Διερεύνηση μεθόδων γεωπληροφορικής για τον υποβιβασμό κλίμακας πληθυσμιακών δεδομένων μέσω μεθόδων μηχανικής μάθησης: η περίπτωση της Λέσβου
Τα δεδομένα που προκύπτουν από στατιστικές πληροφορίες σχετικά με τις κοινωνικοοικονομικές δραστηριότητες ή τις ανησυχίες για τη δημόσια υγεία, είναι ευρέως διαθέσιμα, παρόλο που συχνά συλλέγονται ή δίνονται στο ενδιαφερόμενο κοινό μόνο σε σχετικά συγκεντρωτικό επίπεδο. Η χρήση συγκεντρωτικών δεδομέ...
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Language: | el_GR |
| Published: |
2021
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11610/21663 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Τα δεδομένα που προκύπτουν από στατιστικές πληροφορίες σχετικά με τις κοινωνικοοικονομικές δραστηριότητες ή τις ανησυχίες για τη δημόσια υγεία, είναι ευρέως διαθέσιμα, παρόλο που συχνά συλλέγονται ή δίνονται στο ενδιαφερόμενο κοινό μόνο σε σχετικά συγκεντρωτικό επίπεδο. Η χρήση συγκεντρωτικών δεδομένων, συνήθως, καλύπτει σημαντικά τοπικά σημεία εστίασης και συνολικά τείνει να ομαλοποιήσει ταυτόχρονα τις χωρικές μεταβολές. Για τους λόγους αυτούς, πρέπει συχνά να κατατμηθούν τα δεδομένα πηγής, προκειμένου να παρέχονται πιο τοπικές εκτιμήσεις. Στο πλαίσιο της χωρικής ανάλυσης, ο χωρικός διαχωρισμός ή ο χωρικός υποβιβασμός κλίμακας είναι τεχνικές που μπορούν να χρησιμοποιηθούν για τη μετατροπή δεδομένων από ένα σύνολο ζωνών πηγής σε ένα σύνολο ζωνών στόχων, με σταθερή γεωμετρία και με υψηλότερο γενικό επίπεδο χωρικής ανάλυσης. Η παρούσα διπλωματική έρευνα παρουσιάζει διερεύνηση μεθόδων γεωπληροφορικής και χωρικής ανάλυσης για τον χωρικό υποβιβασμό κλίμακας μέσα από την χρήση αλγορίθμων μηχανικής μάθησης. Σε αυτή τη διαδικασία χρησιμοποιήθηκαν βοηθητικά δεδομένα, όπως η κάλυψη της γης, η πυκνότητα οδικού δικτύου του OpenStreetMap, οι ευκλείδειες αποστάσεις από κύριο οδικό δίκτυο, από οικισμούς και από θάλασσα και το ψηφιακό μοντέλο εδάφους προκειμένου να δημιουργηθεί το τελικό αποτέλεσμα με καλύτερης ποιότητας χωρική ανάλυση. Παρουσιάζεται, επίσης, λεπτομερής συζήτηση γύρω από τη μεθοδολογία χωροταξικού διαχωρισμού και την ποιότητα των τελικών αποτελεσμάτων, υπό διαφορετικές πειραματικές περιοχές. Τα αποτελέσματα χωρικού διαχωρισμού που επιτεύχθηκαν ήταν καλύτερα από εκείνα που θα χρησιμοποιούσαν βασικούς γραμμικούς αλγορίθμους, όπως χρησιμοποιήθηκαν παλαιότερα στη βιβλιογραφία για παράδειγμα η επιφανειακή στάθμιση που συντηρεί τη μάζα ή η πυκνοφυλακτική παρεμβολή. Ωστόσο, τα καλύτερα αποτελέσματα φάνηκε να τα έχει ο αλγόριθμος στις περιοχές όπου τα βοηθητικά δεδομένα ποίκιλλαν δίνοντας του πληροφορία που μπορούσε να διαχειριστεί. Τέλος , μέσω από τον αλγόριθμο dissever σε συνεργασία με το πακέτο caret χρησιμοποιήθηκαν μοντέλα μηχανικής μάθησης για την εξαγωγή των αποτελεσμάτων. |
|---|