📊 statistics

M-SGWR: Multiscale Similarity and Geographically Weighted Regression

यह शोध पत्र M-SGWR का प्रस्ताव करता है, जो एक नवीन मल्टीस्केल स्थानीय प्रतिगमन ढांचा (multiscale local regression framework) है जो स्थानिक अंतःक्रियाओं को मॉडल करने के लिए भौगोलिक निकटता और विशेषता समानता दोनों को एकीकृत करके स्थानिक विश्लेषण को बढ़ाता है, तथा सिमुलेशन और अनुभवजन्य अनुप्रयोगों में पारंपरिक GWR-आधारित मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: M. Naser Lessani, Zhenlong Li, Manzhu Yu, Helen Greatrex, Chan Shen

प्रकाशित 2026-02-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: M. Naser Lessani, Zhenlong Li, Manzhu Yu, Helen Greatrex, Chan Shen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि अलग-अलग शहरों के लोगों के स्वास्थ्य परिणाम, घरों की कीमतें या अपराध दर अलग-अलग क्यों होती है। दशकों से, भूगोलवेत्ता और डेटा वैज्ञानिक एक सरल नियम पर भरोसा करते आए हैं: "जो चीजें एक-दूसरे के करीब हैं, वे अधिक समान होती हैं।" इसे "भूगोल का प्रथम नियम" (First Law of Geography) कहा जाता है।

पारंपरिक रूप से, "निकटता" को मापने के लिए, उन्होंने केवल भौतिक दूरी (physical distance) को देखा। यदि शहर A, शहर B से 10 मील दूर है, तो वे "करीब" हैं। यदि शहर C, 1,000 मील दूर है, तो वह "दूर" है। उन्होंने पूरी तरह से इस भौतिक मानचित्र पर आधारित गणितीय मॉडल बनाए।

हालाँकि, इस शोध पत्र के लेखक तर्क देते हैं कि हमारे आधुनिक, डिजिटल और वैश्वीकृत दुनिया में, केवल भौतिक दूरी ही मायने नहीं रखती। दो शहर भौतिक रूप से दूर हो सकते हैं, लेकिन यदि वे एक ही भाषा, एक ही आय स्तर, या एक ही सामाजिक नेटवर्क साझा करते हैं, तो वे एक अलग तरीके से "करीब" हो सकते हैं।

यहाँ उनके नए समाधान, M-SGWR का विवरण दिया गया है, जो सरल उपमाओं (analogies) का उपयोग करता है:

समस्या: "एक ही आकार सबके लिए" वाला मानचित्र (The "One-Size-Fits-All" Map)

पारंपरिक मॉडलों (जैसे GWR और MGWR) को एक मानचित्र पर खींची गई रबड़ की चादर के रूप में सोचें।

वे यह मानते हैं कि किसी विशिष्ट शहर को समझने के लिए, आपको उसके निकटतम भौतिक पड़ोसियों को देखना चाहिए।
वे उस रबड़ की चादर को निकटतम शहरों को शामिल करने के लिए खींचते हैं, चाहे वे शहर वास्तव में कैसे हैं, इसकी परवाह किए बिना।
दोष: कभी-कभी, एक शहर अपने पड़ोसी के भौतिक रूप से करीब होता है लेकिन चरित्र में पूरी तरह से अलग होता है (जैसे, एक संघर्षरत शहर के बगल में एक समृद्ध उपनगर)। पुराना मॉडल उन्हें केवल इसलिए समान मानने के लिए मजबूर करता है क्योंकि वे पड़ोसी हैं, जिससे भविष्यवाणियां गलत हो जाती हैं।

पुराना अपग्रेड: SGWR (समानता + भूगोल)

