HyperAI초신경
홈뉴스최신 연구 논문튜토리얼데이터셋백과사전SOTALLM 모델GPU 랭킹컨퍼런스
전체 검색
소개
HyperAI초신경

Gnnwr 시공간 지능 회귀(STIR) 모델 데모

온라인에서 이 튜토리얼 실행하기
PyPI - 라이센스

이 튜토리얼은 STIR(Spatio-Temporal Intelligent Regression) 모델의 PyTorch 구현입니다. 사용된 컴퓨팅 리소스는 RTX 4090입니다. "작업 공간"에는 다음과 같은 노트북 자동화 스크립트 데모 예가 포함되어 있습니다.

  • GNNWR: 데모 예시는 "PM2.5 대기 오염"입니다.

영어 버전:데모_gnnwr.ipynb

중국어 버전:데모_gnnwr-cn.ipynb

  • GTNNWR: 시범 사례: "연안 해역의 주요 영양소의 공간적 및 시간적 분포"

영어 버전:데모_gnnwr.ipynb

중국어 버전:데모_gnnwr-cn.ipynb

또한 이 저장소에는 다음이 포함되어 있습니다.

  1. GNNWR, GTNNWR 및 기타 파생 모델에 대한 소스 코드
  2. 모델에 대한 튜토리얼 노트(노트북 자동화 스크립트)
  3. 파이썬 휠 출시

목차

1. 서론

GNNWR(Geographically Neural Network Weighted Regression)은 2020년 저장대학교 GIS 연구실에서 개발한 PyTorch 기반 시공간적 지능형 회귀 모델로, 공간적, 시간적 비정상성 문제를 처리하기 위해 특별히 설계되었습니다. 이 모델은 지리적 근접성과 비정상적 가중치의 비선형적 적합을 신경망의 표현과 구성으로 변환하여 복잡한 지리적 프로세스의 고정밀 모델링을 달성합니다.

시공간적 비정상성은 대부분의 지리적 과정에 내재된 속성이며, 이를 추정하는 것은 시공간적 비정상 관계를 모델링하는 데 있어 핵심적인 문제입니다. 연구팀은 공간과 시간 사이의 비정상적 관계를 특성화하기 위해 지리적 근접성의 표현과 비정상적 가중치의 비선형적 적합을 신경망의 표현과 구성으로 변환하고, 지리적 신경망 가중 회귀(GNNWR)와 지리적 시간 신경망 가중 회귀(GTNNWR)를 포함한 일련의 시공간적 지능 회귀(STIR) 모델을 수립했습니다.

이 모델의 성능은 지리적 가중 회귀(GWR) 및 지리적 시간 가중 회귀(GTWR)와 같은 기존의 시공간 회귀 방법뿐 아니라 신경망 및 랜덤 포레스트와 같은 머신 러닝 방법보다 훨씬 뛰어납니다. STIR모형은 생태환경 모델링, 대기오염물질 추정, 도시주택가격 연구 등 다양한 분야에 적용되어 왔습니다. 관련 연구 결과는 "국제지리정보과학저널", "환경과학기술", "환경오염", "통합환경과학", "국제응용지구관측및지리정보저널" 등의 학술지에 게재되었습니다.

2. 모델

2.1 GNNWR

GNWR(지리 신경망 가중 회귀)는 다양한 복잡한 지리적 과정 분야에서 공간적 비정상성을 처리하는 데 사용되는 모델입니다. 본 논문에서는 비정상 가중치 행렬을 표현하고 가중 최소 제곱법을 통해 이러한 가중치를 지역적으로 추정하기 위해 공간 가중 신경망(SWNN)을 제안합니다. GNNWR은 우수한 적합 능력으로 인해 잘 구성된 비정상적 가중치 행렬을 가지고 있어 환경 및 도시 연구에서 복잡한 지리적 과정을 보다 잘 설명할 수 있습니다.

GNWR

Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). 공간적 비정상성을 정확하게 추정하기 위한 지리적 신경망 가중 회귀 분석. 국제 지리정보과학 저널, 34(7), 1353-1377.

