Application of machine learning in spatial data analysis

محورهای موضوعی : فصلنامه علمی پژوهشی سنجش از دور راداری و نوری و سیستم اطلاعات جغرافیایی

Mahsa Torki ¹

1 - . Master of Computer Engineering

تاریخ دریافت : 1402/03/27 تاریخ پذیرش : 1404/09/30 تاریخ انتشار : 1404/09/26

کلید واژه: Machine learning, spatial dependence, spatial heterogeneity, scale, deep learning,

چکیده مقاله :

ویژگی‌های داده‌های صریح فضایی اغلب در یادگیری ماشین برای حوزه‌های کاربردی فضایی نادیده گرفته می‌شوند یا به طور ناکافی به کار گرفته می‌شوند. در عین حال، منابعی که می‌توانند این ویژگی‌ها را شناسایی کرده و تأثیر و روش‌های مدیریت آن‌ها را در برنامه‌های یادگیری ماشین بررسی کنند، عقب مانده‌اند. در این بررسی از ادبیات، ما به دنبال شناسایی و بحث درباره ویژگی‌های فضایی داده‌ها هستیم که بر عملکرد یادگیری ماشین تأثیر می‌گذارند. ما برخی از بهترین شیوه‌ها را در مدیریت چنین ویژگی‌هایی در حوزه‌های فضایی را بررسی می‌کنیم و مزایا و معایب آنها را مورد بحث قرار می‌دهیم. ما دو بخش گسترده را در این پژوهش مورد مطالعه قرار می دهیم. در مورد اول، ویژگی‌های داده‌های مکانی در ماتریس مشاهدات فضایی بدون اصلاح ماده الگوریتم یادگیری توسعه می‌یابد. از سوی دیگر، ویژگی‌های داده‌های مکانی در خود الگوریتم یادگیری مدیریت می‌شوند. در حالی که مورد دوم بسیار کمتر مورد بررسی قرار گرفته است، ما استدلال می کنیم که آنها امیدوار کننده ترین چشم انداز را برای آینده یادگیری ماشین فضایی ارائه می دهند.

چکیده انگلیسی:

ویژگی‌های داده‌های صریح فضایی اغلب در یادگیری ماشین برای حوزه‌های کاربردی فضایی نادیده گرفته می‌شوند یا به طور ناکافی به کار گرفته می‌شوند. در عین حال، منابعی که می‌توانند این ویژگی‌ها را شناسایی کرده و تأثیر و روش‌های مدیریت آن‌ها را در برنامه‌های یادگیری ماشین بررسی کنند، عقب مانده‌اند. در این بررسی از ادبیات، ما به دنبال شناسایی و بحث درباره ویژگی‌های فضایی داده‌ها هستیم که بر عملکرد یادگیری ماشین تأثیر می‌گذارند. ما برخی از بهترین شیوه‌ها را در مدیریت چنین ویژگی‌هایی در حوزه‌های فضایی را بررسی می‌کنیم و مزایا و معایب آنها را مورد بحث قرار می‌دهیم. ما دو بخش گسترده را در این پژوهش مورد مطالعه قرار می دهیم. در مورد اول، ویژگی‌های داده‌های مکانی در ماتریس مشاهدات فضایی بدون اصلاح ماده الگوریتم یادگیری توسعه می‌یابد. از سوی دیگر، ویژگی‌های داده‌های مکانی در خود الگوریتم یادگیری مدیریت می‌شوند. در حالی که مورد دوم بسیار کمتر مورد بررسی قرار گرفته است، ما استدلال می کنیم که آنها امیدوار کننده ترین چشم انداز را برای آینده یادگیری ماشین فضایی ارائه می دهند.