Beginn: Ab sofort
Erstbetreuer: Prof. Dr. Heisenberg
Zweitbetreuer: Sven Wöhrle, MSc.
Niveau: Bachelorarbeit
Problemstellung:
Dürren und Überflutung betreffen jedes Jahr zahlreiche Länder, die zum einen den Wettbewerb um Wasser verschärfen und zum anderen für Nahrungsmittelunsicherheit und dadurch ausgelöst Massenmigration sorgen.
Am Institut für Informationswissenschaften (IWS) laufen zurzeit mehrere Projekte mit einem besonderen Fokus auf Afrika. Das Ziel dieser Projekte ist, integrierte Daten und Informationen mit Hilfe maschineller Lernmethoden mit einer hohen räumlichen und zeitlichen Auflösung zu generieren und eine verbesserte, proaktive Planung von Maßnahmen zur Bekämpfung der Auswirkungen von Nahrungsmittelunsicherheit zu ermöglichen.
Eine Schlüsselrolle spielen dabei Daten aus dem DHS-Programm (Demographic and Health Surveys). Das DHS-Programm stellt Daten aus über 400 Erhebungen in mehr als 90 Ländern zur Verfügung. Dabei handelt es sich um repräsentative Daten zu Bevölkerung, Gesundheit, Bildung und Ernährung
( https://dhsprogram.com ).
Ziel der Arbeit ist, die unterschiedlichen Befragungsitems zur Energieversorgung der Bevölkerung an den Befragungsorten mittels Principal Component Analyse (PCA) in einem Index zusammenzufassen und dann per Satellitendaten (Inputdaten) über CNNs zu prognostizieren. Die Sentinel Satellitenbilder (Inputdaten) liegen vor und wurden über die Google Earth Engine API bezogen. Des Weiteren liegt eine CNN-Architektur vor und kann genutzt werden um den oben genannten Energieversorgungsindex mit hoher Genauigkeit zu modellieren. Ausreichende Rechenkapazitäten gibt es ebenfalls. Eine Optimierung der Hyperparameter muss entsprechend erfolgen. Die konkreten Forschungsfragen sowie eine geeignete Methodik sind in einem Exposé vorab zu entwickeln und zu formulieren.
Ziel der Arbeit ist, die unterschiedlichen Befragungsitems zur Energieversorgung der Bevölkerung an den Befragungsorten mittels Principal Component Analyse (PCA) in einem Index zusammenzufassen und dann per Satellitendaten (Inputdaten) über CNNs zu prognostizieren. Die Sentinel Satellitenbilder (Inputdaten) liegen vor und wurden über die Google Earth Engine API bezogen. Des Weiteren liegt eine CNN-Architektur vor und kann genutzt werden um den oben genannten Energieversorgungsindex mit hoher Genauigkeit zu modellieren. Ausreichende Rechenkapazitäten gibt es ebenfalls. Eine Optimierung der Hyperparameter muss entsprechend erfolgen. Die konkreten Forschungsfragen sowie eine geeignete Methodik sind in einem Exposé vorab zu entwickeln und zu formulieren.