Nov, 2023

数据驱动的环境研究与实践中的地理空间建模挑战

PDF
TL;DR电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。
electronic datageospatial modellingmachine learningml conceptsgeospatial artificial intelligence
发现论文，激发创造
  • 地理空间机器学习评估挑战

    本文旨在讨论全球或遥感数据下地理空间机器学习模型的评估挑战，以及如何改进评估方法，以确保其准确性和适用性。

    Mar, 2023

  • 面向数据的机器学习在地理遥感数据中的应用

    现代机器学习在地理空间领域取得了巨大的进展，而数据中心学习方法的应用对于提高精度、泛化能力和实际应用产生了积极作用。本文提出了一种自动化数据中心学习方法的定义和精确分类，总结了地理空间领域的相关研究，并将其归类为不同的组别，通过具体的实现例子展示了如何利用数据中心机器学习方法对地理空间数据进行操作。

    Dec, 2023

  • 地球科学中的机器学习：挑战与机遇

    本文介绍了机器学习在地球科学问题中所面临的独特挑战和机遇，强调各种地球科学问题所需的新颖机器学习方法的重要性，并讨论了潜在的方法学发展方向及其在地球科学中的应用。

    Nov, 2017

  • 深度学习在时空大数据上的应用：机遇与挑战展望

    使用 GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

    Oct, 2023

  • 利用领域适应性进行低资源地理空间机器学习

    本研究探讨了现代领域自适应在多种提出的地理空间基准中的应用，揭示了独特的挑战并提出了解决方案，以解决机器学习在遥感中受到有标签数据瓶颈的困扰。

    Jul, 2021

  • 地理信息系统的数据科学

    数据科学与地理信息系统的结合为完整的空间分析平台提供了发展的可能性，采用机器学习和大数据技术使得这些平台能够处理更大规模、越来越复杂的数据，超越了传统方法的局限性。本研究追踪了数据科学和地理信息系统作为研究领域的历史和技术演变，强调了领域之间的关键交叉点，并突出了许多依赖于这种整合的领域。我们通过在葡萄牙特洛伊使用航拍数据的灾害管理领域的案例研究，阐明了从原始数据中提取见解的过程。最后，我们概述了未来在这些领域整合以及所开发应用的研究前景。

    Apr, 2024

  • 城市空气质量分析的机器学习：综述

    通过机器学习模型，本文提供了一份综合的调研报告，涵盖了空气质量分析的各个方面，从数据采集到预处理，并包括污染模式挖掘、空气质量推断和预测等分析任务。同时，给出了对现有方法和应用的系统分类和总结，并提供了一份公开可用的空气质量数据集列表，以便在这个方向上进行研究。最后，我们确定了一些有前景的未来研究方向。这份调研报告可以作为一个宝贵的资源，帮助专业人士找到适合解决自己特定挑战的解决方案，并推动他们在前沿领域的研究。

    Oct, 2023

  • 机器学习应用中空间预测变量选择的重要性 —— 从数据再现到空间预测

    本文证明了在生态数据的空间预测中，除了空间验证之外，空间变量选择也必须考虑，以产生可靠的预测结果。使用 “随机森林” 机器学习算法，作者通过两个案例研究了非空间和空间交叉验证策略，并发现高度自相关的预测变量可能导致过拟合，从而产生错误的空间预测模式。

    Aug, 2019

  • 在 R 中训练和评估空间预测模型的 CAST 工具包

    环境科学中使用机器学习算法进行空间预测是一项关键任务，在这篇研究中，我们介绍了 CAST 包及其核心功能，展示了如何使用 CAST 来支持更可靠的空间预测，并以植物物种丰富度的案例研究为例，演示了建模工作流程的各个步骤。

    Apr, 2024

  • 走向地理分布式机器学习

    该论文介绍了一种名为 GDML 的新型学习问题，旨在解决全球分布式数据的学习问题，提出了一种新的方法进行地理分布式培训，可同时应对法规制约和隐私等问题，并在三个真实数据集上进行了实证评估。

    Mar, 2016