“用户:13433605205”的版本间的差异
13433605205（讨论 | 贡献） |
13433605205（讨论 | 贡献） |
||
| 第2行： | 第2行： | ||
*[[空间显式模型（Spatial Explicit Models）|此词条由城市科学读书会词条梳理志愿者（你的用户ID）翻译审校，未经专家审核，带来阅读不便，请见谅。]] | *[[空间显式模型（Spatial Explicit Models）|此词条由城市科学读书会词条梳理志愿者（你的用户ID）翻译审校，未经专家审核，带来阅读不便，请见谅。]] | ||
==介绍== | ==介绍== | ||
| − | 空间显式模型（Spatial Explicit | + | '''空间显式模型（Spatial Explicit Models）'''是一种用于研究地理空间和地理现象的数学模型。该模型将地理空间划分为离散的单元或单元格，并通过在这些单元之间定义关系和交互来描述地理现象的分布和变化。通过使用空间显式模型，我们可以更好地理解和解释地理现象的空间分布和相互作用，从而对地理空间进行更精确的建模和分析。{{short description|Motion characterized by chaotic changes in pressure and flow velocity}} |
| − | + | 空间显式模型的结构包括两个主要部分：'''人口模拟器'''和'''景观地图'''。人口模拟器是一种计算机程序，用于模拟种群的动态，包括出生、死亡、迁移和繁殖等过程。景观地图描述了研究区域的空间分布，包括栖息地斑块、景观边界、走廊和其他景观特征。这些模型可以用于研究种群或群落如何受到景观结构变化的影响，包括景观组成（景观中不同栖息地类型或特征的相对或绝对数量）和景观形态（栖息地斑块和其他特征在景观中的精确位置）的变化。 | |
| + | |||
| + | 具体来说，如果一个人工智能模型满足以下检验中的一条，则可以称为空间显式模型（Spatial Explicit Models）： | ||
| + | |||
| + | 1）不变性检验。空间显式模型的结果在所研究的对象重新定位迁移的情况下不是不变的。这个特性可以用空间异质性和空间回归模型的思路去理解，即如果一个变量的影响是与空间无关的，那么随机变化对象的位置后，其空间回归模型结果不变；反之则变。 | ||
| + | |||
| + | 2）表征检验。空间显式模型在其实现中包含了所研究现象的空间表征形式（可以采用整合地理坐标、空间关系、地名等形式），比如把深度学习模型的数据输入先用地理编码表征。 | ||
| + | |||
| + | 3）公式化检验：空间显式模型在其概念化和公式化中明确使用了空间概念，例如考虑空间邻域和方向、把空间属性引入深度学习模型的损失函数设计。 | ||
| + | |||
| + | 4）结果检验：空间显式模型的输入和输出包含的空间结构（或形式）不同。例如，一个包含城市地理位置和人口的数据集，如果是让机器仅基于人口数量进行城市排名，因为地理位置不属于分析对象的一部分，所以不是一个空间显式模型。相反，如果要回答人口密度高的城市是否在空间聚集在一起的问题，则需要明确的空间分析视角。 | ||
| + | |||
==研究现状== | ==研究现状== | ||
空间显式模型通常使用空间统计方法和地理信息系统（GIS）技术来分析和建模地理数据。它考虑了地理位置对地理现象的影响，并允许对地理空间中的相邻单元或区域之间的相互作用进行建模。这些模型可以用于研究许多地理现象，如人口分布、自然资源分布、环境污染、城市规划等。它们提供了一种理解地理现象的方法，并可以用于预测、规划和决策支持等应用领域。 | 空间显式模型通常使用空间统计方法和地理信息系统（GIS）技术来分析和建模地理数据。它考虑了地理位置对地理现象的影响，并允许对地理空间中的相邻单元或区域之间的相互作用进行建模。这些模型可以用于研究许多地理现象，如人口分布、自然资源分布、环境污染、城市规划等。它们提供了一种理解地理现象的方法，并可以用于预测、规划和决策支持等应用领域。 | ||
| 第13行： | 第24行： | ||
==模式类型== | ==模式类型== | ||
===从技术角度=== | ===从技术角度=== | ||
