论文部分内容阅读
时空回归分析方法在地理大数据时代愈发受到关注。发展高精度时空回归分析模型,对于揭示地理环境或现象的时空分布及发生发展规律具有重大的理论与实践意义。时空邻近性的统一表达是时空非平稳性精确解算的核心内容之一,也是时空回归分析模型重要输入。虽然空间维度与时间维度纳入到地理分析与建模的重要性已经得到公认,然而现有时空邻近性表达多关注于细化空间内任意两点的邻近关系测算,往往局限于样本数据集建立的有限时空邻近性表征范畴,难以满足研究区域内待估计点时空邻近性的“全域时空描述”需要,并忽略了时空内要素的属性对邻近关系的影响,致使时空回归分析方法在建模输入的全域时空邻近性表达方面有所限制。针对以上问题,本文提出了融合地理属性空间的全域时空邻近性表达,建立了全域时空邻近关系立方体,引入具有强大时序图像特征提取能力的三维卷积神经网络与分布式并行训练框架,初步构建了顾及全域时空复杂邻近性的加权神经网络回归方法,并以我国大气环境重要污染物的时空关系建模为例,开展全域时空邻近性模型的方法验证。主要研究内容如下:(1)提出全域时空邻近性表达,将地理属性空间融入时空邻近性表征范畴,实现了空间、时间与地理属性空间三个维度上邻近关系的融合表达;突破样本空间的邻近关系度量限制,构建全域时空邻近关系立方体,实现对全域复杂邻近关系的统一表达。(2)引入三维卷积神经网络与深度学习分布式并行训练框架,设计具有时序特征抽取能力的全域时空复杂邻近性加权神经网络,构建全域时空邻近性的精准表达框架及总体训练框架,推演统计诊断分析方法,全域化改造现有融合神经网络的加权回归模型,初步形成顾及全域时空复杂邻近性的神经网络加权回归方法。(3)给出了全域时空邻近性表达在样本与全域空间尺度下的定义,构建全域空间加权神经网络回归模型与全域空间加权卷积神经网络回归模型。以中国区域大气环境污染物的空间非平稳性建模为例,证明了全域时空邻近性表达可以更精确揭示地理要素间空间邻近关系,还能有效提升模型对空间非平稳关系的拟合效果与泛化能力。(4)给出了全域时空邻近性表达在样本与全域时空尺度下的定义,构建时空加权卷积神经网络回归模型、全域时空加权神经网络回归模型与全域时空加权卷积神经网络回归模型。以京津冀区域大气环境污染物的时空非平稳性建模为例,证明了全域时空邻近性表达可以更精确揭示地理要素间时空邻近关系,着重论证了全域时空邻近性模型对复杂时空邻近关系的拟合效果与预测能力,提升对时空非平稳性的探测。本文研究成果有望实现时空邻近性表达的理论创新,进而构建新的时空回归分析模型方法,从而有效提升时空非平稳性关系探测精度与应用水平。