Μετρώντας την φτώχεια σε αστικό περιβάλλον με τη χρήση δεδομένων από πολλές πηγές και τον αλγόριθμο Random Forest: H περίπτωση της Guangzhou

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
Ioanna Karani (Συζήτηση | Συνεισφορές/Προσθήκες)
(Νέα σελίδα με '<p align="justify"> '''Πρωτότυπος τίτλος:'''Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou <br> '...')
Επόμενη επεξεργασία →

Αναθεώρηση της 19:06, 26 Ιανουαρίου 2021

Πρωτότυπος τίτλος:Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou
Συγγραφείς:Tong Niu, Yimin Chen, Yuan Yuan
Citation:Tong Niu, Yimin Chen, Yuan Yuan, Measuring urban poverty using multi-source data and a random forest algorithm: A case study in Guangzhou, Sustainable Cities and Society, Volume 54, 2020, 102014, ISSN 2210-6707, [1].
Πηγή:Science Direct
Λέξεις κλειδιά:Urban poverty; Multi-source; Data Poverty Index; General Deprivation Index ;Random forest <b> Αντικέιμενο και στόχος έρευνας Η παρούσα έρευνα στοχεύει στην ανάπτυξη ενός δείκτη, ο οποίος προκύπτει από την επεξεργασία big data των social media και τηλεπισκοπησης, για την εκτίμηση της φτώχειας σε αστικό περιβάλλον.


1.Εισαγωγή:
Το 50% του πληθυσμού βρίσκεται συγκεντρωμένο στις αστικές περιοχές. Το ποσοστό αυτό αναμένεται να φτάσει στο 66% έως και το 2050 [15]. Ταυτόχρονα, ένα από τα σημαντικότερα προβλήματα της ανθρωπότητας σε παγκόσμιο επίπεδο, αναδεικνύεται η φτώχεια στις αστικές περιοχές, ενώ αποτελεί και αγκάθι στο δρόμο για την επίτευξη των βιώσιμων στόχων ανάπτυξης [11]. Υπό αυτό το πρίσμα είναι ιδιαίτερα σημαντική η έγκαιρη και έγκυρη εκτίμηση των πληττόμενων περιοχών και του πληττόμενου πληθυσμού για την ανάπτυξη πολιτικών για την αναχαίτιση της φτώχειας και κατ’ επέκταση είναι απαραίτητη και σημαντική η έρευνα του φαινομένου.
2.Σύνδεση με πρότερη έρευνα και ο ρόλος της τηλεπισκόπησης:
Η έρευνα για την φτώχεια βασίζεται κατά κύριο λόγο σε δημογραφικά δεδομένα[5],[8]. Έχουν αναπτυχθεί μια σειρά από δείκτες σε σχέση με την αστική φτώχεια (όπως [18],[1],[16]) , οι οποίες δύνανται να εντοπίσουν τη χωρική κατανομή του φαινομένου σε διάφορα επίπεδα. Ωστόσο, χαρακτηρίζονται από δύο βασικές αδυναμίες: α) τα δημογραφικά δεδομένα συλλέγονται ανά μακρά χρονικά διαστήματα και β) δεν μπορεί να αποτυπώσει την επίδραση του τεχνητού περιβάλλοντος στο φαινόμενο, παρά το γεγονός ότι κρίνεται σημαντική πτυχή του [12],[14]. Οι παραπάνω ανεπάρκειες επιχειρείται να επιλυθούν με τη χρήση των μεγάλων δεδομένων. Έτσι, αξιοποιούνται δεδομένα τηλεπισκόπησης, τα οποία παρέχουν πληθώρα δεδομένων για το τεχνητό περιβάλλον και έχουν χρησιμοποιηθεί ευρέως κοινωνικό οικονομικές συνθήκες όπως η φτώχεια [6],[21]. Κυρίαρχα χρησιμοποιούνται δορυφορικά πολυφασματικά δεδομένα, υψηλής χωρικής διακριτικής ικανότητας [6], αλλά και φωτογραφίες νυχτερινού φωτός οι οποίες χρησιμοποιούνται ευρέως για την μέτρηση της φτώχειας, λόγω του ότι αναπαριστούν επαρκώς τις ανθρώπινες δραστηριότητες [3],[7],[10]. Χρησιμοποιούνται, ακόμη, δεδομένα κοινωνικών δικτύων, όπως τα Points of Interest (POIs) [19], τα οποία αποτυπώνουν τις κοινωνικοοικονομικές συνθήκες στο εσωτερικού του αστικού ιστού. Επίσης, οι αλγόριθμοι της μηχανικής μάθησης έχουν τη δυνατότητα να χειρίζονται τις πολύπλοκες σχέσεις μεταξύ των δεδομένων που εμπλέκονται στην εκτίμηση του φαινομένου. Μεταξύ των αλγορίθμων προκρίνεται ο αλγόριθμος Random Forest ο οποίος δουλεύει ικανοποιητικά με πολυδιάστατα δεδομένα, την πολυσυγγραμμικότητα και είναι λιγότερο ευαίσθητος στην υπερπροσαρμογή [2],[16]. Στην παρούσα έρευνα αξιοποιούνται δεδομένα τηλεπισκόπησης για την παραγωγή δεικτών πτυχών της φτώχειας από διάφορες πηγές, οι οποίοι με τη χρήση του αλγορίθμου RF συγκροτούν τον δείκτη MDPI (Multi-source Data Poverty Index). H χρήση διαφόρων πηγών για τα δεδομένα ευνοεί την ανάδειξη πολλαπλών πτυχών της φτώχειας και μια ολοκληρωμένη προσέγγιση της πολυδιάστατης φτώχειας. Τέλος, σαν επίπεδο αναφοράς χρησιμοποιείται ο δείκτης GDI [9] βάσει δημογραφικών δεδομένων.

[[ Εικόνα: 3. Περιοχή μελέτης:
Ως περιοχή μελέτης επιλέγεται η πόλη Guangzhou ( Εικόνα 1)στην κεντρική περιοχή της επαρχίας Province, μητρόπολη μιας απο τις πιο εύπορες περιοχές της Κίνας, της Guangdong–Hong Kong–Macao Greater Bay. Στα πλαίσια της έρευνας η πόλη χωρίζεται σε τρεις ομόκεντρες ζώνες: μια αστική (inner city), μια ημιαστική (outer suburb areas) και μια αγροτική ζώνη(outer city areas). Η έρευνα μελετά την αστική και ημιαστική ζώνη στην οποία κατοικεί το 77,83% του πληθυσμού της πόλης.

Προσωπικά εργαλεία