लेखकों ने पहले SGWR नामक एक मॉडल बनाया था।

उपमा: कल्पना करें कि आप खेल खेलने के लिए एक दोस्त की तलाश कर रहे हैं। पुराने मॉडल ने केवल यह देखा कि कौन बगल में रहता है। SGWR ने कहा, "रुको, यह भी देखो कि किन लोगों को एक जैसे खेल पसंद हैं।"
इसने भौतिक दूरी (कौन पास रहता है) को विशेषता समानता (Attribute Similarity - जैसे आय या शिक्षा जैसे समान डेटा होना) के साथ जोड़ा।
सीमा: SGWR ने पूरे मॉडल के लिए एक ही "मिक्सिंग नॉब" (mixing knob) का उपयोग किया। इसने तय किया कि, "सभी के लिए, हम 60% दूरी और 40% समानता देखेंगे।" यह यह नहीं कह सका कि, "आय के लिए, दूरी सबसे अधिक मायने रखती है, लेकिन भाषा के लिए, समानता सबसे अधिक मायने रखती है।"

नया समाधान: M-SGWR (मल्टीस्केल समानता और भौगोलिक रूप से भारित प्रतिगमन)

नया M-SGWR मॉडल ऐसा है जैसे हर एक चर (variable) को अपना कस्टम चश्मा देना।

चर-विशिष्ट चश्मा (Variable-Specific Glasses):
- कल्पना करें कि आप एक जंगल का विश्लेषण कर रहे हैं।
- "जल उपलब्धता" चर के लिए, मॉडल एक चश्मा पहनता है जो कहता है: "केवल भौतिक दूरी देखें। पानी जमीन के माध्यम से बहता है, इसलिए पास के पेड़ सबसे समान होते हैं।" (भूगोल पर उच्च भार)।
- "सोशल मीडिया उपयोग" के लिए, मॉडल एक अलग चश्मा पहनता है: "दूरी को भूल जाइए! देखें कि किसके फोन प्लान और इंटरनेट स्पीड समान है, भले ही वे अलग-अलग राज्यों में रहते हों।" (विशेषता समानता पर उच्च भार)।
- "जनसंख्या घनत्व" के लिए, यह दोनों का मिश्रण उपयोग कर सकता है।
"मिक्सिंग नॉब" (अल्फा - $\alpha$ ):
- मॉडल में हर एक कारक के लिए एक विशेष डायल है जिसे अल्फा ( $\alpha$ ) कहा जाता है।
- यदि अल्फा 1.0 है, तो मॉडल कहता है: "यह कारक पूरी तरह से भौतिक दूरी के बारे में है।"
- यदि अल्फा 0.0 है, तो मॉडल कहता है: "यह कारक पूरी तरह से डेटा समानता (जैसे साझा संस्कृति या अर्थव्यवस्था) के बारे में है।"
- यदि अल्फा 0.5 है, तो यह एक आदर्श मिश्रण है।
- मॉडल प्रत्येक कारक के लिए सटीक सेटिंग खुद तय करता है, बजाय इसके कि वह सभी के लिए एक ही सेटिंग का अनुमान लगाए।

उन्होंने इसका परीक्षण कैसे किया

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने तीन परीक्षण किए:

