論文の概要: M-SGWR: Multiscale Similarity and Geographically Weighted Regression

• arxiv url: http://arxiv.org/abs/2601.19888v2
• Date: Fri, 30 Jan 2026 13:46:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 14:22:45.219032
• Title: M-SGWR: Multiscale Similarity and Geographically Weighted Regression
• Title（参考訳）: M-SGWR:マルチスケール類似性と地理的重み付き回帰
• Authors: M. Naser Lessani, Zhenlong Li, Manzhu Yu, Helen Greatrex, Chan Shen,
• Abstract要約: M-SGWRは2次元の空間的相互作用を特徴付けている。 M-SGWRは、GWR、SGWR、MGWRを全ての好適な指標で一貫して上回っていることを示す。
• 参考スコア（独自算出の注目度）: 0.41942958779358674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The first law of geography is a cornerstone of spatial analysis, emphasizing that nearby and related locations tend to be more similar, however, defining what constitutes "near" and "related" remains challenging, as different phenomena exhibit distinct spatial patterns. Traditional local regression models, such as Geographically Weighted Regression (GWR) and Multiscale GWR (MGWR), quantify spatial relationships solely through geographic proximity. In an era of globalization and digital connectivity, however, geographic proximity alone may be insufficient to capture how locations are interconnected. To address this limitation, we propose a new multiscale local regression framework, termed M-SGWR, which characterizes spatial interaction across two dimensions: geographic proximity and attribute (variable) similarity. For each predictor, geographic and attribute-based weight matrices are constructed separately and then combined using an optimized parameter, alpha, which governs their relative contribution to local model fitting. Analogous to variable-specific bandwidths in MGWR, the optimal alpha varies by predictor, allowing the model to flexibly account for geographic, mixed, or non-spatial (remote similarity) effects. Results from two simulation experiments and one empirical application demonstrate that M-SGWR consistently outperforms GWR, SGWR, and MGWR across all goodness-of-fit metrics.
• Abstract（参考訳）: 地理の第一法則は空間分析の基礎であり、近辺と近縁の場所はより類似する傾向があるが、異なる現象が異なる空間パターンを示すため、「近辺」と「関連」を構成するものを定義することは困難である。 GWR(Geographically Weighted Regression)やMGWR(Multiscale GWR)のような従来の局所回帰モデルは、地理的近接のみを通して空間関係を定量化する。 しかし、グローバル化とデジタル接続の時代においては、地理的近接だけでは位置の相互接続を捉えるには不十分である。 この制限に対処するため、我々はM-SGWRと呼ばれる新しいマルチスケール局所回帰フレームワークを提案し、このフレームワークは2次元にわたる空間的相互作用、すなわち地理的近接性と属性(可変)類似性を特徴付ける。 各予測器に対して、地理的および属性に基づく重み行列は別々に構成され、その後、最適化されたパラメータ、αを用いて結合される。 MGWRの変数固有の帯域幅と類似して、最適アルファは予測器によって異なるため、モデルが地理的、混合的、あるいは非空間的(遠隔的類似性)な効果を柔軟に説明できる。 2つのシミュレーション実験と1つの経験的応用の結果、M-SGWRはGWR、SGWR、MGWRを全ての好適な指標で一貫して上回っていることが示された。

関連論文リスト

• SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning [9.880571400081669]
  Geographic Gradient Fusion (SGFusion) は、Federated Learning (FL) におけるモバイルユーザの地理情報を活用するための新しいトレーニングアルゴリズムである。 SGFusionは、モバイルデバイスが収集したデータを地理的ゾーンにマッピングし、ゾーン毎にひとつのFLモデルをトレーニングする。
  論文  参考訳（メタデータ） (2025-10-27T15:56:19Z)
• Population synthesis with geographic coordinates [1.6419687521433917]
  粗い地理的領域ではなく、明確な座標で合成集団を生成することがますます重要である。 空間座標をより規則的な潜在空間にマッピングする集団合成アルゴリズムを提案する。 実家と同じ統計特性を持つ合成住宅を121データセットで生成し,その有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-08T13:36:13Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
  地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。 地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。 我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:44:54Z)
• An Ensemble Framework for Explainable Geospatial Machine Learning Models [16.010404125829876]
  GeoShapleyメソッドは、機械学習(ML)とShapley値を統合し、地理的特徴の寄与を説明する。 ここでは,このギャップを埋めるために,局所空間重み付け方式をXAIとML技術と組み合わせるためのアンサンブルフレームワークを提案する。 このフレームワークは地理的回帰と分類の両方で機能し、複雑な空間現象を理解するための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2024-03-05T21:12:10Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。