Remote Sensing and GIS Applications in Environmental Sciences

Modeling and analyzing empirical systems by using the concepts of complex networks

Document Type : Original Article

Authors

1 Postdoctoral researcher

2 Professor

3 Associate Professor/University of Tabriz

Abstract

Network construction is an acceptable approach for better understanding the behavior of complex system which can be used to reveal the pattern of collective dynamics for realizing physical interactions in the dynamical system. In this case, characterizing functional connectivity of complex networks for studying a broad class of natural and artificial systems from the measures of correlation and causality is of utmost importance to correctly unravel physical phenomena of the system. Many network reconstruction approaches are based on heuristically thresholding the correlation matrices resulting from pairwise correlation analysis according to experimental methods. Other approaches compare the observed correlations against null models in the statistical analyses, obtaining results which are statistically robust. Different methods were used, including cross-correlation (CC), spectral coherence (SpeCoh), mutual information (MI), transfer entropy (TE), Spearman's rank correlation (SC) and convergent cross-mapping (CCM). The methods were applied to linear and nonlinear collective dynamics by autoregressive moving average (ARMA) and Logistic map (LOG) models, respectively. The dynamics of interconnected units was simulated from different complex topologies widely observed in empirical systems with well-known network models. The methods of MI and CCM were chosen after examining on the artificial cases consisting of desirable features of the real systems. The results show that network reconstruction dramatically depends on the interplay between the (unknown) underlying structure and the (unknown) underlying dynamics and high values of the area under curve of receiver operating characteristic around 72% obtain for the selected network topologies.

Keywords

Main Subjects

تعیین اتصالات عملکردی در شبکههای پیچیده برای مطالعهی طیف گستردهای از سیستمهای طبیعی و مصنوعی با استفاده از معیارههای همبستگی و علیتی از اهمیت زیادی برخوردار میباشند. بسیاری از روشهای ساخت مجدد شبکه براساس اعمال آستانهی تعریفی بر روی ماتریسهای همبستگی میباشند که مقادیر ماتریسها از تحلیل همبستگی دودوئی به دست آمده و آستانه به طور تجربی مشخص شده است که فاقد تحلیل آماری پایهای است. سایر روشهایی که همبستگی مشاهدات را نسبت به مدلهای صفر تعریفی در تحلیلهای آماری مورد مقایسه قرار میدهند، نتایج به دست آمده از آنها به لحاظ آماری بسیار قدرتمند میباشند. در مطالعه حاضر، نتایج نشان داد حتی استفاده از مدلهای صفر برای ساخت مجدد شبکه در برگیرندهی محدودیتهای اساسی است که این محدودیتها به سادگی برطرف نمیشوند. در این تحقیق روشهای مختلفی مورد استفاده قرار گرفت از جمله، همبستگی متقابل، وابستگی طیفی، اطلاعات متقابل، آنتروپی انتقال، همبستگی رتبهای اسپیرمن و نگاشت متقابل همگرا. روشها بر روی دینامیک جمعی خطی و غیرخطی به کار گرفته شدهاند که به ترتیب از مدلهای میانگین متحرک خودرگرسیونی و نمودار لاجستیگ حاصل گردیدهاند. دینامیک واحدهای متصل به هم با استفاده از توپولوژیهای پیچیده مختلفی شبیهسازی شدهاند، که توپولوژیهای منتخب به طور گستردهای در سیستمهای تجربی مشاهده میشوند. تحلیل نتایج غیرهمتراز در شبکههای متناظر بسیار متراکم و پراکنده به انجام بررسی بیشتر ترغیب نمود که این بررسی تحت عنوان اعتبارسنجی متقابل شناخته شده تا مقایسهی اطمینان بخشی با استفاده از ابزارهای آماری به کار گرفته شده نسبت به داده مرجع انجام شود.         

