HyperAI超神経
ホームニュース最新論文チュートリアルデータセット百科事典SOTALLMモデルGPU ランキング学会
検索
サイトについて
HyperAI超神経

Gnnwr 時空間インテリジェント回帰 (STIR) モデルデモ

オンラインでこのチュートリアルを実行
PyPI - ライセンス

このチュートリアルは、Spatio-Temporal Intelligent Regression (STIR) モデルの PyTorch 実装です。使用されるコンピューティング リソースは RTX 4090 です。「ワークスペース」には、次のノートブック自動化スクリプトのデモ例が含まれています。

  • GNNWR: 実証例は「PM2.5大気汚染」

英語版:デモ_gnnwr.ipynb

中国語版:デモ_gnnwr-cn.ipynb

  • GTNNWR: デモンストレーション例:「沿岸水域における主要栄養素の空間的および時間的分布」

英語版:デモ_gnnwr.ipynb

中国語版:デモ_gnnwr-cn.ipynb

さらに、このリポジトリには次のものが含まれます。

  1. GNNWR、GTNNWRおよびその他の派生モデルのソースコード
  2. モデルのチュートリアルノート（ノートブック自動化スクリプト）
  3. Pythonホイールをリリース

目次

1. はじめに

GNNWR (地理ニューラル ネットワーク加重回帰) は、2020 年に浙江大学の GIS 研究所によって開発された PyTorch ベースの時空間インテリジェント回帰モデルであり、特に空間および時間の非定常性の問題に対処するように設計されています。このモデルは、地理的近接性と非定常重みの非線形フィッティングをニューラル ネットワークの表現と構築に変換することで、複雑な地理的プロセスの高精度モデリングを実現します。

時空間の非定常性はほとんどの地理プロセスの固有の特性であり、その推定は時空間の非定常関係をモデル化する上で重要な問題です。空間と時間の非定常関係を特徴付けるために、研究チームは地理的近接性の表現と非定常重みの非線形フィッティングをニューラルネットワークの表現と構築に変換し、地理ニューラルネットワーク加重回帰（GNNWR）と地理時間ニューラルネットワーク加重回帰（GTNNWR）を含む一連の時空間インテリジェント回帰（STIR）モデルを確立しました。

モデルのパフォーマンスは、地理重み付け回帰 (GWR) や地理時間重み付け回帰 (GTWR) などの従来の時空間回帰法や、ニューラル ネットワークやランダム フォレストなどの機械学習法よりも大幅に優れています。 STIR モデルは、生態環境モデリング、大気汚染物質の推定、都市の住宅価格研究などの分野に応用されています。関連の研究成果は、「International Journal of Geographic Information Science」、「Environmental Science and Technology」、「Environmental Pollution」、「Integrated Environmental Science」、「International Journal of Applied Earth Observation and Geographic Information」などのジャーナルに掲載されています。

2. モデル

2.1 天然資源

GNWR(ジオニューラル ネットワーク加重回帰) は、さまざまな複雑な地理プロセス フィールドにおける空間の非定常性を処理するために使用されるモデルです。この論文では、非定常重み行列を表現し、重み付き最小二乗法によってこれらの重みを局所的に推定する空間重み付きニューラル ネットワーク (SWNN) を提案します。 GNNWR は、優れたフィッティング能力により、適切に構造化された非定常重みマトリックスを備えており、環境研究や都市研究における複雑な地理的プロセスをより適切に記述できます。

GNWR

Du, Z.、Wang, Z.、Wu, S.、Zhang, F.、および Liu, R. (2020)。空間非定常性を正確に推定するための地理ニューラル ネットワーク加重回帰。 国際地理情報科学ジャーナル, 34(7), 1353-1377.

実証例 - PM2.5大気汚染

英語版:デモ_gnnwr.ipynb

中国語版:デモ_gnnwr-cn.ipynb

2.2 GTNNWR

GTNNWR(地理および時間的ニューラル ネットワークによる加重回帰) は、空間と時間における非定常な関係を推定するモデルです。時空間非定常性が存在するため、時空間構造が変化すると要素の空間関係に明らかな違いが現れます。時空間距離の計算は、時空間非定常問題を解決する上で重要な側面です。そこで、本モデルは、GNNWRモデルに時空間距離を導入し、時空間距離を正確に計算するための時空間近接ニューラルネットワーク（STPNN）を提案し、GNNWRモデル内のSWNNと連携して時空間非定常重み行列を計算し、時空間非定常関係の正確なモデリングを実現します。

GTNNWR

Wu, S.、Wang, Z.、Du, Z.、Huang, B.、Zhang, F.、および Liu, R. (2021)。時空間非定常関係をモデル化するための、地理的および時間的なニューラル ネットワーク加重回帰。 国際地理情報科学ジャーナル , 35(3), 582-608.

