@mastersthesis{St{\"o}rmer2022,
  type      = {Bachelor Thesis},
  author    = {St{\"o}rmer, Pia},
  title     = {Prognose des Asset Wealth f{\"u}r afrikanische Regionen auf Basis von Remote-Sensing-Daten},
  school    = {Institut f{\"u}r Informationswissenschaft der Technische Hochschule K{\"o}ln},
  pages     = {39},
  year      = {2022},
  abstract  = {Die Messung des regionalen Wohlstands ist aufgrund der zunehmenden Bedrohungen f{\"u}r die Ern{\"a}hrungssicherheit ein wichtiges Instrument bei der Sicherung des Lebensunterhaltes. So dienen diese unter anderem f{\"u}r die Ausrichtung und Organisation staatlicher und nicht staatlicher Leistungen und Regierungsentscheidungen. Diesen Messungen liegen meist Verbrauchs- und Verm{\"o}gensbefragungen, wie die des DHS-Programms zugrunde, welche kosten- und zeitaufwendig sind. Als L{\"o}sungsansatz werden im Rahmen dieser Arbeit Machine Learning Modelle entwickelt, die anhand von Satellitendaten und Haushaltsumfragen des DHS-Programms einen Asset Wealth Index f{\"u}r afrikanische Regionen im und rund um das Horn von Afrika vorhersagen. Dazu wird anhand der Umfragedaten mittels einer Hauptkomponentenanalyse der entsprechende Asset Wealth pro Haushalt anhand der Verm{\"o}gensgegenst{\"a}nde ermittelt. {\"U}berdies werden die Geo-Daten in Form von Sentinel-2 und VIIRS-Bildern der Position der Haushalte f{\"u}r die entsprechenden Jahre beschafft. Nach einer statistischen Auswertung der Labeldaten erfolgt die Implementation verschiedener Modelle, nach st{\"a}dtischen und l{\"a}ndlichen Regionen getrennt, mit verschiedenen Eingabeformaten. Nachdem bewiesen wird, dass ein Verkn{\"u}pfung der Labeldaten vor 2015 mit Sentinel-2-Bildern ab Mitte 2015 sinnvoll ist, wird pro Art der Region jeweils ein Modell ausschließlich auf den Bildern eines der Satelliten sowie auf Bildern aus einer Kombination beider Satelliten trainiert. Dabei zeigen die Modelle in ihren Prognosen eine geringere Varianz als die tats{\"a}chlichen Daten, sodass die Differenzierung des Asset Wealth zwischen den Regionen zwar in Ans{\"a}tzen korrekt, aber deutlich schw{\"a}cher ausgepr{\"a}gt ist, als in der Realit{\"a}t. Zudem zeigt sich, dass die Vorhersage l{\"a}ndlicher Regionen vielversprechendere Ergebnisse liefert, als die st{\"a}dtischer Regionen. Die abschließende Prognose des Asset Wealth f{\"u}r Mosambik zeigt nahezu identische Werte zu den im Training und in der Evaluation verwendeten Mosambik-Daten anderer Jahre.},
  subject      = {Regression},
  language  = {de}
}