu, S. et Du, Z. (2024). Un réseau neuronal pondéré spatio-temporel révèle les distributions de pCO2 de l'eau de mer de surface et les mécanismes environnementaux sous-jacents dans l'océan Pacifique Nord. Revue internationale d'observation appliquée de la Terre et de géoinformation, 133, 104120.

3.3 Villes

3.3.1 Prix des logements

Les prix de l’immobilier sont étroitement liés à la vie des nouveaux résidents urbains et constituent également un indicateur économique important auquel le gouvernement doit prêter une attention particulière. Comparés aux modèles de régression traditionnels, les modèles GNNWR et GTNNWR peuvent améliorer la précision de l’évaluation immobilière à l’aide de réseaux neuronaux et constituent des méthodes pratiques et efficaces pour évaluer les prix des logements.

Le modèle GNNWR intègre une métrique de proximité spatiale optimisée. La métrique de proximité spatiale optimisée combine plusieurs métriques de distance et améliore sa capacité à modéliser les processus spatiaux non stationnaires.

Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B. et Du, Z. (2024). Un modèle de réseau neuronal pour optimiser la mesure de la proximité spatiale dans une approche de régression pondérée géographiquement : une étude de cas sur le prix de l'immobilier à Wuhan. Revue internationale des sciences de l'information géographique, 1–21.

En intégrant la similarité contextuelle dans l’estimation de la non-stationnarité spatiale à l’aide d’une architecture basée sur l’attention, les prix des logements peuvent être mieux adaptés aux zones urbaines complexes.

Wu, S., Ding, J., Wang, R., Wang, Y., Yin, Z., Huang, B. et Du, Z. (2025). Utilisation d'une architecture basée sur l'attention pour intégrer la similarité du contexte dans l'estimation de la non-stationnarité spatiale. Revue internationale des sciences de l'information géographique, 1–24

Wang, Z., Wang, Y., Wu, S. et Du, Z. (2022). Modèle d'évaluation des prix des logements basé sur une régression pondérée par un réseau neuronal géographique : étude de cas de Shenzhen, Chine. ISPRS Revue internationale de géo-information, 11(8), 450.

3.3.2 Température de surface et lumière nocturne

La réduction d’échelle spatiale est une méthode importante pour obtenir des données de température de surface terrestre (LST) à haute résolution pour la recherche sur l’environnement thermique. Afin de résoudre efficacement le problème de la réduction d'échelle de la température de surface, cet article propose une méthode de réduction d'échelle de la température de surface à haute résolution basée sur GNNWR. Les résultats montrent que le modèle GNNWR proposé atteint une précision de réduction d’échelle plus élevée que les méthodes largement utilisées dans quatre zones expérimentales présentant de grandes différences de topographie, de géomorphologie et de saisons. Compte tenu de la grande précision et des performances du modèle GNNWR, nos résultats suggèrent que le GNNWR est une méthode pratique pour réduire la température de surface.

Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y.,… et Du, Z. (2023). Une méthode de réduction d'échelle de la température de surface terrestre à haute résolution basée sur une régression de réseau neuronal pondérée géographiquement. télédétection, 15(7), 1740.

La réduction d'échelle des lumières nocturnes (NTL) à l'aide d'images satellites est cruciale pour l'expansion urbaine et la recherche socio-économique, mais elle est confrontée à de nombreux défis en raison de la complexité géographique et de l'incertitude des facteurs. Pour résoudre ce problème, nous proposons un cadre de régression pondérée par réseau neuronal géographique multifactoriel (MF-GNNWR) qui intègre les facteurs de surface terrestre, socioéconomiques et d'activité humaine pour améliorer la précision des lumières nocturnes (NTL) dans les zones urbaines hétérogènes.

Zhang, L., Wu, S., Liang, M., Jing, H., Shi, S., Zhu, Y.,… et Du, Z. (2024). Un cadre de réduction d'échelle pour l'éclairage nocturne urbain basé sur une régression pondérée par un réseau neuronal géographique multifactoriel. Transactions IEEE sur les géosciences et la télédétection.

3.4 Géologie

3.4.1 Potentiel d'exploration minière

Dans le domaine de la prévision des ressources minérales, une prévision précise des ressources minérales est essentielle pour répondre aux besoins énergétiques de la société moderne. Régression logistique pondérée par réseau neuronal géographique pour la cartographie de l'exploration minérale. Le modèle combine des modèles spatiaux, des réseaux neuronaux et la théorie d'interprétation additive de Shapley pour traiter efficacement l'anisotropie des variables et la relation non linéaire entre les variables, obtenant ainsi des prédictions précises et fournissant une explication de la minéralisation dans des environnements spatiaux complexes.

Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y. et Du, Z. (2024). Améliorer la cartographie de la prospectivité minérale grâce à l'intelligence artificielle géospatiale : une approche de régression logistique pondérée par un réseau neuronal géographique. Revue internationale d'observation appliquée de la Terre et de géoinformation, 128, 103746.

3.4.2 Flux de chaleur

Le flux de chaleur de surface (SHF) est essentiel pour comprendre la dynamique de l'intérieur de la Terre. Le plateau Qinghai-Tibet est une région clé pour la recherche climatique et géodynamique mondiale, mais en raison de la rareté des données d'observation, il manque des données SHF complètes. Pour résoudre ce problème, nous développons le modèle de régression pondérée du réseau neuronal géographique à interprétabilité améliorée (EI-GNNWR), qui intègre l'hétérogénéité spatiale et les interactions géophysiques non linéaires. Notre modèle prédit avec précision le SHF sur le plateau, révélant que les valeurs élevées du SHF sont concentrées dans le sud, le nord-est et le sud-est, influencées par la profondeur, les crêtes et la topographie du Moho. Ces résultats améliorent la compréhension des processus géothermiques et de l’activité tectonique dans la région.