デモンストレーション例 - 沿岸水域における主要栄養素の時空間分布

英語版:デモ_gnnwr.ipynb

中国語版:デモ_gnnwr-cn.ipynb

3. その他の研究事例

3.1 大気環境

3.1.1 PM2.5大気汚染

近年、中国では大気汚染、特にPM2.5の測定が注目の研究テーマとなっている。中国の地形は複雑で、地理的範囲も広いため、散在するPM2.5観測所のデータを使用して中国国内のPM2.5濃度分布を推定しマッピングすると、空間の非定常性と複雑な非線形性の問題が顕著になり、高精度で高精度の分布推定を実現することが困難になります。 GNNWR モデルは、エアロゾル光学的厚さ (AOD)、デジタル標高モデル (DEM)、およびいくつかの気候要因を組み合わせて、中国上空の空間的に連続した PM2.5 濃度推定値を取得できます。従来の回帰モデルの結果と比較すると、GNNWR モデルの PM2.5 推定結果は地上観測に近く、高値領域では精度が高く、詳細度も高くなります。

PM25

Chen, Y.、Wu, S.、Wang, Y.、Zhang, F.、Liu, R.、および Du, Z. (2021)。高解像度の地上レベルpm2の衛星ベースのマッピング。空間ニューラル ネットワーク加重回帰により、中国の VIIRS IP AOD 5 を解析しました。 リモートセンシング, 13(10), 1979.

👉 Deep-time.org の GNNWR による PM2.5 のモデリング

3.1.2 NO2大気汚染

本研究では、TROPOMIリモートセンシングデータ、地上観測データおよびその他の補助データを使用し、GTNNWRモデルに基づいて北京-天津-河北地域の地上NO2濃度の高解像度の時空間分布特性を構築および評価しました。結果は、GTNNWR モデルがパフォーマンス指標の点でランダム フォレスト (RF) モデルや畳み込みニューラル ネットワーク (CNN) モデルよりも優れており、時空間の非定常性を考慮した場合に高い信頼性を示すことを示しています。この研究は、北京・天津・河北地域の大気環境管理と汚染防止のための重要なデータサポートと参考資料を提供します。

NO2

Liu, C.、Wu, S.、Dai, Z.、Wang, Y.、Du, Z.、Liu, X.、および Qiu, C. (2023)。 TROPOMI データに基づく北京・天津・河北省地域の地上レベル二酸化窒素濃度の高解像度日次時空間分布と評価。 リモートセンシング, 15(15), 3878.

3.2 沿岸域と海洋環境

3.2.1 水質

大規模かつ複雑な沿岸水域の正確な評価は、リモートセンシングと現場データの統合に伴う空間の非定常性と複雑な非線形性のために、大きな課題となります。この課題に対処するため、私たちは新たに提案されたGNNWRモデルに基づく水質評価手法を開発し、中国の水質分類基準の総合指標に基づく高精度かつ現実的な水質分布を取得しました。 GNNWR モデルは、広く使用されているモデルと比較して、より高い予測性能 (平均 R² = 84%) を備えており、2015 年 5 月～ 2017 年および 2015 年 8 月に取得された水質分類 (WQC) マップは、ゼロ汚染地域の水質の時空間パターンを直感的かつ合理的に描写できます。

水質

Du, Z.、Qi, J.、Wu, S.、Zhang, F.、Liu, R. (2021)。大規模沿岸地域における空間的に重み付けされたニューラル ネットワーク ベースの水質評価方法。 環境科学技術, 55(4), 2553-2563.