"मिश्रित" सिमुलेशन (The "Mixed" Simulation): उन्होंने नकली डेटा बनाया जहाँ कुछ चीजें मानचित्र पर सुचारू रूप से बदलती थीं (जैसे तापमान), लेकिन अन्य चीजें डेटा समानता के आधार पर "पैच" (patches) में बदलती थीं (जैसे अचानक संस्कृति में बदलाव)।
- परिणाम: पुराने मॉडलों (MGWR) ने सब कुछ सुचारू (smooth) बना दिया और उन पैच को मिस कर दिया। M-SGWR ने उन पैच को पूरी तरह से देख लिया क्योंकि वह विशिष्ट कारकों के लिए डेटा समानता को देखने के लिए जानता था।
"शुद्ध भूगोल" सिमुलेशन (The "Pure Geography" Simulation): उन्होंने नकली डेटा बनाया जहाँ सब कुछ पूरी तरह से भौतिक दूरी के बारे में था (जैसे तापमान)।
- परिणाम: M-SGWR ने महसूस किया, "ओह, इस डेटा के लिए, दूरी ही सब कुछ है," और इसने स्वचालित रूप से अपने डायल को 1.0 पर सेट कर दिया। इसने पुराने मॉडलों के समान ही प्रदर्शन किया, जिससे यह सिद्ध हुआ कि जब केवल दूरी ही मायने रखती है, तब भी यह काम करता है।
वास्तविक दुनिया का परीक्षण (COVID-19): उन्होंने अमेरिका के दक्षिणी राज्यों के काउंटियों (counties) में COVID-19 के मामलों का अध्ययन किया।
- परिणाम: M-SGWR ने किसी भी पिछले मॉडल की तुलना में वायरस के प्रसार की बेहतर भविष्यवाणी की। इसने पाया कि कुछ कारकों (जैसे आय) के लिए, वायरस का प्रसार भौतिक रूप से करीब रहने वालों के आधार पर हुआ। अन्य कारकों (जैसे जनसंख्या घनत्व या जनसांख्यिकी) के लिए, प्रसार का बेहतर पूर्वानुमान उन काउंटियों की समानता से लगा, भले ही वे पड़ोसी न हों।

निष्कर्ष (The Bottom Line)

शोध पत्र का दावा है कि M-SGWR हमारी दुनिया को समझने के लिए एक अधिक लचीला और सटीक उपकरण है।

पुराना तरीका: "तुम मेरे करीब हो क्योंकि तुम मेरे बगल में रहते हो।"
M-SGWR का तरीका: "तुम मेरे करीब हो क्योंकि तुम मेरे बगल में रहते हो या क्योंकि तुम्हारी डेटा प्रोफाइल समान है, या दोनों का मिश्रण है—और मैं यह पता लगा लूंगा कि मैं जिस विषय का अध्ययन कर रहा हूँ, उसके लिए वास्तव में क्या मायने रखता है।"

प्रत्येक विशिष्ट चर के लिए "निकटता" को कैसे मापा जाए, यह तय करने की अनुमति देकर, यह 21वीं सदी में स्थान कैसे परस्पर क्रिया करते हैं, इसकी जटिल और वास्तविक स्थिति को पकड़ता है, जहाँ एक डिजिटल संबंध कभी-कभी भौतिक सड़क से अधिक मजबूत हो सकता है।

M-SGWR का तकनीकी सारांश: मल्टीस्केल सिमिलरिटी एंड जियोग्राफिकल वेटेड रिग्रेशन (Multiscale Similarity and Geographically Weighted Regression)

समस्या विवरण (Problem Statement)
पारंपरिक स्थानीय प्रतिगमन मॉडल (local regression models), जैसे कि जियोग्राफिकली वेटेड रिग्रेशन (GWR) और मल्टीस्केल GWR (MGWR), स्थानिक संबंधों को मापने के लिए विशेष रूप से भौगोलिक निकटता (भौतिक दूरी) पर निर्भर करते हैं, जो टोबलर के भूगोल के प्रथम नियम (Tobler's First Law of Geography) का पालन करते हैं। हालांकि, वैश्वीकरण और डिजिटल कनेक्टिविटी के युग में, भौगोलिक दूरी अकेले यह समझने के लिए पर्याप्त नहीं है कि स्थान एक-दूसरे से कैसे जुड़े हुए हैं। रोग प्रसार (disease diffusion), सामाजिक नेटवर्क संबंध और आर्थिक प्रवाह जैसी घटनाएं अक्सर भौतिक निकटता के बजाय "कार्यात्मक जुड़ाव" (functional connectivity) या विशेषता समानता (जैसे साझा भाषा, यात्रा मार्ग, सामाजिक-आर्थिक संदर्भ) द्वारा संचालित होती हैं। इसके अलावा, मौजूदा मॉडल जैसे MGWR, चर-विशिष्ट स्थानिक पैमानों (bandwidths) की अनुमति तो देते हैं, लेकिन फिर भी स्थानिक निर्भरता को एक ही आयाम (भौगोलिक स्थान) तक सीमित रखते हैं। लेखकों का तर्क है कि एक समान पैमाने को मान लेना या केवल यूक्लिडियन दूरी पर निर्भर रहना पक्षपाती अनुमानों और स्थानिक अंतःक्रियाओं के गलत चित्रण का कारण बन सकता है, विशेष रूप से तब जब "रिमोट क्लोजनेस" (विशेषता स्थान में समानता) की महत्वपूर्ण भूमिका होती है।