| − | SEM 有多种类型，包括'''连续空间反应扩散偏微分方程'''（Cantrell 和 Cosner 2003）<ref name="Batchelor">Cantrell RS, Cosner C. 2003. Spatial Ecology via Reaction-Diffusion Equations. Chichester: Wiley. p 411.</ref>、'''面片模型'''（Hanski 和 Thomas 1994<ref>Hanski I, Thomas CD. 1994. Metapopulation dynamics and conservation: a spatially explicit model applied to butterflies.Biol Conserv 68:167–80.</ref>；Wu 和 Levin 1997<ref name="测试">Wu J, Levin SA. 1997. A patch-based spatial modeling approach: conceptual framework and simulation scheme. Ecol Model 101:325–46.</ref>）、''' | + | SEM 有多种类型，包括'''[[连续空间反应扩散偏微分方程]]'''（Cantrell 和 Cosner 2003）<ref name="Batchelor">Cantrell RS, Cosner C. 2003. Spatial Ecology via Reaction-Diffusion Equations. Chichester: Wiley. p 411.</ref>、'''[[面片模型]]'''（Hanski 和 Thomas 1994<ref>Hanski I, Thomas CD. 1994. Metapopulation dynamics and conservation: a spatially explicit model applied to butterflies.Biol Conserv 68:167–80.</ref>；Wu 和 Levin 1997<ref name="测试">Wu J, Levin SA. 1997. A patch-based spatial modeling approach: conceptual framework and simulation scheme. Ecol Model 101:325–46.</ref>）、'''[[元胞自动机 Cellular Automata|元胞自动机]]（CA）'''邻域模型（ 霍格维格 1988<ref>Hogeweg P. 1988. Cellular automata as a paradigm for ecological modeling. Appl Math Comput 27:81–100.</ref>)，和'''基于个人的邻里模型'''（Pacala 和 Silander 1985<ref>Pacala SW, Silander JA Jr. 1985. Neighborhood models of plant population dynamics. I. Single-species models of annuals. Am Nat 125:385–411.</ref>）。 |
1、连续空间反应扩散偏微分方程：这种类型的模型使用偏微分方程来描述物种在连续空间中的扩散和反应过程。它们通常涉及到物种的扩散、交互和生长等机制。 | 1、连续空间反应扩散偏微分方程：这种类型的模型使用偏微分方程来描述物种在连续空间中的扩散和反应过程。它们通常涉及到物种的扩散、交互和生长等机制。 | ||
| 第52行： | 第63行： | ||
[https://github.com/PredictiveEcology/SpaDES] https://github.com/PredictiveEcology/SpaDES | [https://github.com/PredictiveEcology/SpaDES] https://github.com/PredictiveEcology/SpaDES | ||
==参考文献== | ==参考文献== | ||
| − | + | 参考文献：<references />进一步阅读： | |
| − | |||
| − | |||
| − | [ | + | [1] GAO Song. A Review of Recent Researches and Reflections on Geospatial Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1865-1874. doi: 10.13203/j.whugis20200597 |
| − | [ | + | [2] 王圣音, 高勇, 陆锋, 刘瑜. 场所模型及大数据支持下的场所感知[J]. 武汉大学学报 ( 信息科学版), 2020, 45(12): 1930-1941. doi: 10.13203/j.whugis20200491 |
| − | [ | + | [3] 徐中民; 焦文献. 景观模拟模型: 空间显式的动态方法. 中国, 黄河水利出版社, 2006. |
==留名== | ==留名== | ||
| 第69行： | 第78行： | ||
调整为： | 调整为： | ||
*“此词条暂由彩云小译翻译，（你的账号名称）整理和审校。” | *“此词条暂由彩云小译翻译，（你的账号名称）整理和审校。” | ||
| − | |||
2023年7月25日 (二) 22:58的最新版本
空间显式模型（Spatial Explicit Models）