3.2.2 沿岸環境

陸地から沿岸環境への溶解性ケイ酸塩（DSi）の輸送は、地球規模の生物地球化学循環にとって重要です。しかし、沿岸域における DSi の分布を正確に特定することは、時空間変動、非線形モデリング、および低いサンプリング解像度によって複雑になります。 GTNNWR モデルは、スパースなサンプリング ポイントと未知のポイント間の時空間関係を時空間距離と重みに変換し、ニューラル ネットワークを使用して非線形距離と非定常重みを決定することにより、フィッティング精度と一般化能力の両方において従来の回帰モデルを上回ります。この効果的なデータ駆動型アプローチは、沿岸水域（表面 DSi など）における微細スケールの動的変化を調査するのに役立ちます。

DSI

Qi, J.、Du, Z.、Wu, S.、Chen, Y.、および Wang, Y. (2023)。沿岸海域の表面に溶解したケイ酸塩の微細分布を調査するための、時空間的に重み付けされたインテリジェントな方法。 総合環境科学 , 886, 163981.

👉 Deep-time.org の GTNNWR を使用した DSi のモデリング

3.2.3 表層海水pCO2

北太平洋は重要な炭素吸収源ですが、その規模の大きさと複雑な影響のため、その空間的・時間的ダイナミクスは十分に研究されていません。既存の機械学習モデルには解釈可能性が欠けており、基礎となるメカニズムに関する洞察が制限されています。この問題に対処するために、環境への影響を定量化しながら表面 pCO2 を正確に予測できるグリッド化された時空間ニューラル ネットワーク加重回帰 (GSTNNWR) モデルを導入します。

Liu, Y.、Chen, Y.、Huang, Z.、Liang, H.、Qi, J.、Wu, S.、および Du, Z. (2024)。時空間重み付けニューラル ネットワークにより、北太平洋の表層海水 pCO2 分布とその基礎となる環境メカニズムが明らかになりました。 応用地球観測と地理情報に関する国際ジャーナル, 133, 104120.

3.3 都市

3.3.1 住宅価格

住宅価格は都市部の新たな居住者の生活に密接に関係しており、政府が細心の注意を払うべき重要な経済指標でもある。 GNNWR モデルと GTNNWR モデルは、従来の回帰モデルと比較して、ニューラル ネットワークの助けを借りて不動産評価の精度を向上させることができ、住宅価格を評価するための実用的かつ効果的な方法です。

GNNWR モデルは、最適化された空間近接メトリックを統合します。最適化された空間近接メトリックは、複数の距離メトリックを組み合わせ、空間の非定常プロセスをモデル化する能力を向上させます。

OSP

Ding, J.、Cen, W.、Wu, S.、Chen, Y.、Qi, J.、Huang, B.、および Du, Z. (2024)。地理的に重み付けされた回帰アプローチにおける空間的近接性の尺度を最適化するニューラル ネットワーク モデル: 武漢の住宅価格に関するケース スタディ。 国際地理情報科学ジャーナル、1～21。

注意ベースのアーキテクチャを使用して、コンテキストの類似性を空間の非定常性推定に組み込むことで、住宅価格を複雑な都市部により適切に適応させることができます。

キャットGWR

Wu, S.、Ding, J.、Wang, R.、Wang, Y.、Yin, Z.、Huang, B.、および Du, Z. (2025)。注意ベースのアーキテクチャを使用して、コンテキストの類似性を空間非定常性推定に組み込みます。 国際地理情報科学ジャーナル、1～24

住宅価格

Wang, Z.、Wang, Y.、Wu, S.、および Du, Z. (2022)。地理ニューラル ネットワーク加重回帰に基づく住宅価格評価モデル: 中国深圳のケース スタディ。 ISPRS 国際地理情報ジャーナル, 11(8), 450.

3.3.2 表面温度と夜間光

空間ダウンスケーリングは、熱環境研究のための高解像度の地表温度 (LST) データを取得するための重要な方法です。地表温度ダウンスケーリングの問題を効果的に解決するために、本論文では、GNNWR に基づく高解像度地表温度ダウンスケーリング法を提案する。結果は、提案された GNNWR モデルが、地形、地形、季節が大きく異なる 4 つの実験領域で広く使用されている方法と比較して、より高いダウンスケーリング精度を達成することを示しています。 GNNWR の高精度とモデル性能を考慮すると、私たちの結果は、GNNWR が地表温度をダウンスケールするための実用的な方法であることを示唆しています。

LST

Liang, M.、Zhang, L.、Wu, S.、Zhu, Y.、Dai, Z.、Wang, Y., … & Du, Z. (2023)。地理的に重み付けされたニューラル ネットワーク回帰に基づく高解像度の地表温度ダウンスケーリング手法。 リモートセンシング, 15(7), 1740.

