fa شبکه‌های عصبی گرافی: مروری بر کاربردها و رویکردهای نوین در پردازش داده‌های مکانی-زمانی سامانه های اطلاعات مکانی GIS پژوهشي Research <p dir="rtl" style="text-align:justify"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="line-height:2;">ساختار هندسی داده‌ها نقش حیاتی در انتخاب روش‌های تحلیلی برای پردازش و مدل‌سازی آن‌ها ایفا می‌کند. در داده‌های اقلیدسی مانند سیگنال‌های یک‌بعدی و تصاویر دوبعدی، مفاهیمی چون فاصله، ترتیب و هم‌جواری به‌طور دقیق تعریف می‌شوند. در مقابل، در بسیاری از پدیده‌های واقعی، داده‌ها معمولاً بر بسترهای غیراقلیدسی مانند گراف‌ها مدل‌سازی می‌شوند، جایی که مفاهیمی مانند فاصله و جهت تعریف دقیقی ندارند و روابط توپولوژیکی و اتصالات گره‌ها مبنای تحلیل قرار می‌گیرد. شبکه‌های عصبی همگشتی (CNNs) به‌طور خاص برای داده‌های اقلیدسی با ساختار منظم و شبکه‌ای طراحی شده‌اند و برای پردازش داده‌های با ساختار نامنظم مانند گراف‌ها که در آن‌ها مفاهیم مانند فاصله و جهت تعریف دقیقی ندارند، محدودیت دارند. به همین دلیل، شبکه‌های عصبی گرافی (GNNs) به‌عنوان ابزاری مؤثر برای مدل‌سازی و تحلیل داده‌های غیراقلیدسی معرفی شده‌اند. داده‌های مکانی-زمانی غیراقلیدسی معمولاً در قالب گراف‌هایی مدل‌سازی می‌شوند، به‌طوری که تغییرات مکانی و زمانی به‌صورت نماهایی از روابط پویا میان گره‌ها تفسیر می‌گردند. شبکه‌های عصبی گرافی با استخراج ویژگی‌های متغیر مبتنی بر مکان از بردارهای ویژگی گره‌ها و یال‌ها و ترکیب آن‌ها با مدل‌های یادگیری توالی، به‌طور مؤثر ویژگی‌های زمانی را نیز استخراج می‌کنند. این مدل‌ها قادرند وابستگی‌های پیچیده و غیرخطی را در ابعاد مکانی و زمانی به‌طور همزمان تحلیل کنند. در این پژوهش، گذار مفهومی و ریاضی از شبکه‌های همگشت کلاسیک به شبکه‌های همگشت گرافی (GCNs) بررسی شده و به‌طور ویژه، قابلیت این مدل‌های پیشرفته در پردازش داده‌های مکانی-زمانی در سیستم‌های اطلاعات مکانی (GIS) مورد مطالعه قرار گرفته است. افزون بر این، یک مخزن عمومی در GitHub ایجاد شده است که شامل مجموعه داده‌های رایگان و قابل دسترس برای پیاده‌سازی این کاربردها بوده و به‌صورت مستمر به‌روزرسانی خواهد شد.</span></span></span></p> <p style="text-align:justify"><span style="font-size:11px;"><span style="font-family:Tahoma;">The geometric structure of data plays a vital role in selecting analytical methods for processing and modeling. In Euclidean data such as one-dimensional signals and two-dimensional images, concepts such as distance, order, and adjacency are precisely defined. In contrast, in many real-world phenomena, data are often modeled on non-Euclidean domains such as graphs, where concepts like distance and direction are not precisely defined, and topological relationships and node connections form the basis of analysis. Convolutional Neural Networks (CNNs) are specifically designed for Euclidean data with regular, grid-like structures, and they have limitations in processing irregularly structured data such as graphs, where notions like distance and direction lack precise definitions. Therefore, Graph Neural Networks (GNNs) have been introduced as effective tools for modeling and analyzing non-Euclidean data. Spatio-temporal non-Euclidean data are typically modeled as graphs, where spatial and temporal variations are interpreted as representations of dynamic relationships among nodes. GNNs effectively extract spatially varying features from node and edge feature vectors and, by combining them with sequential learning models, also extract temporal features. These models can simultaneously analyze complex and nonlinear dependencies in spatial and temporal dimensions. In this study, the conceptual and mathematical transition from classical convolutional networks to Graph Convolutional Networks (GCNs) is examined, with a particular focus on the capabilities of these advanced models in processing spatio-temporal data in Geographic Information Systems (GIS). Additionally, a public repository has been created on GitHub, containing freely available datasets for implementing these applications, which will be continuously updated.</span></span></p> داده‌های غیراقلیدسی, شبکه‌های عصبی گرافی (GNNs), داده‌های مکانی-زمانی, سیستم‌های اطلاعات مکانی (GIS) Graph Neural Networks (GNNs), Graph Data Analysis, Complex Dependencies, Geographic Information Systems (GIS) 91 107 http://jgst.issgeac.ir/browse.php?a_code=A-10-1122-1&slc_lang=fa&sid=1 Mohammad Taghi Abbasi محمدتقی عباسی m.abbasi1@email.kntu.ac.ir 100319475328460010739 100319475328460010739 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Ali Asghar Alesheikh علی اصغر آل شیخ alesheikh@kntu.ac.ir 100319475328460010740 100319475328460010740 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی