FEMOZ
Deep Learning Modelle und Dashboards für Food Insecurity

    Konsortium
    Die Konsortialpartner des Projekts sind:
    Femoz consortium
    Problemstellung
    Im Projekt FEMOZ analysieren wir Daten von Demographic and Health Surveys (DHS) zur Wasser- und Energieversorgung, dem Vermögen und dem Bildungsstand städtischer und ländlicher Haushalte in 30 afrikanischen Ländern, jedoch mit einem besonderen Fokus auf Mozambique. Die DHS Daten von über 230.000 Haushalten werden mit Sentinel-2 Satellitenbildern verknüpft. Wir können zeigen, dass moderne neuronale Netze in der Lage sind Abbildungsfunktionen zu finden, um abstrakte Indizes, wie die z.B. Wasserversorgung, vorherzusagen.
    Ansatz
    Bisher verwenden wir die DHS Daten zur Art der Trinkwasserquelle, Ort und Entfernung der Wasserversorgung rückblickend bis 2012. Sentinel-2 Bilder aus des Jahren 2015-2016 werden mit einem Wolkenfilter behandelt. Die Hauptzielvariablen sind die Trinkwasserquelle, deren Ort und Entfernung. Zusätzlich wird eine Hauptkomponentenanalyse durchgeführt. Für das Deep Learning Modell wird ein VGG19 Netz mit Transfer Learning trainiert. Die letzte Schicht klassifiziert die Wasserversorgungsquellen bzw. regressiert Entfernung/Hauptkomponente. Weitere Modellierungen wie für die Energieversorgung, den Bildungsstand und das Privatvermögen werden sukzessive vorgenommen.
    Bisherige Ergebnisse und Schlussfolgerung
    Die Ergebnisse zeigen, dass die Trinkwasserquelle mit F1-Werten bis 0.76 klassifiziert werden kann, mit abnehmender Genauigkeit bei steigender Anzahl der Klassen. Die numerische Vorhersage der Entfernung ist aufgrund der starken Schiefheit (skewness) der Daten schwieriger. Bisherige Arbeiten fokussieren auf städtische Modelle. Zukünftige Arbeiten sollen ländliche und kombinierte Modelle sowie andere Ernährungssicherheitsindikatoren betrachten. Insgesamt könnte das Modell damit eine kostengünstige Möglichkeit bieten, Daten für Gebiete vorherzusagen, für die keine Umfragedaten verfügbar sind. Die Ergebnisse sind besser als vergleichbare Studien und zeigen das Potenzial moderner Deep Learning Methoden für die Vorhersage von Entwicklungsindikatoren aus Satellitendaten.
    Dashboard-Entwicklung
    Sämtliche Daten aus dem Projekt (also auch die der Partner) werden in einem Power BI Dashboard visualisiert, das eine interaktive Nutzung sowie verschiedene Selektionen von Daten als auch Vergleiche zwischen den vorgegebenen Attributen wie Jahren, Regionen oder unterschiedliche Faktoren ermöglicht. Die Themen, die auf den verschiedenen Dashboardtabs behandelt werden, reichen von Daten zu durchschnittlichen Lebensmittelpreisen, Warenkosten und Einkommen, erfassten Katastrophen sowie Daten der Frankenförder Forschungsgemeinschaft (FFG), die mittels Umfragen erhoben wurden. Neben dem eigentlichen Dashboard werden im Rahmen von Capacity building Arbeitspaketen auch Schulungsmaterialien entwickelt. Dazu gibt es ein Power BI-Tutorial und eine Beschreibung der Dashboard-Komponenten und wie sie in Power BI erstellt wurden. Das Ziel solcher Tools ist es, den Nutzern zu helfen, das Dashboard in Zukunft weiterzuentwickeln und Instandzuhalten.
    Die aktuellste Version des Dashboards findet sich hier: