Hispanopedia Wiki
Articulo de referencia

Red neuronal espacial

Diferencia en los precios de las viviendas previstos dentro de los estados de Austria, a partir de un GWR y un GWNN cuyas métricas de ponderación utilizan respectivamente la dis...

Hispanopedia WikiContenido en espanolLectura gratuita
Diferencia en los precios de las viviendas previstos dentro de los estados de Austria, a partir de un GWR y un GWNN cuyas métricas de ponderación utilizan respectivamente la distancia euclidiana (ED) y la distancia del tiempo de viaje (TTD) [ 1 ]

Las redes neuronales espaciales ( SNN ) constituyen una supercategoría de redes neuronales (NN) diseñadas para representar y predecir fenómenos geográficos. Generalmente mejoran tanto la precisión estadística como la fiabilidad de las NN no espaciales/clásicas cuando manejan conjuntos de datos geoespaciales , y también de otros modelos espaciales (estadísticos) (por ejemplo, modelos de regresión espacial) cuando las variables de los conjuntos de datos geoespaciales muestran relaciones no lineales . [ 2 ] [ 3 ] [ 1 ]

Historia

Openshaw (1993) y Hewitson et al. (1994) comenzaron a investigar las aplicaciones de las NN a-espaciales/clásicas a fenómenos geográficos. [ 4 ] [ 5 ] Observaron que las NN a-espaciales/clásicas superan a otros modelos estadísticos a-espaciales/clásicos ampliamente aplicados (p. ej., modelos de regresión, algoritmos de agrupamiento, clasificaciones de máxima verosimilitud) en geografía , especialmente cuando existen relaciones no lineales entre las variables de los conjuntos de datos geoespaciales . [ 4 ] [ 5 ] Posteriormente, Openshaw (1998) también comparó estas NN a-espaciales/clásicas con otros modelos estadísticos a-espaciales modernos y originales de ese momento (es decir, modelos de lógica difusa, modelos de algoritmos genéticos); concluyó que las NN a-espaciales/clásicas son estadísticamente competitivas. [ 6 ] Posteriormente, los científicos desarrollaron varias categorías de SNN – ver más abajo.

Modelos espaciales

Los modelos estadísticos espaciales ( también conocidos como modelos ponderados geográficamente o simplemente modelos espaciales), como las regresiones ponderadas geográficamente (GWR), las redes neuronales de pulsos (SNN), etc., son modelos estadísticos adaptados espacialmente (a-espaciales/clásicos), para aprender y modelar los componentes deterministas de la variabilidad espacial (es decir, dependencia espacial/autocorrelación , heterogeneidad espacial , asociación espacial/correlación cruzada ) a partir de las ubicaciones geográficas de los individuos/unidades (estadísticas) de los conjuntos de datos geoespaciales . [ 7 ] [ 8 ] [ 1 ] [ 9 ]

Categorías

Existen varias categorías de métodos/enfoques para diseñar y aplicar redes neuronales de pulsos (SNN).

  • Las redes neuronales espaciales de talla única (OSFA) utilizan el método/enfoque OSFA para calcular globalmente los pesos espaciales y diseñar una estructura espacial a partir de las redes neuronales clásicas/no espaciales originales. [ 2 ]
  • Las redes neuronales con capacidad de análisis de variabilidad espacial ( SVANN ) utilizan un método/enfoque OSFA mejorado que recalcula localmente los pesos espaciales y rediseña la estructura espacial de las redes neuronales clásicas/no espaciales originales, en cada geolocalización de los valores de los atributos de los individuos/unidades (estadísticas). [ 3 ] Generalmente superan a las redes neuronales espaciales OSFA, pero no manejan de forma consistente la heterogeneidad espacial en múltiples escalas. [ 10 ]
  • Las redes neuronales ponderadas geográficamente ( GWNN ) son similares a las SVANN, pero utilizan el método/enfoque denominado modelo ponderado geográficamente (GWM) de Lu et al. (2023), para recalcular localmente los pesos espaciales y rediseñar la estructura espacial de las redes neuronales clásicas/no espaciales originales. [ 1 ] [ 9 ] Al igual que las SVANN, no manejan de forma consistente la heterogeneidad espacial en múltiples escalas. [ 1 ]

Aplicaciones

Existen aplicaciones de estudios de caso de redes neuronales de pulsos en:

