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