Projecting Spatial Population Distribution Using a Convolutional Neural Network
Author
Larsen, Hans Skaarup
Term
4. semester
Publication year
2018
Submitted on
2018-06-07
Pages
121
Abstract
At forudsige, hvor mennesker vil bo i fremtiden, er vigtigt for at håndtere udfordringer fra global befolkningstilvækst og mulige klimaforandringer. Denne afhandling undersøger, om et konvolutionelt neuralt netværk (CNN), en maskinlæringsmodel der kan genkende rumlige mønstre, kan bruges til at fremskrive den fremtidige rumlige fordeling af befolkningen. Jeg udvikler en model kaldet PopNet, som lærer komplekse mønstre i historiske befolkningsdata lagt på et gitter med celler på 250 meter og bruger dem til at projicere den fremtidige fordeling. Derefter simuleres og evalueres to fremtidsscenarier baseret på IIASAs SSP2-befolkningsfremskrivninger for Danmark og Frankrig. Resultaterne viser, at CNN'er, trods begrænsninger, kan anvendes til at projicere rumlige befolkningsfordelinger. Studiet identificerer centrale styrker, svagheder og udfordringer og foreslår ændringer, der kan forbedre PopNets præcision og anvendelighed i fremtiden.
Being able to project where people will live in the future helps address challenges from global population growth and possible climate change. This thesis examines whether a convolutional neural network (CNN), a machine learning model that detects spatial patterns, can project future spatial population distribution. I design a model called PopNet that learns complex patterns in historical population data laid out on a grid of 250-meter cells and uses them to forecast future distribution. Two future scenarios are then simulated and evaluated using the SSP2 population projections from IIASA for Denmark and France. The results show that, although the method has limitations, CNNs can be used to project spatial population distributions. The study identifies key strengths, weaknesses, and challenges, and proposes changes that could improve PopNet's accuracy and usefulness in future applications.
[This abstract was generated with the help of AI]
Documents