کاربرد یادگیری ماشین در تحلیل داده های فضایی

ویژگی های داده های صریح فضایی اغلب در یادگیری ماشین برای حوزه های کاربردی فضایی نادیده گرفته می شوند یا به طور ناکافی به کار گرفته می شوند. در عین حال، منابعی که می توانند این ویژگی ها را شناسایی کرده و تاثیر و روش های مدیریت آن ها را در برنامه های یادگیری ماشین بررسی کنند، عقب مانده اند. در این بررسی از ادبیات، ما به دنبال شناسایی و بحث درباره ویژگی های فضایی داده ها هستیم که بر عملکرد یادگیری ماشین تاثیر می گذارند. ما برخی از بهترین شیوه ها را در مدیریت چنین ویژگی هایی در حوزه های فضایی را بررسی می کنیم و مزایا و معایب آنها را مورد بحث قرار می دهیم. ما دو بخش گسترده را در این پژوهش مورد مطالعه قرار می دهیم. در مورد اول، ویژگی های داده های مکانی در ماتریس مشاهدات فضایی بدون اصلاح ماده الگوریتم یادگیری توسعه می یابد. از سوی دیگر، ویژگی های داده های مکانی در خود الگوریتم یادگیری مدیریت می شوند. 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.

کلیدواژه ها:

یادگیری ماشین فضایی ، وابستگی فضایی ، ناهمگونی فضایی ، مقیاس ، ماتریس مشاهده فضایی ، الگوریتم یادگیری ، یادگیری عمیق