데모 예시 - PM2.5 대기 오염

영어 버전:데모_gnnwr.ipynb

중국어 버전:데모_gnnwr-cn.ipynb

2.2 GTNNWR

GTNNWR(지리적 및 시간적 신경망을 이용한 가중 회귀)는 공간과 시간에서 비정상적 관계를 추정하기 위한 모델입니다. 시공간적 비정상성이 존재하기 때문에 시공간적 구조가 변화함에 따라 요소의 공간적 관계가 뚜렷한 차이를 보입니다. 시공간 거리의 계산은 시공간 비정상 문제를 해결하는 데 중요한 측면입니다. 따라서 본 모델은 GNNWR 모델에 시공간적 거리를 도입하고, 시공간적 거리를 정확하게 계산하기 위한 시공간 근접 신경망(STPNN)을 제안하며, GNNWR 모델에서 SWNN과 협력하여 시공간적 비정상 가중치 행렬을 계산함으로써 시공간적 비정상 관계의 정확한 모델링을 달성한다.

GTNNWR

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F., & Liu, R. (2021). 시공간적 비정상 관계를 모델링하기 위한 지리적, 시간적 신경망 가중 회귀 분석입니다. 국제 지리정보과학 저널 , 35(3), 582-608.

시범 사례 - 연안 해역의 주요 영양소의 시공간적 분포

영어 버전:데모_gnnwr.ipynb

중국어 버전:데모_gnnwr-cn.ipynb

3. 기타 연구 사례

3.1 대기 환경

3.1.1 PM2.5 대기 오염

최근 몇 년 동안 중국에서는 대기 오염, 특히 PM2.5 측정이 뜨거운 연구 주제가 되고 있습니다. 중국의 복잡한 지형과 광대한 지리적 영역으로 인해, 분산된 PM2.5 관측소 데이터를 사용하여 중국의 PM2.5 농도 분포를 추정하고 매핑하는 것은 심각한 공간적 비정상성과 복잡한 비선형 문제에 직면하여 고정밀 및 고정밀 분포 추정을 달성하기 어렵습니다. GNNWR 모델은 에어로졸 광학 깊이(AOD), 디지털 표고 모델(DEM) 및 일부 기후 요인을 결합하여 중국 전역의 공간적으로 연속적인 PM2.5 농도 추정치를 얻을 수 있습니다. GNNWR 모델의 PM2.5 추정 결과는 기존 회귀 모형의 결과와 비교했을 때 지상 관측치에 더 가깝고, 정확도가 더 높고 가치가 높은 영역에서 세부 정보가 더 풍부합니다.

PM25

Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R., & Du, Z. (2021). 고해상도 지상 수준 pm2의 위성 기반 매핑 5. 중국에서 VIIRS IP AOD를 공간 신경망 가중 회귀 분석을 통해 비교함. 원격 감지, 13(10), 1979.

👉 Deep-time.org에서 GNNWR을 이용한 PM2.5 모델링

3.1.2 NO2 대기 오염

본 연구에서는 TROPOMI 원격탐사 자료, 지상관측 자료 및 기타 보조 자료를 활용하여 GTNNWR 모델을 기반으로 베이징-톈진-허베이 지역의 지상 NO2 농도에 대한 고해상도 시공간 분포 특성을 구축하고 평가하였다. 결과에 따르면 GTNNWR 모델은 성능 지표 측면에서 랜덤 포레스트(RF) 및 합성곱 신경망(CNN) 모델보다 성능이 뛰어나고 시공간적 비정상성을 고려할 때 더 높은 신뢰도를 보입니다. 본 연구는 베이징-톈진-허베이 지역의 대기 환경 관리 및 오염 방지를 위한 중요한 데이터 지원과 참고 자료를 제공합니다.

이산화질소(NO2)

Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X., & Qiu, C. (2023). TROPOMI 데이터를 기반으로 한 베이징-톈진-허베이 지역의 고해상도 일일 시공간 분포 및 지표면 질소 이산화물 농도 평가. 원격 감지, 15(15), 3878.

3.2 연안 지역 및 해양 환경

3.2.1 수질

대규모이고 복잡한 연안 해역을 정확하게 평가하는 것은 원격 감지 데이터와 현장 데이터를 통합하는 데 따른 공간적 비정상성과 복잡한 비선형성으로 인해 엄청난 과제입니다. 이러한 과제를 해결하기 위해, 우리는 새롭게 제안된 GNNWR 모델을 기반으로 수질 평가 방법을 개발하고, 중국의 수질 분류 기준의 종합 지표를 기반으로 고정밀이고 현실적인 수질 분포를 얻었습니다. GNNWR 모델은 널리 사용되는 모델에 비해 예측 성능이 더 높습니다(평균 R² = 84%). 또한 2015년 5월~2017년과 2015년 8월에 얻은 수질 분류(WQC) 지도는 오염이 없는 구역의 수질의 시공간적 패턴을 직관적이고 합리적으로 묘사할 수 있습니다.