衛星画像を使用した夜間照明（NTL）のダウンサイジングは、都市の拡大や社会経済研究にとって重要ですが、地理的な複雑さや要因の不確実性により多くの課題に直面しています。この問題に対処するために、我々は、地表、社会経済、および人間の活動の要因を統合して、異質な都市部における夜間照明 (NTL) の精度を向上させる多因子地理ニューラル ネットワーク加重回帰 (MF-GNNWR) フレームワークを提案します。

Zhang, L.、Wu, S.、Liang, M.、Jing, H.、Shi, S.、Zhu, Y.、… & Du, Z. (2024)。多因子地理ニューラル ネットワーク加重回帰に基づく都市夜間光のダウンスケーリング フレームワーク。 IEEE 地球科学およびリモートセンシングに関するトランザクション。

3.4 地質学

3.4.1 鉱物探査の可能性

鉱物予測の分野では、鉱物資源の正確な予測は現代社会のエネルギー需要を満たすために極めて重要です。鉱物探査マッピングのための地理ニューラル ネットワーク加重ロジスティック回帰。このモデルは、空間パターン、ニューラル ネットワーク、および Shapley の加法解釈理論を組み合わせて、変数の異方性と変数間の非線形関係を効果的に処理し、正確な予測を実現して、複雑な空間環境における鉱化作用を説明します。

鉱物資源の有望性

Wang, L.、Yang, J.、Wu, S.、Hu, L.、Ge, Y.、および Du, Z. (2024)。地理空間人工知能による鉱物探査マッピングの強化: 地理的ニューラル ネットワーク重み付けロジスティック回帰アプローチ。 応用地球観測と地理情報に関する国際ジャーナル, 128, 103746.

3.4.2 熱の流れ

地表熱流 (SHF) は、地球内部のダイナミクスを理解する上で非常に重要です。青海チベット高原は地球の気候と地球力学の研究にとって重要な地域ですが、観測データが乏しいため、包括的な SHF データが不足しています。この問題に対処するために、我々は空間的異質性と非線形地球物理学的相互作用を組み込んだ、拡張解釈可能性地理ニューラル ネットワーク加重回帰モデル (EI-GNNWR) を開発しました。私たちのモデルは高原全体の SHF を正確に予測し、モホ面の深さ、尾根、地形の影響を受けて、高い SHF 値が南部、北東部、南東部に集中していることを明らかにしました。この発見により、この地域の地熱プロセスと地殻活動についての理解が深まります。

SHF

Zhang, Z.、Wu, S.、Zhang, B.、Du, Z.、Xia, Q. (2024)。データ駆動型手法によって明らかにされたチベット高原の表面熱流の分布。 地球物理学研究ジャーナル：固体地球, 129(10), e2023JB028491.

!!さらに、これらの時空間インテリジェント回帰モデルは、他の時空間モデリングの問題や社会経済現象にも適用できます。

4. 関連研究論文

4.1 アルゴリズム

  1. Du, Z.、Wang, Z.、Wu, S.、Zhang, F.、および Liu, R. (2020)。空間非定常性を正確に推定するための地理ニューラル ネットワーク加重回帰。 国際地理情報科学ジャーナル, 34(7), 1353-1377.
  2. Wu, S.、Wang, Z.、Du, Z.、Huang, B.、Zhang, F.、および Liu, R. (2021)。時空間非定常関係をモデル化するための、地理的および時間的なニューラル ネットワーク加重回帰。 国際地理情報科学ジャーナル , 35(3), 582-608.
  3. Dai, Z.、Wu, S.、Wang, Y.、Zhou, H.、Zhang, F.、Huang, B.、および Du, Z. (2022)。地理畳み込みニューラル ネットワークの加重回帰: グローバル空間近接グリッドに基づいて空間的に非定常な関係をモデル化する方法。 国際地理情報科学ジャーナル, 36(11), 2248-2269.