Zhang, Z., Wu, S., Zhang, B., Du, Z. et Xia, Q. (2024). La distribution du flux de chaleur de surface sur le plateau tibétain révélée par des méthodes basées sur les données. Journal de recherche géophysique : Solid Earth, 129(10), e2023JB028491.

!! De plus, ces modèles de régression intelligents spatio-temporels peuvent être appliqués à d’autres problèmes de modélisation spatio-temporelle et à des phénomènes socio-économiques.

4. Documents de recherche connexes

4.1 Algorithme

1. Du, Z., Wang, Z., Wu, S., Zhang, F. et Liu, R. (2020). Régression pondérée par réseau neuronal géographique pour l'estimation précise de la non-stationnarité spatiale. Revue internationale des sciences de l'information géographique, 34(7), 1353-1377.
2. Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. et Liu, R. (2021). Régression pondérée géographiquement et temporellement par réseau neuronal pour la modélisation de relations spatio-temporelles non stationnaires. Revue internationale des sciences de l'information géographique , 35(3), 582-608.
3. Dai, Z., Wu, S., Wang, Y., Zhou, H., Zhang, F., Huang, B. et Du, Z. (2022). Régression pondérée par réseau neuronal géographiquement convolutif : une méthode de modélisation de relations spatialement non stationnaires basée sur une grille de proximité spatiale globale. Revue internationale des sciences de l'information géographique, 36(11), 2248-2269.

4.2 Démonstration d'étude de cas

1. Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R. et Du, Z. (2021). Cartographie par satellite des PM2 au niveau du sol à haute résolution. 5 avec VIIRS IP AOD en Chine via une régression pondérée par réseau neuronal spatial. télédétection, 13(10), 1979.
2. Qi, J., Du, Z., Wu, S., Chen, Y. et Wang, Y. (2023). Une méthode intelligente pondérée spatio-temporellement pour explorer les distributions à petite échelle de silicate dissous en surface dans les mers côtières. Science de l'environnement total , 886, 163981.
3. Du, Z., Qi, J., Wu, S., Zhang, F. et Liu, R. (2021). Une méthode d’évaluation de la qualité de l’eau basée sur un réseau neuronal pondéré spatialement pour les zones côtières à grande échelle. Sciences et technologies de l'environnement, 55(4), 2553-2563.
4. Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y.,… et Du, Z. (2023). Une méthode de réduction d'échelle de la température de surface terrestre à haute résolution basée sur une régression de réseau neuronal pondérée géographiquement. télédétection, 15(7), 1740.
5. Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X. et Qiu, C. (2023). Distribution spatio-temporelle quotidienne à haute résolution et évaluation de la concentration de dioxyde d'azote au niveau du sol dans la région de Pékin-Tianjin-Hebei sur la base des données TROPOMI. télédétection, 15(15), 3878.
6. Wang, Z., Wang, Y., Wu, S. et Du, Z. (2022). Modèle d'évaluation des prix des logements basé sur une régression pondérée par un réseau neuronal géographique : étude de cas de Shenzhen, Chine. ISPRS Revue internationale de géo-information, 11(8), 450.
7. Wu, S., Du, Z., Wang, Y., Lin, T., Zhang, F., et Liu, R. (2020). Modélisation de processus non stationnaires spatialement anisotropes dans les environnements côtiers basée sur une régression pondérée par un réseau neuronal géographique directionnel. Science de l'environnement total, 709, 136097.
8. Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y. et Du, Z. (2024). Améliorer la cartographie de la prospectivité minérale grâce à l'intelligence artificielle géospatiale : une approche de régression logistique pondérée par un réseau neuronal géographique. Revue internationale d'observation appliquée de la Terre et de géoinformation, 128, 103746.
9. Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B. et Du, Z. (2024). Un modèle de réseau neuronal pour optimiser la mesure de la proximité spatiale dans une approche de régression pondérée géographiquement : une étude de cas sur le prix de l'immobilier à Wuhan. Revue internationale des sciences de l'information géographique, 1–21.

5. Groupe

Dirigeants

	Zhenhong DuPh.DProfesseur/Directeur de thèseFonds national des sciences pour les jeunes chercheurs distinguésDoyen de l'École des sciences de la TerreUniversité du Zhejiang
	Sensen WuPh.DProfesseur/Directeur de thèseUniversité du Zhejiang

Membres

• Jin Qi, chercheur postdoctoral, Université du Zhejiang
• Jiale Ding, doctorant, Université du Zhejiang
• Yi Liu, étudiant de premier cycle, Université du Zhejiang
• Ziyu Yin, étudiant de premier cycle, Université du Zhejiang

6. Licence

Licence GPLv3

Citations:

Du, Z., Wang, Z., Wu, S., Zhang, F. et Liu, R. (2020). Régression pondérée par réseau neuronal géographique pour l'estimation précise de la non-stationnarité spatiale. Revue internationale des sciences de l'information géographique, 34(7), 1353-1377.

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F. et Liu, R. (2021). Régression pondérée géographiquement et temporellement par réseau neuronal pour la modélisation de relations spatio-temporelles non stationnaires. Revue internationale des sciences de l'information géographique, 35(3), 582-608.

Yin, Z., Ding, J., Liu, Y., Wang, R., Wang, Y., Chen, Y., Qi, J., Wu, S., et Du, Z. (2024). GNNWR : un package open source de méthodes de régression intelligente spatio-temporelle pour la modélisation de la non-stationnarité spatiale et temporelle. Développement de modèles géoscientifiques, 17 (22), 8455–8468.