수질

Du, Z., Qi, J., Wu, S., Zhang, F., & Liu, R. (2021). 대규모 해안 지역을 위한 공간 가중 신경망 기반 수질 평가 방법. 환경 과학 및 기술, 55(4), 2553-2563.

3.2.2 해안 환경

용해된 규산염(DSi)을 육지에서 해안 환경으로 운반하는 것은 전 세계 생지화학적 순환에 매우 중요합니다. 그러나 해안 지역에서 DSi의 분포를 정확히 파악하는 것은 시공간적 변동성, 비선형 모델링, 낮은 샘플링 해상도로 인해 복잡합니다. GTNNWR 모델은 희소 샘플링 지점과 알려지지 않은 지점 간의 시공간적 관계를 시공간적 거리와 가중치로 변환하고 신경망을 사용하여 비선형 거리와 비정상적 가중치를 결정함으로써 적합 정확도와 일반화 능력 면에서 기존 회귀 모델보다 우수한 성능을 발휘합니다. 이러한 효과적인 데이터 기반 접근 방식은 연안 해역의 세부적인 동적 변화(예: 표면 DSi)를 탐색하는 데 도움이 됩니다.

디에스아이

Qi, J., Du, Z., Wu, S., Chen, Y., & Wang, Y. (2023). 연안 해역의 표면 용해 규산염의 미세 분포를 탐색하기 위한 시공간적 가중치를 적용한 지능형 방법입니다. 전체 환경 과학 , 886, 163981.

👉 Deep-time.org에서 GTNNWR을 사용한 DSi 모델링

3.2.3 표층 해수 pCO2

북태평양은 중요한 탄소 흡수원이지만, 규모가 크고 영향이 복잡하기 때문에 시공간적 역학에 대한 연구는 아직 부족합니다. 기존의 머신 러닝 모델은 해석성이 부족하여 기본 메커니즘에 대한 통찰력이 제한됩니다. 이 문제를 해결하기 위해 우리는 표면 pCO2를 정확하게 예측하고 환경 영향을 정량화할 수 있는 그리드형 시공간 신경망 가중 회귀(GSTNNWR) 모델을 도입했습니다.

Liu, Y., Chen, Y., Huang, Z., Liang, H., Qi, J., Wu, S., & Du, Z. (2024). 시공간 가중 신경망은 북태평양의 표면 해수 pCO2 분포와 그 기저에 있는 환경 메커니즘을 밝혀냈습니다. 응용 지구 관측 및 지리 정보 국제 저널, 133, 104120.

3.3 도시

3.3.1 주택 가격

주택 가격은 새로운 도시 거주자들의 삶과 밀접한 관련이 있으며, 정부가 세심한 주의를 기울여야 하는 중요한 경제 지표이기도 합니다. GNNWR 및 GTNNWR 모델은 기존 회귀 모델과 비교하여 신경망의 도움으로 부동산 가치 평가의 정확도를 향상시킬 수 있으며, 주택 가격을 평가하는 실용적이고 효과적인 방법입니다.

GNNWR 모델은 최적화된 공간 근접성 측정 항목을 통합합니다. 최적화된 공간 근접성 측정법은 여러 거리 측정법을 결합하고 공간적 비정상 프로세스를 모델링하는 능력을 향상시킵니다.

오에스피

Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B., & Du, Z. (2024). 지리적 가중 회귀 접근법에서 공간적 근접성 측정을 최적화하기 위한 신경망 모델: 우한의 주택 가격에 대한 사례 연구. 국제 지리정보과학 저널, 1–21.

주의 기반 아키텍처를 사용하여 공간적 비정상성 추정에 맥락적 유사성을 통합함으로써 주택 가격을 복잡한 도시 지역에 더 잘 적용할 수 있습니다.

캣GWR

Wu, S., Ding, J., Wang, R., Wang, Y., Yin, Z., Huang, B., & Du, Z. (2025). 주의 기반 아키텍처를 사용하여 맥락적 유사성을 공간적 비정상성 추정에 통합합니다. 국제 지리정보과학 저널, 1–24

하우스프라이스

Wang, Z., Wang, Y., Wu, S., & Du, Z. (2022). 지리적 신경망 가중 회귀 분석을 기반으로 한 주택 가격 평가 모델: 중국 선전의 사례 연구. ISPRS 국제 지리정보 저널, 11(8), 450.

