English  Français

Applying GIS and Machine Learning to Classify Residential Status of Buildings in Low and Middle Income Countries

Christopher Lloyd, University of Southampton
Hugh Sturrock, Locational
Andrew J. Tatem, University of Southampton

Un modèle de classification des bâtiments d'apprentissage automatique développé précédemment est appliqué pour la première fois à chacun des pays à faible revenu et intermédiaire en Afrique ; pour lesquelles une nouvelle empreinte/étiquette du bâtiment et des données de surface imperméables sont récemment devenues disponibles. Les bâtiments sont classés selon leur usage résidentiel ou non résidentiel. Les données d'empreinte et d'étiquette sont plus complètes et plus cohérentes avec les attributs qu'auparavant, et les données de surface imperméables ont une plus grande précision. La modélisation existante a été étendue pour inclure les bâtiments semi-urbains et ruraux ainsi que ceux en milieu urbain (c'est-à-dire que la modélisation est maintenant à l'échelle du pays). Nous discutons du flux de travail du modèle, des résultats statistiques/sorties classifiées et du développement continu du modèle pour améliorer les performances prédictives du monde réel. Les sorties classifiées sont susceptibles d'être utiles dans une gamme d'applications, y compris la planification urbaine, l'allocation des ressources, la prestation de services et la modélisation de la répartition de la population.

Keywords: Geographic Information Systems (GIS), Harmonized data sets, Spatial analysis/regression, Population geography

See extended abstract.

  Presented in Session 59. Counting and Classifying Populations