4.2 ケーススタディのデモンストレーション

  1. Chen, Y.、Wu, S.、Wang, Y.、Zhang, F.、Liu, R.、および Du, Z. (2021)。高解像度の地上レベルpm2の衛星ベースのマッピング。空間ニューラル ネットワーク加重回帰により、中国の VIIRS IP AOD 5 を解析しました。 リモートセンシング, 13(10), 1979.
  2. Qi, J.、Du, Z.、Wu, S.、Chen, Y.、および Wang, Y. (2023)。沿岸海域の表面に溶解したケイ酸塩の微細分布を調査するための、時空間的に重み付けされたインテリジェントな方法。 総合環境科学 , 886, 163981.
  3. Du, Z.、Qi, J.、Wu, S.、Zhang, F.、Liu, R. (2021)。大規模沿岸地域における空間的に重み付けされたニューラル ネットワーク ベースの水質評価方法。 環境科学技術, 55(4), 2553-2563.
  4. Liang, M.、Zhang, L.、Wu, S.、Zhu, Y.、Dai, Z.、Wang, Y., … & Du, Z. (2023)。地理的に重み付けされたニューラル ネットワーク回帰に基づく高解像度の地表温度ダウンスケーリング手法。 リモートセンシング, 15(7), 1740.
  5. Liu, C.、Wu, S.、Dai, Z.、Wang, Y.、Du, Z.、Liu, X.、および Qiu, C. (2023)。 TROPOMI データに基づく北京・天津・河北省地域の地上レベル二酸化窒素濃度の高解像度日次時空間分布と評価。 リモートセンシング, 15(15), 3878.
  6. Wang, Z.、Wang, Y.、Wu, S.、および Du, Z. (2022)。地理ニューラル ネットワーク加重回帰に基づく住宅価格評価モデル: 中国深圳のケース スタディ。 ISPRS 国際地理情報ジャーナル, 11(8), 450.
  7. Wu, S., Du, Z., Wang, Y., Lin, T., Zhang, F., & Liu, R. (2020).方向性地理ニューラル ネットワーク加重回帰に基づいて沿岸環境における空間的に異方性の非定常プロセスをモデル化します。 総合環境科学, 709, 136097.
  8. Wang, L.、Yang, J.、Wu, S.、Hu, L.、Ge, Y.、および Du, Z. (2024)。地理空間人工知能による鉱物探査マッピングの強化: 地理的ニューラル ネットワーク重み付けロジスティック回帰アプローチ。 応用地球観測と地理情報に関する国際ジャーナル, 128, 103746.
  9. Ding, J.、Cen, W.、Wu, S.、Chen, Y.、Qi, J.、Huang, B.、および Du, Z. (2024)。地理的に重み付けされた回帰アプローチにおける空間的近接性の尺度を最適化するニューラル ネットワーク モデル: 武漢の住宅価格に関するケース スタディ。 国際地理情報科学ジャーナル、1～21。

5. グループ

リーダーたち

杜振宏杜振宏博士教授/博士課程指導教員国家優秀若手学者基金浙江大学地球科学学院長
センセン・ウー呉 センセン博士 教授/博士課程指導教員 浙江大学

メンバー

  • 浙江大学ポストドクター研究員、金奇
  • Jiale Ding 氏、博士課程学生、浙江大学
  • Yi Liu、学部生、浙江大学
  • Ziyu ying、浙江大学学部生

6. ライセンス

GPLv3ライセンス

引用:

Du, Z.、Wang, Z.、Wu, S.、Zhang, F.、および Liu, R. (2020)。空間非定常性を正確に推定するための地理ニューラル ネットワーク加重回帰。国際地理情報科学ジャーナル、34(7)、1353-1377。

Wu, S.、Wang, Z.、Du, Z.、Huang, B.、Zhang, F.、および Liu, R. (2021)。時空間非定常関係をモデル化するための、地理的および時間的なニューラル ネットワーク加重回帰。国際地理情報科学ジャーナル、35(3)、582-608。

Yin, Z., Ding, J., Liu, Y., Wang, R., Wang, Y., Chen, Y., Qi, J., Wu, S., Du, Z. (2024)。 GNNWR: 空間および時間的非定常性をモデル化するための時空間インテリジェント回帰法のオープンソース パッケージ。地質科学モデル開発、17(22)、8455-8468。