Modeling population with topographic data

Abstract

Přesná prostorová data o obyvatelstvu jsou důležitým vstupem v mnoha problémech. Tato práce se věnuje problému dezagregace prostorové variability hustoty zalidnění a výše nájmů pomocí modelu na bázi strojového učení. Je navržen přístup založený na volně dostupných pomocných datech, např. OpenStreetMap a Urban Atlas. Tento přístup je implementován v Pythonu jako toolbox pro ArcGIS. Aplikace na městské regiony Prahy, Vídně a Lublaně překonávají dosavadní přístupy k dezagregaci hustoty zalidnění při zachování dobré míry přenositelnosti modelu. Je navrženo několik směrů dalšího rozvoje představeného přístupu. Powered by TCPDF (www.tcpdf.org)

Accurate spatial population data are an important requirement in many applications. In this thesis, the problem of disaggregating the spatial distribution of population density and rent costs using a machine learning model is studied. An approach based on freely available ancillary data such as OpenStreetMap and Urban Atlas is proposed and implemented in the form of an automated Python toolbox for ArcGIS. The applications on the urban areas of Prague, Vienna and Ljubljana show promising results, overperforming the competing population disaggregation solutions in spatial resolution and displaying a satisfying degree of transferability. A number of further improvements is suggested. Powered by TCPDF (www.tcpdf.org)