Véase también

Referencias

  1. 1 2 3 4 5 6 Hagenauer J, Helbich M (2022). "Una red neuronal artificial ponderada geográficamente" . Revista Internacional de Ciencias de la Información Geográfica . 36 (2): 215– 235. Bibcode : 2022IJGIS..36..215H . doi : 10.1080/13658816.2021.1871618 . S2CID 233883395 . 
  2. 1 2 Morer I, Cardillo A, Díaz-Guilera A, Prignano L, Lozano S (2020). "Comparación de redes espaciales: un enfoque de eficiencia basado en un solo tamaño". Physical Review . 101 (4) 042301. arXiv : 1807.00565 . Bibcode : 2020PhRvE.101d2301M . doi : 10.1103/PhysRevE.101.042301 . hdl : 2445/161417 . PMID 32422764 . S2CID 49564277 .  
  3. 1 2 Gupta J, Molnar C, Xie Y, Knight J, Shekhar S (2021). "Redes neuronales profundas conscientes de la variabilidad espacial (SVANN): un enfoque general". ACM Transactions on Intelligent Systems and Technology . 12 (6): 1– 21. doi : 10.1145/3466688 . S2CID 244786699 . 
  4. 1 2 Openshaw S (1993). "Modelado de la interacción espacial mediante una red neuronal". En Fischer M, Nijkamp P (eds.). Sistemas de información geográfica, modelado espacial y evaluación de políticas . Berlín: Springer. pp. 147–164 . doi : 10.1007/978-3-642-77500-0_10 . ISBN  978-3-642-77500-0.
  5. 1 2 Hewitson B, Crane R (1994). Redes neuronales: aplicaciones en geografía . The GeoJournal Library. Vol. 29. Berlín: Springer. p. 196. doi : 10.1007/978-94-011-1122-5 . ISBN   978-94-011-1122-5.
  6. ↑ Openshaw S (1998). "Redes neuronales, modelos genéticos y de lógica difusa de interacción espacial". Environment and Planning . 30 (10): 1857– 1872. Bibcode : 1998EnPlA..30.1857O . doi : 10.1068/a301857 . S2CID 14290821 . 
  7. ↑ Anselin L (2017). Un indicador local de asociación espacial multivariada: extendiendo el C de Geary (PDF) (Informe). Centro de Ciencia de Datos Espaciales. pág. 27. 
  8. ↑ Fotheringham S, Sachdeva M (2021). "Modelado de procesos espaciales en geografía humana cuantitativa" . Annals of GIS . 28 : 5–14 . doi : 10.1080/19475683.2021.1903996 . S2CID 233574813 . 
  9. 1 2 Lu B, Hu Y, Yang D, Liu Y, Liao L, Yin Z, Xia T, Dong Z, Harris P, Brunsdon C, Comber A, Dong G (2023). "GWmodelS: Un software para modelos ponderados geográficamente" (PDF) . SoftwareX . 21 101291. Bibcode : 2023SoftX..2101291L . doi : 10.1016/j.softx.2022.101291 .
  10. ↑ Xie Y, Chen W, He E, Jia X, Bao H, Zhou X, Ghosh E, Ravirathinam P (2023). " Aprovechamiento de la heterogeneidad en el espacio con metaaprendizaje guiado estadísticamente" . Knowledge and Information Systems . 65 (6): 2699– 2729. Bibcode : 2023KIS....65.2699X . doi : 10.1007/s10115-023-01847-0 . PMC 9994417. PMID 37035130. S2CID 257436979 .   
  11. ↑ Rif'an M, Daryanto D, Agung A (2019). "Red neuronal espacial para la predicción del consumo de energía del área de Palembang" . Journal of Physics: Conference Series . 1402 (3) 033092. Bibcode : 2019JPhCS1402c3092R . doi : 10.1088/1742-6596/1402/3/033092 . S2CID 237302678 . 
  12. ↑ Podlipnov V, Firsov N, Ivliev N, Mashkov S, Ishkin P, Skidanov R, Nikonorov A (2023). "Clasificación de imágenes hiperespectrales de vegetación mediante redes neuronales espectrales-espaciales". IOP conference series: earth and environmental science . Vol. 1138. doi : 10.1088/1755-1315/1138/1/012040 . 
  13. ↑ Lin R, Ou C, Tseng K, Bowen D, Yung K, Ip W (2021). "El modelo de red neuronal espacial con tecnología disruptiva para la tasación de propiedades en el sector inmobiliario". Technological Forecasting and Social Change . 177 121067. doi : 10.1016/j.techfore.2021.121067 .