3.3.2 표면 온도와 야간 조명

공간적 축소는 열 환경 연구를 위해 고해상도 지표면 온도(LST) 데이터를 얻는 중요한 방법입니다. 표면 온도 감소 문제를 효과적으로 해결하기 위해 본 논문에서는 GNNWR을 기반으로 한 고해상도 표면 온도 감소 방법을 제안한다. 실험 결과에 따르면, 제안된 GNNWR 모델은 지형, 지형 및 계절에 큰 차이가 있는 4개의 실험 지역에서 널리 사용되는 방법과 비교하여 더 높은 축소 정확도를 달성했습니다. GNNWR의 높은 정확도와 모델 성능을 감안할 때, 본 연구의 결과는 GNNWR이 표면 온도를 축소하는 실용적인 방법임을 시사합니다.

엘에스티

Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). 지리적 가중 신경망 회귀를 기반으로 한 고해상도 지표면 온도 하향 조정 방법. 원격 감지, 15(7), 1740.

위성 이미지를 사용하여 야간 조명(NTL)을 축소하는 것은 도시 확장과 사회경제 연구에 필수적이지만, 지리적 복잡성과 요인의 불확실성으로 인해 많은 어려움에 직면합니다. 이 문제를 해결하기 위해, 우리는 토지 표면, 사회경제적, 인간 활동 요소를 통합하여 이질적인 도시 지역에서 야간 조명(NTL)의 정확도를 개선하는 다인자 지리 신경망 가중 회귀(MF-GNNWR) 프레임워크를 제안합니다.

Zhang, L., Wu, S., Liang, M., Jing, H., Shi, S., Zhu, Y., … & Du, Z. (2024). 다중 요인 지리적 신경망 가중 회귀를 기반으로 한 도시 야간 조명의 다운스케일링 프레임워크. IEEE 지구과학 및 원격탐사 저널.

3.4 지질학

3.4.1 광물 탐사 잠재력

광물 예측 분야에서 광물 자원을 정확하게 예측하는 것은 현대 사회의 에너지 수요를 충족하는 데 매우 중요합니다. 광물 탐사 매핑을 위한 지리적 신경망 가중 로지스틱 회귀 분석. 이 모델은 공간 패턴, 신경망, 샤플리의 가산적 해석 이론을 결합하여 변수의 이방성과 변수 간의 비선형 관계를 효과적으로 처리함으로써 정확한 예측을 달성하고 복잡한 공간 환경에서의 광화에 대한 설명을 제공합니다.

광물 전망성

Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y., & Du, Z. (2024). 지리공간 인공지능을 활용한 광물 탐사성 매핑 강화: 지리적 신경망 가중 로지스틱 회귀 분석 접근법. 응용 지구 관측 및 지리 정보 국제 저널, 128, 103746.

3.4.2 열 흐름

표면 열 흐름(SHF)은 지구 내부의 역학을 이해하는 데 중요합니다. 청하이-티베트 고원은 전 세계 기후와 지구 역학 연구의 핵심 지역이지만, 관측 자료가 부족하여 포괄적인 SHF 데이터가 부족합니다. 이 문제를 해결하기 위해 우리는 공간적 이질성과 비선형 지구물리학적 상호 작용을 통합하는 향상된 해석성 지리 신경망 가중 회귀 모델(EI-GNNWR)을 개발했습니다. 우리 모델은 고원 전체의 SHF를 정확하게 예측하여 모호 깊이, 산등성이, 지형의 영향을 받아 높은 SHF 값이 남쪽, 북동쪽, 남동쪽에 집중되어 있음을 보여줍니다. 이러한 연구 결과는 해당 지역의 지열 과정과 지각 활동에 대한 이해를 높여줍니다.

SHF

Zhang, Z., Wu, S., Zhang, B., Du, Z., & Xia, Q. (2024). 데이터 기반 방법을 통해 밝혀진 티베트 고원의 표면 열 흐름 분포. 지구물리학 연구 저널: 고체 지구, 129(10), e2023JB028491.

!! 또한, 이러한 시공간적 지능 회귀 모델은 다른 시공간적 모델링 문제와 사회경제적 현상에도 적용될 수 있습니다.

4. 관련 연구 논문

4.1 알고리즘

  1. Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). 공간적 비정상성을 정확하게 추정하기 위한 지리적 신경망 가중 회귀 분석. 국제 지리정보과학 저널, 34(7), 1353-1377.
  2. Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F., & Liu, R. (2021). 시공간적 비정상 관계를 모델링하기 위한 지리적, 시간적 신경망 가중 회귀 분석입니다. 국제 지리정보과학 저널 , 35(3), 582-608.
  3. Dai, Z., Wu, S., Wang, Y., Zhou, H., Zhang, F., Huang, B., & Du, Z. (2022). 지리적 합성 신경망 가중 회귀: 전역 공간 근접 격자를 기반으로 공간적으로 비정상적 관계를 모델링하는 방법. 국제 지리정보과학 저널, 36(11), 2248-2269.

