Пространственное машинное обучение: новые возможности для региональной науки

В статье представлен методологический обзор применения машинного обучения в пространственном контексте. Рассматривается существующий инструментарий пространственного анализа, предложенный в научной литературе: обучение без учителя, связанное с кластеризацией пространственных данных, и обучение с учителем, вытесняющее классическую пространственную эконометрику. Показан потенциал этой развивающейся методологии, а также ее ограничения и возможные недостатки. Систематизировано и прокомментировано применение методов пространственной кластеризации — для местоположений и значений по отдельности и совместно — при картографировании, бутстрэппинге, кросс-валидации, моделировании с использованием географически взвешенной регрессии (GWR) и построении показателей плотности. Приводятся сведения о моделях пространственного машинного обучения, которые сочетаются с интеграцией пространственных данных, моделированием, тонкой настройкой моделей и прогнозированием для учета пространственной автокорреляции и работы с большими данными. В статье разграничиваются «уже доступные» и «находящиеся в разработке» методы, а также предлагаются идеи для переноса современных количественных методов из других тематических областей в исследования региональной науки.