Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Neighborhood features in geospatial machine learning: the case of population disaggregation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11310%2F20%3A10397272" target="_blank" >RIV/00216208:11310/20:10397272 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=83qHDVcvdZ" target="_blank" >https://verso.is.cuni.cz/pub/verso.fpl?fname=obd_publikace_handle&handle=83qHDVcvdZ</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1080/15230406.2019.1618201" target="_blank" >10.1080/15230406.2019.1618201</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Neighborhood features in geospatial machine learning: the case of population disaggregation

  • Popis výsledku v původním jazyce

    High-resolution population density data are crucial for advanced geographical analysis but are difficult to obtain owing to personal data protection. This paper presents a method to obtain these data through spatial disaggregation of aggregate data using random forests. Ancillary topographic data are used from open data sources, namely OpenStreetMap, Urban Atlas, and the NASA Shuttle Radar Topography Mission (SRTM). An attempt to increase disaggregation accuracy is made through a systematic conceptualization of proximity, neighborhood features. The method is implemented as a toolbox for Python and PostGIS and is tested on three cities in Central and Eastern Europe: Prague, Maribor, and Tallinn. It is shown that this approach produces more accurate predictions than other comparable approaches.

  • Název v anglickém jazyce

    Neighborhood features in geospatial machine learning: the case of population disaggregation

  • Popis výsledku anglicky

    High-resolution population density data are crucial for advanced geographical analysis but are difficult to obtain owing to personal data protection. This paper presents a method to obtain these data through spatial disaggregation of aggregate data using random forests. Ancillary topographic data are used from open data sources, namely OpenStreetMap, Urban Atlas, and the NASA Shuttle Radar Topography Mission (SRTM). An attempt to increase disaggregation accuracy is made through a systematic conceptualization of proximity, neighborhood features. The method is implemented as a toolbox for Python and PostGIS and is tested on three cities in Central and Eastern Europe: Prague, Maribor, and Tallinn. It is shown that this approach produces more accurate predictions than other comparable approaches.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10508 - Physical geography

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2020

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Cartography and Geographic Information Science

  • ISSN

    1523-0406

  • e-ISSN

  • Svazek periodika

    47

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    16

  • Strana od-do

    79-94

  • Kód UT WoS článku

    000474044200001

  • EID výsledku v databázi Scopus

    2-s2.0-85068501817