elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

LSTM models for spatiotemporal extrapolation of population data

Geiß, Christian und Maier, Jana und So, Emily und Zhu, Yue (2023) LSTM models for spatiotemporal extrapolation of population data. In: 2023 Joint Urban Remote Sensing Event, JURSE 2023, Seiten 1-4. Joint Urban Remote Sensing Event (JURSE), 2023-05-17 - 2023-05-19, Kreta, Griechenland. doi: 10.1109/JURSE57346.2023.10144145. ISBN 978-166549373-4. ISSN 2642-9535.

[img] PDF
1MB

Offizielle URL: https://ieeexplore.ieee.org/document/10144145

Kurzfassung

The anticipation of future geospatial population distributions is crucial for numerous application domains. Here, we capitalize upon existing gridded population time series data sets, which are provided on an open source basis globally, and implement a machine learning model tailored for time series analysis, i.e., Long Short Term Memory (LSTM) network. In detail, we harvest WorldPop population data and learn an LSTM model for anticipating population along a three-year interval. Experimental results are obtained from Peru’s capital Lima, which features a high population dynamic. To gain insights regarding the competitive performance of LSTM models in this application context, we also implement multilinear regression and Random Forest models for comparison. The results underline the usefulness of temporal models, i.e., LSTM, for forecasting gridded population data.

elib-URL des Eintrags:https://elib.dlr.de/199941/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:LSTM models for spatiotemporal extrapolation of population data
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Geiß, ChristianChristian.Geiss (at) dlr.dehttps://orcid.org/0000-0002-7961-8553NICHT SPEZIFIZIERT
Maier, Janajana.maier (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
So, Emilyekms2 (at) cam.ac.ukNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Yueyz591 (at) cam.ac.ukNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Mai 2023
Erschienen in:2023 Joint Urban Remote Sensing Event, JURSE 2023
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/JURSE57346.2023.10144145
Seitenbereich:Seiten 1-4
ISSN:2642-9535
ISBN:978-166549373-4
Status:veröffentlicht
Stichwörter:spatiotemporal population modeling; time series data; LSTM models; Lima, Peru
Veranstaltungstitel:Joint Urban Remote Sensing Event (JURSE)
Veranstaltungsort:Kreta, Griechenland
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Mai 2023
Veranstaltungsende:19 Mai 2023
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Geiß, Christian
Hinterlegt am:29 Nov 2023 10:55
Letzte Änderung:14 Aug 2024 10:30

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.