Centre dedocumentation
scientifique

Geographical random forests: a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling / Stefanos Georganos in Geocarto international, vol 36 n° 2 ([01/02/2021])  

Public [article]  inGeocarto international > vol 36 n° 2 [01/02/2021] . - pp 121 -1 36 Titre : Geographical random forests: a spatial extension of the random forest algorithm to address spatial heterogeneity in remote sensing and population modelling Type de document : Article/Communication Auteurs : Stefanos Georganos, Auteur ; Tais Grippa, Auteur ; Assane Niang Gadiaga, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 121 -1 36 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] autocorrélation spatiale [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] Dakar [Termes descripteurs IGN] densité de population [Termes descripteurs IGN] distribution spatiale [Termes descripteurs IGN] hétérogénéité spatiale [Termes descripteurs IGN] modèle dynamique [Termes descripteurs IGN] population [Termes descripteurs IGN] utilisation du sol Résumé : (auteur) Machine learning algorithms such as Random Forest (RF) are being increasingly applied on traditionally geographical topics such as population estimation. Even though RF is a well performing and generalizable algorithm, the vast majority of its implementations is still ‘aspatial’ and may not address spatial heterogenous processes. At the same time, remote sensing (RS) data which are commonly used to model population can be highly spatially heterogeneous. From this scope, we present a novel geographical implementation of RF, named Geographical Random Forest (GRF) as both a predictive and exploratory tool to model population as a function of RS covariates. GRF is a disaggregation of RF into geographical space in the form of local sub-models. From the first empirical results, we conclude that GRF can be more predictive when an appropriate spatial scale is selected to model the data, with reduced residual autocorrelation and lower Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE) values. Finally, and of equal importance, GRF can be used as an effective exploratory tool to visualize the relationship between dependent and independent variables, highlighting interesting local variations and allowing for a better understanding of the processes that may be causing the observed spatial heterogeneity. Numéro de notice : A2021-080 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1595177 date de publication en ligne : 10/06/2019 En ligne : https://doi.org/10.1080/10106049.2019.1595177 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96822 [article]

Local fuzzy geographically weighted clustering: a new method for geodemographic segmentation / George Grekousis in International journal of geographical information science IJGIS, vol 35 n° 1 (January 2021)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 35 n° 1 (January 2021) . - pp 152 - 174 Titre : Local fuzzy geographically weighted clustering: a new method for geodemographic segmentation Type de document : Article/Communication Auteurs : George Grekousis, Auteur Année de publication : 2021 Article en page(s) : pp 152 - 174 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse de groupement [Termes descripteurs IGN] classification floue [Termes descripteurs IGN] données démographiques [Termes descripteurs IGN] New York (Etats-Unis ; ville) [Termes descripteurs IGN] optimisation par essaim de particules [Termes descripteurs IGN] pondération [Termes descripteurs IGN] régression géographiquement pondérée [Termes descripteurs IGN] santé [Termes descripteurs IGN] segmentation [Termes descripteurs IGN] voisinage (topologie) Résumé : (auteur) Fuzzy geographically weighted clustering has been proposed as an approach for improving fuzzy c-means algorithm when applied to geodemographic analysis. This clustering method allows a spatial entity to belong to more than one cluster with varying degrees, namely, membership values. Although fuzzy geographically weighted clustering attempts to create geographically aware clusters, it partially fails to trace spatial dependence and heterogeneity because, as a global metric, the membership values are calculated across the entire set of spatial entities. Here we introduce the first local version of fuzzy geographically weighted clustering, ‘local fuzzy geographically weighted clustering.’ In local fuzzy geographically weighted clustering, the membership values of a spatial entity are updated only according to the membership values of the spatial entities within its neighborhood and not across the entire set of entities, as originally proposed by the global metric. Additionally, we apply particle swarm optimization meta-heuristic to overcome the random initialization problem regarding the fuzzy c-means algorithm. To evaluate our method we compare local fuzzy geographically weighted clustering to global fuzzy geographically weighted clustering using a cancer incident benchmark dataset for Manhattan, New York. The results show that local fuzzy geographically weighted clustering outperforms the global version in all experimental settings. Numéro de notice : A2021-022 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2020.1808221 date de publication en ligne : 21/08/2020 En ligne : https://doi.org/10.1080/13658816.2020.1808221 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96525 [article]

Monitoring population dynamics in the Pearl River Delta from 2000 to 2010 / Sisi Yu in Geocarto international, vol 35 n° 14 ([15/10/2020])  

