Διερεύνηση μεθόδων γεωπληροφορικής για τον υποβιβασμό κλίμακας πληθυσμιακών δεδομένων μέσω μεθόδων μηχανικής μάθησης: η περίπτωση της Λέσβου

Abstract

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.

Data derived from statistical information on socio-economic or public health concerns is widely available, although data is often collected or made available to the relevant public only at a relatively aggregate level. Using aggregated data usually masks important local hotspots, and overall tends to over-smooth spatial variations in impact. For these reasons, we often need to disaggregate the source data, in order to provide more localized estimates. In the context of spatial analysis, spatial disaggregation or spatial downscaling are techniques that can be used to transform data from a set of source zones (e.g., districts or municipalities) into a set of target zones, with same geometry and with a higher general level of spatial resolution. This thesis explores methods of geoinformatics and spatial analysis for spatial disaggregation or spatial downscaling through the use of machine learning algorithms. This process uses auxiliary data such as land cover/land use, OpenStreetMap road density, Euclidean distances from main road, from settlements, from the sea and the digital terrain model (DEM) to create the result with better spatial resolution quality. There is also a detailed discussion on spatial disaggregation or downscaling methodology and the quality of the results obtained under different cases studies. The spatial disaggregation results achieved were better than those using basic linear algorithms previously used in the literature, such as surface (mass) areal-weighting or pycnophylactic interpolation. However, the best results appeared to have the algorithm in the areas where the auxiliary data varied giving the information it could manage. Finally, through the dissever algorithm in co-operation with the caret package, models of machine learning were used to extract the results.