dqy

地理空间人工智能(geoAI)的新兴趋势:环境流行病学的潜在应用

  • dqy 
抽象 地理空间人工智能(geoAI)是一门新兴的科学学科,它结合了空间科学的创新,机器学习(例如,深度学习)中的人工智能方法,数据挖掘和高性能计算,以从空间大数据中提取知识。在环境流行病学中,暴露建模是进行暴露评估以确定研究人群中暴露分布的常用方法。geoAI技术为环境流行病学中的暴露建模提供了重要的优势,包括能够以各种格式整合大量的大空间和时间数据; 计算效率; 算法和工作流程的灵活性,以适应空间(环境)过程的相关特征,包括空间非平稳性; 和可扩展性,以模拟不同地理区域的其他环境暴露。本评论的目的是概述围绕GEOAI不断发展和跨学科领域的关键概念,包括空间数据科学,机器学习,深度学习和数据挖掘; 最近geoAI在研究中的应用; 以及环境流行病学中geoAI的潜在未来发展方向。 关键词 地理空间人工智能 geoAI 空间数据科学 机器学习 深度学习 数据挖掘 遥感 环境流行病学 曝光建模 背景 空间科学,也称为地理信息科学,在许多科学学科中发挥着重要作用,因为它试图根据它们的位置来理解,分析和可视化现实世界现象。空间科学家将地理信息系统(GIS)和遥感等技术应用于空间(例如,地理参考)数据以实现这些目标 – 识别和理解空间模式。与当前大数据时代相关的是空间大数据的实时生成,从Twitter上的地理标记社交媒体帖子到收集气象信息的环境传感器无处不在[ 1]]。有人提出,至少有80%的数据属于地理性质,因为我们周围的大多数信息都可以进行地理参考[ 1 ]。通过这种方法,每天产生的2.5艾字节(2,500,000,000千兆字节)的大数据中有80%是地理的[ 2… Read More »地理空间人工智能(geoAI)的新兴趋势:环境流行病学的潜在应用

利用大地理社会数据进行疏散分析

  • dqy 
转载自:http://gis.cas.sc.edu/gibd/social-media-and-evacuation/ 飓风是美国最常见的自然灾害之一。为了减少死亡人数和经济损失,沿海各州和各县采取保护措施,包括避难和远离海岸撤离。 该项目与  危害和脆弱性研究所(HVRI)合作,利用数十亿个地理标记推文作为疏散分析的新数据源(与传统调查数据相比)。具体而言,我们关注灾害事件(飓风)引发的疏散的不同方面,包括疏散合规,疏散目的地,疏散时间和疏散决策因素。由GIBD开发的大地理社交数据计算框架支持,我们分析数十亿个地理标记的推文,以揭示推特用户的位置,运动,活动空间,社交网络和情绪在疏散背景下的集体和个体时空模式。以下是该项目中几项选定研究的一些发现。 疏散率和目的地 飓风马修是2005年卡特里娜飓风以来最致命的大西洋风暴,于2016年10月初在海地,古巴,巴哈马和美国的部分地区造成严重破坏。这一特殊威胁引发了美国历史上最大规模的撤离之一。引发了大规模的社交媒体反应。我们开发了一种新方法来分析数以百万计的地理定位推文,以评估南卡罗来纳州的疏散响应,这导致了一种有效且几乎实时的测量疏散合规性的方法。 下图说明了对1384名本地Twitter用户的疏散命令的响应:(a)在疏散前期间(10 / 02-10 / 04)的本地用户位置。(b)撤离后期间的当地用户地点(10/07下午6点至10月10日上午10点)。蓝点表示移动到风险区域以外的用户(八个沿海县),红点是未撤离的用户。结果显示,54.0%(1384名中的747名)当地使用者在整个研究区域撤离,这与先前研究的结果一致。欲了解更多信息,请参阅Martin Y.,Li Z. ,  Cutter S.(2017)   利用Twitter来衡量疏散合规性:飓风马修,  PloS ONE的时空分析。 飓风伊尔玛是2017年大西洋飓风季的第一次5级飓风(https://en.wikipedia.org/wiki/Hurricane_Irma)。下图显示了Hurricane Irma的疏散分析。2017年9月2日至04日疏散前,左侧地图显示超过9000名本地Twitter用户。右图显示了2017年9月9日至11日疏散期间这些推特的位置。(请注意,分析基于Twitter数据集覆盖连续的美国,因此不考虑前往其他国家的用户)。 分析和地图由Martin Y.和Li Z. 活动空间和疏散 人们从其家乡撤离的能力在很大程度上依赖于流动性,这也限制了一个人的长期活动空间。Twitter用户的地理标记推文是记录其历史旅行记录的一种方式。 我们测试了使用飓风马修作为研究案例的疏散组和非疏散组之间的Twitter数据反映的长期估计活动空间是否不同。我们发现,疏散人员的长期活动空间比非疏散人员长。下图显示了比较疏散和非疏散Twitter用户的活动空间。 社交网络和疏散 当地邻居,朋友或亲属对是否疏散的影响会影响个人的疏散决定,如飓风弗洛伊德(Dow and… Read More »利用大地理社会数据进行疏散分析

GeoAI入门,这些空间分析请先走一波

  • dqy 
 人工智能(AI)无疑是最近技术圈的潮流风向,从机器翻译、语音识别、图像识别……各种新的应用层出不穷。与众多新技术一样,平台厂商率先在基础算法和框架发力。作为全球空间分析领域的领导者,Esri近期展示了其在地理人工智能GeoAI的阶段成果和发展计划,并且在最新发布的ArcGIS 10.6中集成了微软 CNTK、谷歌TensorFlow等深度学习框架。     目前,ArcGIS地理平台时刻在为遍布全球的用户和开发者提供完整的地图可视化和分析平台。其强大的分析能力可以归纳为三大框架:地理处理框架(GP Framework),空间大数据计算框架和机器学习框架。  这里不对三大分析框架展开讨论,重点带大家了解地理人工智能GeoAI入门的第一步:机器学习工具。分类、预测、聚合是机器学习中使用最广泛的方法,ArcGIS已经封装好了一系列工具,下面简单介绍主要的三个工具集,学习的软件推荐大家使用ArcGIS Pro,可以方便地调用三大分析框架,并实现分析模式探索,训练样本生成,样本导出到TensorFlow或者CNTK框架构建的模型进行训练,再把优化后的模型导回到ArcGIS Pro,最终实现对空间和表格数据的分析和可视化。 分类是基于训练数据集判断目标对象应该归为哪一类的过程,ArcGIS提供了多种分类方法,主要面向遥感影像数据,通过分析像素值和配置信息后对像素进行分类。此前Esri发布过的土地利用类型自动提取和森林砍伐的损失面积评估的机器学习案例就属于这一类。工具包括:最大似然(Maximum Likelihood Classification)、随机森林(Random Trees),支持向量机(Support Vector Machine)。     聚合是基于属性值或位置的相似性对目标对象进行分组,ArcGIS提供了基于位置、属性(单一、多元)和位置+属性结合的多种聚合算法,可以用来根据社会经济和人口分布做学区覆盖分析或在自然灾害发生后根据社交媒体活跃度分析人口聚集区域。工具包括:空间约束多元聚合(Spatially Constrained Multivariate Clustering),多元聚合(Multivariate Clustering),Density-based集群(Density-based Clustering),图像分割(Image Segmentation),热点分析(Hot Spot Analysis),聚合和异常值分析(Cluster and Outlier Analysis),时空模式挖掘(Space Time… Read More »GeoAI入门,这些空间分析请先走一波