4.2 사례 연구 데모

  1. Chen, Y., Wu, S., Wang, Y., Zhang, F., Liu, R., & Du, Z. (2021). 고해상도 지상 수준 pm2의 위성 기반 매핑 5. 중국에서 VIIRS IP AOD를 공간 신경망 가중 회귀 분석을 통해 비교함. 원격 감지, 13(10), 1979.
  2. Qi, J., Du, Z., Wu, S., Chen, Y., & Wang, Y. (2023). 연안 해역의 표면 용해 규산염의 미세 분포를 탐색하기 위한 시공간적 가중치를 적용한 지능형 방법입니다. 전체 환경 과학 , 886, 163981.
  3. Du, Z., Qi, J., Wu, S., Zhang, F., & Liu, R. (2021). 대규모 해안 지역을 위한 공간 가중 신경망 기반 수질 평가 방법. 환경 과학 및 기술, 55(4), 2553-2563.
  4. Liang, M., Zhang, L., Wu, S., Zhu, Y., Dai, Z., Wang, Y., … & Du, Z. (2023). 지리적 가중 신경망 회귀를 기반으로 한 고해상도 지표면 온도 하향 조정 방법. 원격 감지, 15(7), 1740.
  5. Liu, C., Wu, S., Dai, Z., Wang, Y., Du, Z., Liu, X., & Qiu, C. (2023). TROPOMI 데이터를 기반으로 한 베이징-톈진-허베이 지역의 고해상도 일일 시공간 분포 및 지표면 질소 이산화물 농도 평가. 원격 감지, 15(15), 3878.
  6. Wang, Z., Wang, Y., Wu, S., & Du, Z. (2022). 지리적 신경망 가중 회귀 분석을 기반으로 한 주택 가격 평가 모델: 중국 선전의 사례 연구. ISPRS 국제 지리정보 저널, 11(8), 450.
  7. Wu, S., Du, Z., Wang, Y., Lin, T., Zhang, F., & Liu, R. (2020). 방향성 지리적 신경망 가중 회귀를 기반으로 해안 환경에서 공간적으로 이방성인 비정상 과정을 모델링합니다. 전체 환경 과학, 709, 136097.
  8. Wang, L., Yang, J., Wu, S., Hu, L., Ge, Y., & Du, Z. (2024). 지리공간 인공지능을 활용한 광물 탐사성 매핑 강화: 지리적 신경망 가중 로지스틱 회귀 분석 접근법. 응용 지구 관측 및 지리 정보 국제 저널, 128, 103746.
  9. Ding, J., Cen, W., Wu, S., Chen, Y., Qi, J., Huang, B., & Du, Z. (2024). 지리적 가중 회귀 접근법에서 공간적 근접성 측정을 최적화하기 위한 신경망 모델: 우한의 주택 가격에 대한 사례 연구. 국제 지리정보과학 저널, 1–21.

5. 그룹

리더들

두진홍Zhenhong Du 박사, 교수/박사 학위 지도교수, 저명한 젊은 학자들을 위한 국가 과학 기금, 저장 대학교 지구 과학 학원 학장
센센 우센센 우박사, 교수/박사 지도교수, 저장대학교

회원들

  • 진치, 저장대학교 박사후 연구원
  • Jiale Ding, 박사과정, 저장대학교
  • Yi Liu, 학부생, 절강대학교
  • Ziyu Yin, 학부생, 절강대학교

6. 라이센스

GPLv3 라이센스

인용문:

Du, Z., Wang, Z., Wu, S., Zhang, F., & Liu, R. (2020). 공간적 비정상성을 정확하게 추정하기 위한 지리적 신경망 가중 회귀 분석. 국제 지리정보과학 저널, 34(7), 1353-1377.

Wu, S., Wang, Z., Du, Z., Huang, B., Zhang, F., & Liu, R. (2021). 시공간적 비정상 관계를 모델링하기 위한 지리적, 시간적 신경망 가중 회귀 분석입니다. 국제 지리정보과학 저널, 35(3), 582-608.

Yin, Z., Ding, J., Liu, Y., Wang, R., Wang, Y., Chen, Y., Qi, J., Wu, S., 및 Du, Z. (2024). GNNWR: 공간적, 시간적 비정상성을 모델링하기 위한 시공간적 지능형 회귀 방법의 오픈 소스 패키지입니다. 지구과학 모델 개발, 17(22), 8455–8468.