Χωρική κατάτμηση και ανακατανομή πληθυσμιακών δεδομένων για την βελτίωση της χωρικής διακριτικής ικανότητας με αλγόριθμους μηχανικής εκμάθησης

Το τεκμήριο παρέχεται από τον φορέα :
Πανεπιστήμιο Αιγαίου   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Ελλάνικος (Hellanicus)   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Χωρική κατάτμηση και ανακατανομή πληθυσμιακών δεδομένων για την βελτίωση της χωρικής διακριτικής ικανότητας με αλγόριθμους μηχανικής εκμάθησης

Λεπενιώτης, Χαράλαμπος

Καβρουδάκης, Δημήτριος
Κουκούλας, Σωτήριος
Σουλακέλλης, Νικόλαος

masterThesis

2019-06-12
2020-04-13T12:34:53Z

Η βελτίωση της χωρικής διακριτικής ικανότητας πληθυσμιακών δεδομένων αποτελεί μείζονος σημασίας πληροφορία για πληθώρα επιστημών οι οποίες εντάσσουν στις μελέτες τους την έννοια του χώρου. Η πληθώρα των μεθόδων που χρησιμοποιούνται στην κατάτμηση και στην πρόβλεψη της ανακατανομής πληθυσμιακών δεδομένων στον χώρο, δηλώνει και την χρησιμότητα για την γνώση σχετικά την χωροθέτηση του πληθυσμού. Οι αρχικές μέθοδοι αναφέρουν τις τεχνικές της επιφανειακής χωρικής παρεμβολής ως αρχικά στάδια εκτίμησης και προχωρούν στις έξυπνες δασυμετρικές μεθόδους οι οποίες χρησιμοποιούν επιπλέον πληροφορία για την περιοχή μελέτης ως βοηθητικά δεδομένα. Ως νεότερες μέθοδοι, οι οποίοι χρησιμοποιούνται και στην συγκεκριμένη διπλωματική εργασία, υπάρχουν οι αλγόριθμοι μηχανικής εκμάθησης οι οποίοι χρησιμοποιούν την λογική της θεωρίας των δέντρων αποφάσεων, με σκοπό της εκπαίδευσής τους στην παραγωγή προβλέψεων μειώνοντας τα σφάλματα ενός μεταβλητού φαινομένου. Ως περιοχή μελέτης ορίσθηκαν τρείς διοικητικές κοινότητες της νήσου Ρόδου. Οι περιοχής της πόλης της Ρόδου, του Αρχάγγελου και της Ιαλυσού επιλέχθηκαν με σκοπό την συσχέτιση της πληθυσμιακής συσσώρευσης και της έκταση. Η επίτευξη της βελτιστοποίησης της ανάλυσης επιτεύχθηκε στο 85,7% επί των αρχικών δεδομένων και η αξιολόγηση των μοντέλων με θεμελιώδεις στατιστικούς δείκτες είναι αυτή που δημιουργεί το συμπέρασμα της ανάγκης της βελτιστοποίησης των αλγορίθμων, μέσω της παραμετροποίησής τους και της ύπαρξης σχέσης ανάμεσα στην πληθυσμιακή συσσώρευση και έκταση της περιοχής μελέτης.

Geography
Geoinformatics

GIS
spatial downscaling
spacial statistics
cubist
geography
geoinformatics
random forest
machine learning
spacial analysis

Γεωγραφία και Εφαρμοσμένη Γεωπληροφορική
aegean
Πανεπιστήμιο Αιγαίου - Σχολή Κοινωνικών Επιστημών - Τμήμα Γεωγραφίας

http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές




*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.