介绍
空间显式模型（Spatial Explicit Models）是一种用于研究地理空间和地理现象的数学模型。该模型将地理空间划分为离散的单元或单元格，并通过在这些单元之间定义关系和交互来描述地理现象的分布和变化。通过使用空间显式模型，我们可以更好地理解和解释地理现象的空间分布和相互作用，从而对地理空间进行更精确的建模和分析。
空间显式模型的结构包括两个主要部分：人口模拟器和景观地图。人口模拟器是一种计算机程序，用于模拟种群的动态，包括出生、死亡、迁移和繁殖等过程。景观地图描述了研究区域的空间分布，包括栖息地斑块、景观边界、走廊和其他景观特征。这些模型可以用于研究种群或群落如何受到景观结构变化的影响，包括景观组成（景观中不同栖息地类型或特征的相对或绝对数量）和景观形态（栖息地斑块和其他特征在景观中的精确位置）的变化。
具体来说，如果一个人工智能模型满足以下检验中的一条，则可以称为空间显式模型（Spatial Explicit Models）：
1）不变性检验。空间显式模型的结果在所研究的对象重新定位迁移的情况下不是不变的。这个特性可以用空间异质性和空间回归模型的思路去理解，即如果一个变量的影响是与空间无关的，那么随机变化对象的位置后，其空间回归模型结果不变；反之则变。
2）表征检验。空间显式模型在其实现中包含了所研究现象的空间表征形式（可以采用整合地理坐标、空间关系、地名等形式），比如把深度学习模型的数据输入先用地理编码表征。
3）公式化检验：空间显式模型在其概念化和公式化中明确使用了空间概念，例如考虑空间邻域和方向、把空间属性引入深度学习模型的损失函数设计。
4）结果检验：空间显式模型的输入和输出包含的空间结构（或形式）不同。例如，一个包含城市地理位置和人口的数据集，如果是让机器仅基于人口数量进行城市排名，因为地理位置不属于分析对象的一部分，所以不是一个空间显式模型。相反，如果要回答人口密度高的城市是否在空间聚集在一起的问题，则需要明确的空间分析视角。
研究现状
空间显式模型通常使用空间统计方法和地理信息系统（GIS）技术来分析和建模地理数据。它考虑了地理位置对地理现象的影响，并允许对地理空间中的相邻单元或区域之间的相互作用进行建模。这些模型可以用于研究许多地理现象，如人口分布、自然资源分布、环境污染、城市规划等。它们提供了一种理解地理现象的方法，并可以用于预测、规划和决策支持等应用领域。
空间显式模型在种群生态学、保护生物学和土地管理方面具有重要的应用价值。这些模型可以用于预测种群的动态，评估不同管理策略的效果，以及指导保护和恢复生物多样性的决策。例如，空间显式模型可以用于评估不同的栖息地管理策略对物种的影响，包括栖息地面积、栖息地质量和栖息地连通性等。
在生态学研究中，空间显式模型已经得到了广泛应用。它们可以帮助生态学家更好地理解生态系统中的空间交互作用和生态过程，并提供更准确的预测和管理建议。空间显式模型是研究种群生态学中与尺度相关的问题的重要工具，特别是研究生境变化在各种空间和时间尺度上对生物的影响。目前，空间显式模型的研究正在不断发展，包括模型的改进、应用范围的扩大和新技术的应用等。
模式类型
从技术角度
SEM 有多种类型，包括连续空间反应扩散偏微分方程（Cantrell 和 Cosner 2003）[1]、面片模型（Hanski 和 Thomas 1994[2]；Wu 和 Levin 1997[3]）、元胞自动机（CA）邻域模型（ 霍格维格 1988[4])，和基于个人的邻里模型（Pacala 和 Silander 1985[5]）。
1、连续空间反应扩散偏微分方程：这种类型的模型使用偏微分方程来描述物种在连续空间中的扩散和反应过程。它们通常涉及到物种的扩散、交互和生长等机制。
2、面片模型：面片模型将空间划分为离散的面片或补丁，并在每个面片上建立方程来描述物种的动态。这种模型通常基于面片之间的交互和移动来模拟物种的扩散和种群变化。
3、元胞自动机邻域模型：元胞自动机模型将空间划分为离散的元胞，并根据局部规则来模拟物种的行为。每个元胞可以表示一个地理位置或个体，并与其相邻的元胞进行交互和状态更新。
4、基于个体的邻里模型：这种模型注重个体的行为和相互作用，在空间中考虑个体的邻里关系。它通常使用统计方法来描述个体间的空间依赖性，并模拟物种的分布和演化过程。
从建模方法
空间显式模型根据建模方法进行分类，以下是一些常见的空间显式模型分类：
1、空间回归模型：空间回归模型考虑了地理空间中的相互作用，并通过将空间权重引入传统回归模型来建模。常见的空间回归模型包括地理加权回归模型（Geographically Weighted Regression, GWR）和空间滞后模型（Spatial Lag Model）。
2、空间自回归模型：空间自回归模型基于空间自相关性的概念，即一个地理单元的观测值与其相邻单元的观测值之间存在相关性。常见的空间自回归模型包括地理自回归模型（Spatial Autoregressive Model, SAR）和地理自回归滑动平均模型（Spatial Autoregressive Moving Average Model, SARMA）。
