en توانایی شبکه‌های عصبی مصنوعی در یادگیری وابستگی داده‌های فضایی عمومى General پژوهشي Research &nbsp;<br> <span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;">در روش‌های متداول برای تحلیل داده‌های فضایی، مانند کریگیدن، ساختار وابستگی داده‌ها براورد و مدل‌سازی‌شده و سپس در پیشگویی داده‌ها مورد استفاده قرار می‌گیرد. در مقابل، روش شبکه‌ی عصبی که اساساً داده‌محور است (نه مدل‌محور)، وابستگی داده‌ها را مدل‌سازی نمی‌کند. بنابراین پرسشی که پیش می‌آید این است که آیا شبکه‌ی عصبی به‌صورت غیر مستقیم از ساختار وابستگی فضایی در پیشگویی داده‌ها استفاده می‌کند؟ در این مقاله از طریق یک مطالعه‌ی شبیه‌سازی به این پرسش پاسخ داده شده است. با در نظر گرفتن دو ساختار فضایی مختلف، چندین مجموعه داده‌های‌ فضایی مستقل و وابسته تولید شده و دقت پیشگویی شبکه‌ی عصبی برای این مجموعه داده‌ها مقایسه شده است. نتیجه‌ها نشان داد که خطای شبکه‌ی عصبی در پیشگویی داده‌‌های فضایی وابسته، بسیار کمتر از داده‌های فضایی مستقل است. بنابراین به نظر می‌رسد که شبکه بتواند وابستگی فضایی بین مشاهده‌ها را به‌صورت غیرمستقیم یاد بگیرد. همچنین دقت شبکه در پیشگویی یک مجموعه داده‌های واقعی با دقت کریگیدن مورد بررسی قرار گفت. نتیجه‌ها نشان داد که شبکه‌ی عصبی می‌تواند به‌عنوان یک روش جایگزین برای پیشگویی داده‌های فضایی مورد استفاده قرار گیرد.</span></span></span><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span></span><br> &nbsp;<br> <span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:12.0pt;"></span></span></span> &nbsp;&lrm;In conventional methods of spatial data analysis&lrm;, &lrm;such as Kriging&lrm;, &lrm;the dependency structure of data is estimated&lrm;, &lrm;modeled&lrm;, &lrm;and then used for data prediction&lrm;. &lrm;In contrast&lrm;, &lrm;the Artificial Neural Network (ANN) approach&lrm;, &lrm;which is a data-driven approach&lrm;, &lrm;does not model the data dependency structure&lrm;. &lrm;Therefore&lrm;, &lrm;an important question may arise here&lrm;: &lrm;Does ANN use&lrm;, &lrm;indirectly&lrm;, &lrm;spatial dependency structure in data prediction? In this paper&lrm;, &lrm;we want to answer this question through a simulation study&lrm;. &lrm;Different dependent and independent spatial data sets are simulated under two spatial structures&lrm;, &lrm;and the prediction accuracy of ANNs is compared for simulated data&lrm;. &lrm;It is shown that neural network error for predicting dependent spatial data is much less than that of independent spatial data&lrm;. &lrm;We conclude that the network can indirectly learn spatial dependence between the observations&lrm;. &lrm;We also applied the ANN method to an experimentally obtained data set and compared its prediction accuracy with Kriging as a common geostatistical method&lrm;. &lrm;The results showed that the neural network can be used as an alternative method for spatial data prediction.&lrm;<br> &nbsp; شبکه‌ی عصبی مصنوعی, وابستگی فضایی, پیشگویی فضایی. Artificial Neural Networks, Spatial dependency, Spatial prediction.‎ 211 228 http://jsri.srtc.ac.ir/browse.php?a_code=A-10-142-3&slc_lang=en&sid=1 Abbas Tavasoli عباس توسلی Tavassoli.a@birjand.ac.ir 10031947532846001788 10031947532846001788 No Yadollah Waghei یداله واقعی‎ ywaghei@birjand.ac.ir 10031947532846001789 10031947532846001789 Yes Alireza Nazemi علی‌رضا ناظمی nazemi20042003@gmail.com 10031947532846001790 10031947532846001790 No