NYU·坦登工程学院 孟加拉国人类从洪灾区向内陆城市迁移的相互依赖性描述
荣誉:毛里西奥·波尔菲里博士
D
由气候变化、新冠肺炎的扩散、农业趋势和邻近地区的社会经济问题驱动的人类迁移的识别依赖于数据——模型越复杂，理解这种空间分布现象就需要越多的数据
然而，可靠的数据往往昂贵且难以获得，或者过于稀疏，无法进行准确的预测
莫里西奥·波尔菲里(Maurizio Porfiri)，机械和航空航天、生物医学、土木和城市工程学院教授，NYU坦登工程学院城市科学与进步中心(CUSP)成员，设计了一种基于网络和信息理论的新解决方案，通过将通常用于时间序列的数学技术应用于空间过程，使“小数据”发挥大作用
《皇家学会学报:数学、物理和工程科学》的封面上刊登了这项名为“研究小数据集空间相关性的信息论方法”的研究，描述了观察者如何从有限位置的小样本属性中，对影响做出强有力的推断，包括对中间区域的插值，甚至是共享相似关键属性的遥远区域
波尔菲里解释说:“大多数时候，数据集很差。”
“因此，我们采取了一种非常基本的方法，应用信息论来探索时间意义上的影响是否可以扩展到空间，这使得我们可以在25到50次观察之间处理非常小的数据集，”他说
“我们对数据进行了一次快照，并绘制了联系图——不是基于因果关系，而是基于各个点之间的相互作用——以查看系统中是否存在某种形式的潜在集体响应
" 该方法由波尔菲里和西班牙卡塔赫纳技术大学定量方法、法律和现代语言系的合作者曼努埃尔·鲁伊斯·马林开发，涉及: 将给定的数据集合并成小范围的可接受符号，类似于机器学习系统识别具有有限像素数据的脸的方式:下巴、颧骨、前额等
应用信息论原理创建一个非参数测试(假设位置之间的相互作用没有基础模型)，以得出事件之间的关联，并发现如果知道另一个位置的不确定性，特定位置的不确定性是否会降低
莫里齐奥·波尔菲里教授在NYU坦顿工程学院的实验室工作
学分:NYU坦登工程学院 波尔菲里解释说，由于非参数方法没有为节点之间的影响设定底层结构，所以它在如何关联节点，甚至如何定义邻居的概念方面提供了灵活性
“因为我们抽象了邻居的概念，所以我们可以在任何你喜欢的品质的背景下定义它，例如，意识形态
从意识形态上来说，加州可以是纽约的邻居，尽管它们在地理上并不在同一位置
他们可能有相似的价值观
" 该团队通过两个案例研究验证了该系统:孟加拉国因海平面上升导致的人口迁移和美国的机动车死亡
S
，从统计学角度深入了解重要社会经济问题的机制
“在第一种情况下，我们想看看是否可以通过地理距离或特定地区的洪水严重程度来预测不同地点之间的迁移——了解哪个地区靠近另一个地区或了解洪水水平是否有助于预测迁移的规模，”鲁伊斯·马林说
对于第二个案例，他们研究了1980年、1994年和2009年与酒精相关的汽车事故的空间分布，将这类事故发生率高的州与相邻的州以及在饮酒和驾驶方面有类似立法意识的州进行了比较
“我们发现，拥有共同边界的国家之间的关系比拥有与饮酒和驾驶相关的立法意识形态的国家之间的关系更紧密
" 接下来，波尔菲里和鲁伊斯·马林计划将他们的方法扩展到时空过程的分析，比如美国的枪支暴力
S
——最近由国家科学基金会的LEAP HI项目资助的一个主要研究项目——或大脑癫痫发作
他们的工作有助于理解枪支暴力何时何地会发生，或者可能会引发癫痫发作
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