Public [article]  inGeocarto international > vol 35 n° 14 [15/10/2020] . - pp 1511 - 1526 Titre : Monitoring population dynamics in the Pearl River Delta from 2000 to 2010 Type de document : Article/Communication Auteurs : Sisi Yu, Auteur ; ZengXiang Zhang, Auteur ; Fang Liu, Auteur Année de publication : 2020 Article en page(s) : pp 1511 - 1526 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] agglomération [Termes descripteurs IGN] croissance urbaine [Termes descripteurs IGN] delta de la rivière des perles [Termes descripteurs IGN] données démographiques [Termes descripteurs IGN] image DMSP-OLS [Termes descripteurs IGN] Kouangtoung (Chine) [Termes descripteurs IGN] prise de vue nocturne [Termes descripteurs IGN] recensement démographique [Termes descripteurs IGN] répartition géographique [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] surveillance de l'urbanisation Résumé : (auteur) Although numerous literatures have documented the monitoring of population distributions and dynamics for socio-economic development, environmental protection, and urban planning on different scales, little attention has been paid to long-term and multi-frequency population evolution on urban agglomeration scale, especially in non-census years. Furthermore, although multi models have been applied to population spatialization based on night-time light imagery (NLT) and census data, their accuracy needs to be further improved. Selected the Pearl River Delta (PRD), China as the study area, this work aimed to solve the aforementioned problems by constructing the residential extent extraction index (REEI) and employing the population growth theory and ‘DN density–population density’ model. Results indicated that the proposed approaches were feasible to optimize NTL products and simulate populations in both census (2000, 2010) and non-census (2005) years. Population evolution in the PRD presented distinct differences from space and over time, and mainly driven by socioeconomic development. Numéro de notice : A2020-617 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/URBANISME Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1576778 date de publication en ligne : 28/05/2019 En ligne : https://doi.org/10.1080/10106049.2019.1576778 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95993 [article]

Landuse and land cover identification and disaggregating socio-economic data with convolutional neural network / Jingtao Yao in Geocarto international, vol 35 n° 10 ([01/08/2020])  

Public [article]  inGeocarto international > vol 35 n° 10 [01/08/2020] . - pp 1109 - 1123 Titre : Landuse and land cover identification and disaggregating socio-economic data with convolutional neural network Type de document : Article/Communication Auteurs : Jingtao Yao, Auteur ; Xiangbin Kong, Auteur ; Rattan Lal, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1109 - 1123 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] carte thématique [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] densité de population [Termes descripteurs IGN] désagrégation [Termes descripteurs IGN] données socio-économiques [Termes descripteurs IGN] image Landsat-8 [Termes descripteurs IGN] occupation du sol [Termes descripteurs IGN] utilisation du sol Résumé : (auteur) Numéro de notice : A2020-427 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1568587 date de publication en ligne : 18/03/2019 En ligne : https://doi.org/10.1080/10106049.2019.1568587 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95493 [article]

Estimating and interpreting fine-scale gridded population using random forest regression and multisource data / Yun Zhou in ISPRS International journal of geo-information, vol 9 n° 6 (June 2020)  

Public [article]  inISPRS International journal of geo-information > vol 9 n° 6 (June 2020) . - 18 p. Titre : Estimating and interpreting fine-scale gridded population using random forest regression and multisource data Type de document : Article/Communication Auteurs : Yun Zhou, Auteur ; Mingguo Ma, Auteur ; Kaifang Shi, Auteur ; Zhenyu Peng, Auteur Année de publication : 2020 Article en page(s) : 18 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] cartographie urbaine [Termes descripteurs IGN] catastrophe naturelle [Termes descripteurs IGN] Chine [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] densité de population [Termes descripteurs IGN] données maillées [Termes descripteurs IGN] données multisources [Termes descripteurs IGN] migration humaine [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] point d'intérêt [Termes descripteurs IGN] population urbaine [Termes descripteurs IGN] risque sanitaire [Termes descripteurs IGN] secours d'urgence [Termes descripteurs IGN] zone urbaine Résumé : (auteur) Gridded population results at a fine resolution are important for optimizing the allocation of resources and researching population migration. For example, the data are crucial for epidemic control and natural disaster relief. In this study, the random forest model was applied to multisource data to estimate the population distribution in impervious areas at a 30 m spatial resolution in Chongqing, Southwest China. The community population data from the Chinese government were used to validate the estimation accuracy. Compared with the other regression techniques, the random forest regression method produced more accurate results (R2 = 0.7469, RMSE = 2785.04 and p Numéro de notice : A2020-308 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi9060369 date de publication en ligne : 03/06/2020 En ligne : https://doi.org/10.3390/ijgi9060369 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95155 [article]

Fine-scale dasymetric population mapping with mobile phone and building use data based on grid Voronoi method / Zhenzhong Peng in ISPRS International journal of geo-information, vol 9 n° 6 (June 2020)  

Permalink

A method for urban population density prediction at 30m resolution / Krishnachandran Balakrishnan in Cartography and Geographic Information Science, vol 47 n° 3 (May 2020)  

Permalink

Road network structure and ride-sharing accessibility: A network science perspective / Mingshu Wang in Computers, Environment and Urban Systems, vol 80 (March 2020)  

Permalink

Interactive display of surnames distributions in historic and contemporary Great Britain / Justin Van Dijk in Journal of maps, vol 16 n° 1 ([02/01/2020])  

Permalink

Revealing the Correlation between Population Density and the Spatial Distribution of Urban Public Service Facilities with Mobile Phone Data / Yi Shi in ISPRS International journal of geo-information, Vol 9 n° 1 (January 2020)  

Permalink

A spatio-temporal web-application for the understanding of the formation of the Parisian metropolis / Emile Blettery (2020)  

Permalink

High‐resolution national land use scenarios under a shrinking population in Japan / Haruka Ohashi in Transactions in GIS, vol 23 n° 4 (August 2019)  

Permalink

Understanding demographic and socioeconomic biases of geotagged Twitter users at the county level / Jiang Juqin in Cartography and Geographic Information Science, vol 46 n° 3 (May 2019)  

Permalink

Ensemble methods for pedestrian detection in dense crowds / Jennifer Vandoni (2019)  

Permalink

Human mobility, spatiotemporal context, and environmental health / Mei-Po Kwan (2019)  

Permalink