कार्यप्रणाली (Methodology)
यह शोध पत्र M-SGWR (मल्टीस्केल सिमिलरिटी एंड जियोग्राफिकल वेटेड रिग्रेशन) का प्रस्ताव करता है, जो एक नया स्थानीय प्रतिगमन ढांचा है जो दो आयामों में स्थानिक अंतःक्रिया को चित्रित करता है: भौगोलिक स्थान (geographic space) और विशेषता स्थान (attribute/variable space)।

दोहरी वेट मैट्रिसेस (Dual Weight Matrices): प्रत्येक भविष्यवक्ता चर $j$ $j$ के लिए, मॉडल दो अलग-अलग वेट मैट्रिसेस का निर्माण करता है:
- एक जियोग्राफिक वेट मैट्रिक्स ( $W_G^{(j)}$ ) जो दूरी क्षय (distance decay) पर आधारित है (एक एडेप्टिव बाई-स्क्वायर कर्नेल का उपयोग करके)।
- एक एट्रिब्यूट सिमिलरिटी वेट मैट्रिक्स ( $W_S^{(j)}$ ) जो स्थानों के बीच भविष्यवक्ता मूल्यों की समानता पर आधारित है, जिसे स्थानीय मानक विचलन द्वारा सामान्यीकृत (normalized) किया गया है।
चर-विशिष्ट मिश्रण पैरामीटर ( $\alpha$ ): SGWR मॉडल के विपरीत, जो सभी भविष्यवक्ताओं के लिए एक एकल वैश्विक मिश्रण पैरामीटर ( $\alpha$ $α$ ) लागू करता है, M-SGWR प्रत्येक स्वतंत्र चर के लिए एक विशिष्ट $\alpha_j$ $α_{j}$ निर्दिष्ट करता है। यह पैरामीटर, जो 0 से 1 के बीच होता है, भौगोलिक निकटता बनाम विशेषता समानता के सापेक्ष योगदान को नियंत्रित करता है:
- $\alpha_j \approx 1$ : संबंध मुख्य रूप से भौगोलिक निकटता द्वारा संचालित है।
- $\alpha_j \approx 0$ : संबंध मुख्य रूप से विशेषता समानता द्वारा संचालित है।
- $0 < \alpha_j < 1$ : एक मिश्रित प्रभाव जहाँ दोनों आयाम योगदान करते हैं।
मल्टीस्केल अनुकूलन (Multiscale Optimization): मॉडल प्रत्येक भविष्यवक्ता के लिए दो प्रकार के मापदंडों को एक साथ अनुकूलित करने के लिए एक बैकफिटिंग एल्गोरिदम (backfitting algorithm) का उपयोग करता है:
- बैंडविड्थ ( $bw_j$ ): प्रत्येक चर के लिए स्थानिक पैमाने (स्थानीय बनाम वैश्विक भिन्नता) को नियंत्रित करता है।
- मिश्रण पैरामीटर ( $\alpha_j$ ): भौगोलिक भार बनाम विशेषता भार के बीच संतुलन को नियंत्रित करता है।
- अनुकूलन AICc या क्रॉस-वैलिडेशन (CV) स्कोर का उपयोग करके किया जाता है, जिसमें प्रत्येक संभावित बैंडविड्थ के लिए इष्टतम $\alpha$ खोजने के लिए डिवाइड-एंड-कन्कर या ग्रीडी हिल-क्लाइंबिंग रणनीतियों का उपयोग किया जाता है।
गणितीय सूत्र (Mathematical Formulation): स्थान $i$ पर स्थानीय गुणांक $\beta_j$ का अनुमान एक वेटेड लीस्ट स्क्वायर्स दृष्टिकोण का उपयोग करके लगाया जाता है, जहाँ संयुक्त वेट मैट्रिक्स $W_{GS}^{(j)}$ , $\alpha_j$ और $(1-\alpha_j)$ द्वारा भारित $W_G^{(j)}$ और $W_S^{(j)}$ का एक रैखिक संयोजन है।