3、空间插值模型：空间插值模型用于预测或估算未观测地理位置的现象值。常见的空间插值方法包括克里金插值（Kriging）、反距离权重插值（Inverse Distance Weighting, IDW）和径向基函数插值（Radial Basis Function Interpolation）。
4、空间群聚模型：空间群聚模型用于检测和描述地理空间中的群聚现象。它们通过统计分析方法来识别具有相似性或相关性的地理区域。常见的空间群聚模型包括Moran's I指数、Getis-Ord Gi*指数等。
5、空间交互模型：空间交互模型用于描述地理空间中的相互作用和影响关系。它们可以用来研究空间扩散、地理现象之间的空间依赖关系等。常见的空间交互模型包括Gravity模型和随机网络模型。
这些分类仅涵盖了一部分常见的空间显式模型类型，实际上还有其他模型和方法可用于不同的地理问题和应用领域。选择适当的模型取决于研究目的、数据特征和建模需求。
模式特性
1、考虑地理位置和相邻关系：SEM明确考虑地理空间中不同位置之间的关系，通过地理坐标系统将地理空间划分为离散的单位或单元，并将这些单位与特定的地理位置相关联。它们基于位置信息和相邻关系来描述和模拟地理现象和过程，有助于更高地理解地理现象的传播、扩散和影响范围。
2、处理空间关联性和依赖性：SEM能够捕捉地理空间中不同区域之间的关联性和依赖性。它们通过考虑相邻区域之间的交互作用，将空间维度纳入模型中。这使得SEM能够更好地解释地理现象的空间变异性和空间关联性。
3、考虑地理异质性：地理空间中的区域通常具有不同的特征和属性。SEM可以考虑这种地理异质性，并根据不同区域的特点进行建模和分析。这样可以提高模型的准确性和适用性，更好地描述地理现象在不同区域的差异和变化。
4、利用地理数据源：SEM利用地理信息系统（GIS）和其他空间数据源，结合统计学和机器学习等方法进行分析和建模。它们可以利用地理数据中的位置信息和属性信息，提高模型的空间解释能力，并得出更准确的结论。
5、支持决策制定和规划：SEM可以应用于地理空间规划和决策支持系统。通过提供准确的空间分析结果和模拟预测，它们可以帮助决策者理解和评估不同方案对地理空间的影响，并支持决策制定者做出明智的决策。它可以优化资源分配、评估环境风险、规划城市发展等。
相关模型代码参考
[1] https://github.com/PredictiveEcology/SpaDES
参考文献
参考文献：
- ↑ Cantrell RS, Cosner C. 2003. Spatial Ecology via Reaction-Diffusion Equations. Chichester: Wiley. p 411.
- ↑ Hanski I, Thomas CD. 1994. Metapopulation dynamics and conservation: a spatially explicit model applied to butterflies.Biol Conserv 68:167–80.
- ↑ Wu J, Levin SA. 1997. A patch-based spatial modeling approach: conceptual framework and simulation scheme. Ecol Model 101:325–46.
- ↑ Hogeweg P. 1988. Cellular automata as a paradigm for ecological modeling. Appl Math Comput 27:81–100.
- ↑ Pacala SW, Silander JA Jr. 1985. Neighborhood models of plant population dynamics. I. Single-species models of annuals. Am Nat 125:385–411.
进一步阅读：
[1] GAO Song. A Review of Recent Researches and Reflections on Geospatial Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1865-1874. doi: 10.13203/j.whugis20200597
[2] 王圣音, 高勇, 陆锋, 刘瑜. 场所模型及大数据支持下的场所感知[J]. 武汉大学学报 ( 信息科学版), 2020, 45(12): 1930-1941. doi: 10.13203/j.whugis20200491
[3] 徐中民; 焦文献. 景观模拟模型: 空间显式的动态方法. 中国, 黄河水利出版社, 2006.
留名
翻译完成词条一定不要忘记留下自己的姓名哦！方便后台记录大家的进度。
需要将词条抬头信息：
- ”此词条暂由彩云小译翻译，未经人工整理和审校，带来阅读不便，请见谅。”
调整为：
- “此词条暂由彩云小译翻译，（你的账号名称）整理和审校。”