Neural Nets: Applications in Geography

شبکه های عصبی یک استراتژی جدید و جذاب برای تجزیه و تحلیل فضایی ارائه می دهند و کاربرد آنها پتانسیل بسیار زیادی برای علوم جغرافیایی دارد. با این حال، تعداد مطالعاتی که از این تکنیک ها استفاده کرده اند محدود است. این عدم علاقه را می‌توان تا حدی به عدم مواجهه، استفاده از اصطلاحات اصطلاحی گسترده و اغلب گیج‌کننده، و به این درک نادرست نسبت داد که بدون یک مدل آماری اساسی، قدرت توضیحی شبکه عصبی بسیار کم است. شبکه های عصبی: برنامه های کاربردی برای جغرافیا به هر سه موضوع حمله می کند. متن طیف گسترده ای از کاربردهای شبکه عصبی را در جغرافیا به شیوه ای ساده و با حداقل اصطلاحات تخصصی نشان می دهد.
این جلد مقدمه‌ای بر شبکه‌های عصبی ارائه می‌کند که برخی از مفاهیم اساسی را توصیف می‌کند، و همچنین یک رساله ریاضی بیشتر برای کسانی که مایل به جزئیات بیشتر در مورد معماری شبکه عصبی هستند، ارائه می‌کند. با این حال، بخش عمده ای از متن به توصیف برنامه های کاربردی شبکه عصبی در زمینه های گسترده ای مانند تجزیه و تحلیل سرشماری، پیش بینی گسترش ایدز، توصیف کنترل های همدیدی بر بارش برف کوهستانی، بررسی روابط بین گردش جوی و بارش استوایی، و سنجش از دور ابرهای قطبی و ویژگی های یخ دریا
متن شبکه‌های عصبی را نشان می‌دهد که در حالت‌های مشابه با تحلیل رگرسیون چندگانه، تحلیل خوشه‌ای و طبقه‌بندی حداکثر احتمال استفاده می‌شوند. نه تنها شبکه های عصبی برابر یا برتر از این روش های مرسوم تر هستند، به ویژه در مواردی که روابط دارای یک جزء غیرخطی قوی هستند، بلکه نشان داده شده است که دارای قدرت توضیحی قابل توجهی هستند. چندین فصل نشان می دهد که خود شبکه ها می توانند تجزیه شوند تا پیوندهای علّی بین رویدادهای مختلف در محیط فیزیکی و انسانی را روشن کنند.

Neural nets offer a fascinating new strategy for spatial analysis, and their application holds enormous potential for the geographic sciences. However, the number of studies that have utilized these techniques is limited. This lack of interest can be attributed, in part, to lack of exposure, to the use of extensive and often confusing jargon, and to the misapprehension that, without an underlying statistical model, the explanatory power of the neural net is very low. Neural Nets: Applications for Geography attacks all three issues; the text demonstrates a wide variety of neural net applications in geography in a simple manner, with minimal jargon.
The volume presents an introduction to neural nets that describes some of the basic concepts, as well as providing a more mathematical treatise for those wishing further details on neural net architecture. The bulk of the text, however, is devoted to descriptions of neural net applications in such broad-ranging fields as census analysis, predicting the spread of AIDS, describing synoptic controls on mountain snowfall, examining the relationships between atmospheric circulation and tropical rainfall, and the remote sensing of polar cloud and sea ice characteristics.
The text illustrates neural nets employed in modes analogous to multiple regression analysis, cluster analysis, and maximum likelihood classification. Not only are the neural nets shown to be equal or superior to these more conventional methods, particularly where the relationships have a strong nonlinear component, but they are also shown to contain significant explanatory power. Several chapters demonstrate that the nets themselves can be decomposed to illuminate causative linkages between different events in both the physical and human environments.