Stanford researchers use machine learning to compare the nighttime lights in Africa – indicative of electricity and economic activity – with daytime satellite images of roads, urban areas, bodies of water and farmland. (Marshall Burke)

Maschinelles Lernen zur Kartierung des globalen Wohlstands

12. April 2016 Hannes Bartl 0

Der größeren Leistungsfähigkeit und Verfügbarkeit von Rechenkapazität ist es zu verdanken, dass Forscher der Stanford University nun ein Verfahren vorstellen konnten, mit dem anhand von großen Mengen von Satellitenbildern durch maschinelles Lernen Karten des globalen Wohlstands erzeugt werden können. Das automatisierte Verfahren eignet sich dazu, die sonst arbeitsintensive Erfassung von Wohlstandsdaten zu ersetzen oder zumindest auf ein Minimum zu begrenzen. Das Problem dvon nicht oder nur unzureichend vorhandenen Datengrundlagen ist eines der größten Probleme bei der Armutsbekämpfung, zu dessen Lösung das Verfahren beitragen soll.

Change Detection Analyse von drei Landnutzungsklassifikationen der Stadt Abuja, Nigeria (Quelle: Mahmoud Ibrahim Mahmoud et al., 2016, Analysis of Settlement Expansion and Urban Growth Modelling Using Geoinformation for Assessing Potential Impacts of Urbanization on Climate in Abuja City, Nigeria,Remote Sens. 2016, 8(3), 220)

Fernerkundung: Analyse von Satellitendaten beschreibt Wachstum von Städten

9. März 2016 Hannes Bartl 0

In einem Artikel zum Thema Fernerkundung im Journal Remote Sensing beschreiben Mahmoud Ibrahim Mahmoud und Co-Autoren eine Analyse des Wachstums von Abuja, Nigeria, auf Grundlage von LANDSAT-Daten, die einen Zeitraum von 30 Jahren überspannen. Maschinelles Lernen mittels Support Vector Machines als Klassifikationsmethode erwies sich als zuverlässig. Die Annahme, dass typische Probleme von Megastädten mit zunehmender Bodenversiegelung zusammenhängen, konnte abermals bestätigt werden.