दूरस्थ संवेदन और सामाजिक संवेदन डेटा फ्यूजन के माध्यम से बहु-मॉडल न्यूरल नेटवर्क के साथ सूक्ष्म-रिज़ॉल्यूशन जनसंख्या मानचित्रण

सूक्ष्म स्थानिक पैमानों पर जनसंख्या वितरण का मानचित्रण संसाधन उपयोग, शहर की आपदा का आकल्पन, पर्यावरणीय नियमन और शहरीकरण के लिए महत्वपूर्ण और मूलभूत है। दूरस्थ और सामाजिक संवेदन से उत्पन्न बहु-स्त्रोत डेटा का उपयोग जनसंख्या वितरण का मानचित्रण करने के लिए जनगणना जानकारी को अलग करने के लिए किया गया है। हालाँकि, कई स्रोत डेटा को मिलाकर और भौगोलिक स्थानिक विषमताओं पर विचार करके सटीक उच्च-स्थानिक-रिज़ॉल्यूशन जनसंख्या मानचित्रण प्राप्त करना चुनौतीपूर्ण है। मौजूदा दृष्टिकोण वैश्विक और स्थानीय स्थानिक जानकारी को एक साथ नहीं मानते, जिसका परिणाम निम्न सटीकता होती है। यह लेख बहु-स्त्रोत डेटा से सूक्ष्म-रिज़ॉल्यूशन जनसंख्या अनुमान की गणना के लिए एक बहु-मॉडल फ्यूजन न्यूरल नेटवर्क का प्रस्ताव करता है। हमारा दृष्टिकोण प्रत्येक भौगोलिक इकाई की स्थानीय स्थानिक जानकारी और वैश्विक जानकारी को ध्यान में रखता है। विशेष रूप से, एक भौगोलिक इकाई का प्रथम-क्रम स्थान मैट्रिक्स इसकी स्थानीय स्थानिक जानकारी को वर्णित करने के लिए उपयोग किया जाता है। हम एक बहु-मॉडल न्यूरल नेटवर्क का प्रस्ताव करते हैं, जो एक कन्वोल्यूशनल न्यूरल नेटवर्क और एक मल्टीलेयर पर्सेप्ट्रॉन (MLP) मॉडल को मिलाकर सूक्ष्म-रिज़ॉल्यूशन जनसंख्या मानचित्रण का अनुमान लगाता है। प्रयोगात्मक सेटिंग के रूप में शेनज़ेन, चीन का उपयोग करते हुए, 100 मीटर स्थानिक रिज़ॉल्यूशन पर एक जनसंख्या वितरण मानचित्र उत्पन्न किया गया। मॉडल की मात्रात्मक पुष्टि इस बात को दर्शाती है कि इसने अनुमानित जनसंख्या और जनगणना जनसंख्या के बीच के संबंध को टाउनशिप स्तर पर (R² =0.77) विश्व जनसंख्या डेटा सेट (R² =0.51) और MLP-आधारित मॉडल (R² =0.63) की तुलना में अधिक सटीकता से कैप्चर किया। गुणात्मक रूप से, प्रस्तावित मॉडल जनसंख्या घनत्व में अंतर की पहचान करने में सक्षम है, विशेष रूप से घनी आबादी वाले क्षेत्रों और कुछ दूरस्थ जनसंख्या समूहों में, विश्व जनसंख्या डेटा सेट की तुलना में अधिक सटीकता से।