1-Albert R. Barabási A.L. (2002). Statistical mechanics of complex networks. Reviews of Modern Physics, 74:47. doi: https://doi.org/10.1103/RevModPhys.74.47.
2-Bloomfield P. (2004). Fourier analysis of time series: An introduction. John Wiley & Sons.
3-Boccaletti S. Latora V. Moreno Y. Chavez M. Hwang D.U. (2006). Complex networks:
Structure and dynamics. Physics Reports. 424:175–308. doi: https://doi.org/10.1016/j.physrep.2005.10.009.
4-Boccaletti S. Bianconi G. Criado R. Del Genio C.I. Gómez-Gardenes J. Romance M. SendinaNadal I. Wang Z. Zanin M. (2014). The structure and dynamics of multilayer networks. Physics Reports. 544:1–122. doi: https://doi.org/10.1016/j.physrep.2014.07.001.
5-Hu Z.L. Shen Z. Tang C.B. Xie B.B. Lu J.F. (2018). Localization of diffusion sources in complex networks with sparse observations. Physics Letters A. 382(14):931-7. doi: https://doi.org/10.1016/j.physleta.2018.01.037.
6-Gao J. Barzel B. Barabási A.L. (2016). Universal resilience patterns in complex networks. Nature. 530(7590):307-12. doi: https://doi.org/10.1038/nature16948.
7-Ghorbani M.A. Khatibi R. FazeliFard M.H. Naghipour L. Makarynskyy O. (2016). Short-term wind speed predictions with machine learning techniques. Meteorology and Atmospheric Physics. 128(1):57-72. doi:https://doi.org/10.1007/s00703-015-0398-9.
8-Khatibi R. Naghipour L. Ghorbani M.A. Aalami M.T. (2013). Predictability of relative humidity by two artificial intelligence techniques using noisy data from two Californian gauging stations. Neural Computing and Applications. 23(7):2241-52. doi: https://doi.org/10.1007/s00521-012-1175-z.
9-Kivelä M. Arenas A. Barthelemy M. Gleeson J.P. Moreno Y. Porter M.A. (2014). Multilayer networks. Journal of Complex Networks. 2:203–271. doi: https://doi.org/10.1093/comnet/cnu016.
10-Lancaster G. Iatsenko D. Pidde A. Ticcinelli V. Stefanovska A. (2018). Surrogate data for hypothesis testing of physical systems. Physics Reports. 748:1–60. doi: https://doi.org/10.1016/j.physrep.2018.06.001.
11-Li C. Wang L. Sun S. Xia C. (2018). Identification of influential spreaders based on classified neighbors in real-world complex networks. Applied Mathematics and Computation. 320:51223. doi: https://doi.org/10.1016/j.amc.2017.10.001. 
12-May R.M. (2004). Simple mathematical models with very complicated dynamics. In The Theory of Chaotic Attractors (pp. 85-93). Springer, New York, NY.
13-Naghipour L. (2020). Multilayer analysis and modeling of complex climate networks. PhD thesis. Faculty of Civil Engineering, University of Tabriz.
 
مدلسازی و تحلیل سیستمهای تجربی با استفاده از مفاهیم شبکههای پیچیده  لیلا نقیپور، محمدتقی اعلمی، وحید نورانی، ابوالفضل قنبری  
 811
14-Naghipour L. Aalami M.T. Nourani V. (2021). Reconstruction of network connectivity by the interplay between complex structure and dynamics to discover climate networks. Theoretical and Applied Climatology. 143:969-987. doi: https://doi.org/10.1007/s00704-020-03410-1.
15-Naghipour L. Aalami M.T. Nourani V. (2022). Unravelling the backbone of climate networks from the analysis of collective dynamics and time reversal. International Journal of Climatology. 
16-Schreiber T. (2000). Measuring information transfer. Physical review letters. 85(2):461. doi: https://doi.org/10.1103/physrevlett.85.461.
17-Shamshirband S. Hashemi S. Salimi H. Samadianfard S. Asadi E. Shadkani S. ... Chau K.W. (2020). Predicting standardized streamflow index for hydrological drought using machine learning models. Engineering Applications of Computational Fluid Mechanics. 14(1):339350. doi: https://doi.org/10.1080/19942060.2020.1715844.
18-Shannon CE. Weaver W. (1949). The mathematical theory of information. Urbana: University of Illinois Press. 97(6):128-64.
19-Sivakumar B. Woldemeskel F.M. (2015). A network-based analysis of spatial rainfall connections. Environmental Modelling & Software. 69:55-62. doi: https://doi.org/10.1016/j.envsoft.2015.02.020
20-Sugihara G. May R. Ye H. Hsieh C.H. Deyle E. Fogarty M. Munch S. (2012). Detecting causality in complex ecosystems. Science. 338(6106):496-500. doi: https://doi.org/10.1126/science.1227079.
21-Takens F. (1981). Detecting strange attractors in turbulence. In Dynamical systems and turbulence, Warwick 1980 (pp. 366-381). Springer, Berlin, Heidelberg.
22-Wagner M.P. Oppelt N. (2020). Extracting agricultural fields from remote sensing imagery using graph-based growing contours. Remote Sensing. 12(7):1205. doi: https://doi.org/10.3390/rs12071205.
23-Wang C. Shao F. Zhang Z. Sui Y. Li S. (2021). Mining the features of spatial adjacency relationships to improve the classification of high resolution remote sensing images based on complex      network.           Applied            Soft       computing.       102:107089.     doi: https://doi.org/10.1016/j.asoc.2021.107089.
24-Wiedermann M. Donges J.F. Handorf D. Kurths J. Donner R.V. (2017). Hierarchical structures in Northern Hemispheric extratropical winter ocean-atmosphere interactions. International          Journal            of       Climatology.     37(10):3821-3836.        doi: https://doi.org/10.1002/joc.4956.
25-Wu C.L. Chau K.W. (2013). Prediction of rainfall time series using modular soft computing methods. Engineering Applications of Artificial Intelligence. 26(3):997-1007. doi: https://doi.org/10.1016/j.engappai.2012.05.023.
Remote Sensing and GIS Applications in Environmental Sciences
Volume 2, Issue 3 - Serial Number 3
September 2022
Pages 126-107
  • Receive Date: 29 September 2022
  • Revise Date: 19 October 2022
  • Accept Date: 19 October 2022