具有自回归嵌入的地理数据辅助任务学习

机器学习在处理地理数据的广泛领域中越来越受欢迎，例如生态学或大气科学。这里的数据通常表现出空间效应，这对神经网络来说可能难以学习。在本研究中，我们提出了SXL，一种使用辅助任务将空间数据的自回归性质信息直接嵌入学习过程的方法。我们利用局部莫兰指数（一种流行的局部空间自相关度量）来“推动”模型学习局部空间效应的方向和大小，从而补充主任务的学习。我们进一步将莫兰指数扩展到多分辨率，从而同时捕获长距离和短距离的空间相互作用。新颖的多分辨率莫兰指数可以轻松构建，并且作为多维张量，可以无缝集成到现有的机器学习框架中。通过一系列使用真实数据的实验，我们强调了我们的方法如何在无监督和监督学习任务中持续改进神经网络的训练。在生成式空间建模实验中，我们提出了一种利用任务不确定性权重的辅助任务GAN的新损失函数。我们提出的方法优于特定领域的空间插值基准，突显了其在下游应用中的潜力。本研究弥合了地理信息科学和机器学习之间的专业知识，展示了这种学科整合如何帮助解决特定领域的挑战。我们实验的代码可在GitHub上获取：https://github.com/konstantinklemmer/sxl。