प्रमुख योगदान (Key Contributions)

SGWR का मल्टीस्केल में विस्तार: यह शोध पत्र चर-विशिष्ट बैंडविड्थ और मिश्रण मापदंडों को पेश करके 'सिमिलरिटी एंड जियोग्राफिकल वेटेड रिग्रेशन' (SGWR) ढांचे का विस्तार करता है, जिससे मॉडल शुद्ध रूप से भौगोलिक, शुद्ध रूप से विशेषता-संचालित, या मिश्रित प्रक्रियाओं के बीच अंतर करने में सक्षम होता है।
एकीकृत ढांचा (Unified Framework): M-SGWR को एक एकीकृत मॉडल के रूप में प्रस्तुत किया गया है जो GWR, SGWR और MGWR को विशेष मामलों के रूप में समाहित करता है। अनुकूलित मापदंडों के आधार पर, यह एक मानक GWR (एकल बैंडविड्थ, $\alpha=1$ ), SGWR (एकल बैंडविड्थ, मिश्रित $\alpha$ ), या MGWR (चर बैंडविड्थ, $\alpha=1$ ) में बदल सकता है।
गैर-स्मूथ स्थानिक प्रक्रियाओं को संभालना: विशेषता समानता को शामिल करके, मॉडल "रिमोट क्लोजनेस" और खंडित स्थानिक पैटर्न को पकड़ सकता है जिन्हें पारंपरिक दूरी-आधारित कर्नेल अत्यधिक स्मूथ (over-smooth) कर देते हैं।

परिणाम (Results)
अध्ययन दो सिमुलेशन प्रयोगों और एक अनुभवजन्य अनुप्रयोग (US दक्षिण-पूर्व में COVID-19 केस काउंट) का उपयोग करके M-SGWR का मूल्यांकन करता है:

मिश्रित प्रभाव सिमुलेशन (Mixed Effects Simulation): एक ऐसे डेटासेट में जहाँ कुछ गुणांक सुचारू भौगोलिक सतहों का पालन करते थे और अन्य अनियमित, विशेषता-संचालित पैटर्न का पालन करते थे, M-SGWR ने MGWR की तुलना में काफी बेहतर प्रदर्शन किया।
- M-SGWR ने सभी गुणांकों के लिए कम रूट मीन स्क्वेयर्ड एरर (RMSE) प्राप्त किया।
- इसने शुद्ध रूप से भौगोलिक चरों के लिए $\alpha=1$ और मिश्रित चरों के लिए $\alpha < 1$ को सही ढंग से पहचाना, जबकि MGWR गैर-स्मूथ, विशेषता-संचालित विविधताओं को पकड़ने में विफल रहा और अत्यधिक स्मूथ अनुमान प्रदान किए।
- गुडनेस-ऑफ-फिट मेट्रिक्स (Adjusted $R^2$ , AICc, RSS) M-SGWR के लिए बेहतर थे।
शुद्ध भौगोलिक सिमुलेशन (Pure Geographic Simulation): जब डेटा पूरी तरह से भौगोलिक निकटता द्वारा उत्पन्न किया गया था, तो M-SGWR, MGWR समाधान (सभी $\alpha_j = 1$ ) की ओर अभिसरित (converge) हुआ, जो यह दर्शाता है कि मॉडल अनावश्यक होने पर विशेषता भारिंग को लागू नहीं करता है और स्थापित भौगोलिक विधियों के साथ सुसंगत रहता है।
अनुभवजन्य अनुप्रयोग (COVID-19): काउंटी-स्तरीय डेटा पर लागू किए जाने पर, M-SGWR ने सभी मेट्रिक्स में OLS, GWR, SGWR और MGWR से बेहतर प्रदर्शन किया (Adjusted $R^2$ $R^{2}$ MGWR में 0.701 से बढ़कर M-SGWR में 0.782 हो गया; AICc और RMSE न्यूनतम थे)।
- मॉडल ने खुलासा किया कि हिस्पैनिक जनसंख्या प्रतिशत और मध्यम आय जैसे भविष्यवक्ताओं के $\alpha$ मान कम थे (जैसे, 0.143 और 0.205), जो यह दर्शाता है कि COVID-19 मामलों पर उनका प्रभाव भौतिक निकटता के बजाय सामाजिक-आर्थिक समानता द्वारा संचालित है।
- अन्य मॉडलों की तुलना में M-SGWR में अवशिष्ट स्थानिक ऑटोकोरिलेशन (Residual spatial autocorrelation - Moran's I) कम हुआ।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि M-SGWR एक जटिल, वैश्विक स्तर पर जुड़ी दुनिया में स्थानिक अंतःक्रियाओं का अधिक सूक्ष्म और सटीक प्रतिनिधित्व प्रदान करता है। भौगोलिक दूरी के प्रतिबंध से आगे बढ़कर, मॉडल यह स्वीकार करता है कि "निकट" और "संबंधित" बहुआयामी अवधारणाएं हैं। लेखक तर्क देते हैं कि M-SG प्रत्येक भविष्यवक्ता को स्थानिक और विशेषता-आधारित भार के बीच अपना संतुलन "सीखने" की अनुमति देकर मॉडल फिट, निष्कर्ष (inference) और व्याख्यात्मकता में सुधार करता है। यह लचीलापन मॉडल को जटिल स्थानिक पैटर्न को पकड़ने की अनुमति देता है, जिसमें "रिमोट क्लोजनेस" शामिल है, जिसे पारंपरिक मॉडल अक्सर छोड़ देते हैं। अध्ययन निष्कर्ष निकालता है कि जबकि भौगोलिक दूरी शुद्ध भौतिक प्रक्रियाओं के लिए वैध बनी हुई है, समकालीन सामाजिक अंतःक्रियाओं को स्थानिक निर्भरता को पूरी तरह से समझने के लिए विशेषता स्थान के एकीकरण की आवश्यकता होती है।

लेखकों द्वारा स्वीकार की गई सीमाएं (Limitations Acknowledged by the Authors)
लेखक नोट करते हैं कि $\alpha$ के अतिरिक्त अनुकूलन और विशेषता भार गणना के कारण M-SGWR, MGWR की तुलना में अधिक गणनात्मक रूप से गहन (computationally intensive) है। वे सुझाव देते हैं कि भविष्य के कार्य में बैंडविड्थ और $\alpha$ का एक साथ अनुकूलन, स्थानीय मिनिमा (local minima) से बचने के लिए वैकल्पिक मेटाहेयुरिस्टिक खोज विधियों का अन्वेषण, और बड़े डेटासेट को संभालने के लिए समानांतर कंप्यूटिंग (parallel computing) का उपयोग शामिल हो सकता है। वे यह भी आह्वान करते हैं कि मॉडल का परीक्षण व्यापक रेंज के डेटासेट और कर्नेल फंक्शनों पर किया जाना चाहिए।

समस्या: "एक ही आकार सबके लिए" वाला मानचित्र (The "One-Size-Fits-All" Map)

पुराना अपग्रेड: SGWR (समानता + भूगोल)

नया समाधान: M-SGWR (मल्टीस्केल समानता और भौगोलिक रूप से भारित प्रतिगमन)

उन्होंने इसका परीक्षण कैसे किया

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर