Challenges and prospects of spatial machine learning

Julian Christian Hagenauer

doi:10.18453/rosdok_id00004228

Julian Christian Hagenauer

Challenges and prospects of spatial machine learning

Universität Rostock, 2022

https://doi.org/10.18453/rosdok_id00004228

Abstract: Das wesentliche Ziel dieser Arbeit ist es, die Nützlichkeit des räumlichen maschinellen Lernens für die Raumwissenschaften zu verbessern und es zu ermöglichen, ungenutztes Potenzial auszuschöpfen. Um dieses Ziel zu erreichen, befasst sich diese Arbeit mit mehreren wichtigen Herausforderungen, denen das räumliche maschinelle Lernen gegenübersteht. Diese sind die Modellierung von räumlicher Autokorrelation und räumlicher Heterogenität, die Auswahl eines geeigneten Modells für ein gegebenes räumliches Problem und das Verständnis komplexer räumlicher maschineller Lernmodelle.

Habilitationsschrift Freier Zugang

Titel:

Challenges and prospects of spatial machine learning

Beteiligte Personen:

Julian Christian Hagenauer[VerfasserIn]
	1036794342
Philip Marzahn[AkademischeR BetreuerIn]
	Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät
Nguyen Xuan Thinh[AkademischeR BetreuerIn]
	102434987X
	Technische Universität Dortmund, Fakultät Raumplanung
Johannes Scholz[AkademischeR BetreuerIn]
	Technische Universität Graz, Geodätisches Institut

Beteiligte Körperschaften:

Universität Rostock[Grad-verleihende Institution]
	38329-6
Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät[Grad-verleihende Institution]
	10025954-6

Zusammenfassung:

The main objective of this thesis is to improve the usefulness of spatial machine learning for the spatial sciences and to allow its unused potential to be exploited. To achieve this objective, this thesis addresses several important but distinct challenges which spatial machine learning is facing. These are the modeling of spatial autocorrelation and spatial heterogeneity, the selection of an appropriate model for a given spatial problem, and the understanding of complex spatial machine learning models. [Englisch]

Das wesentliche Ziel dieser Arbeit ist es, die Nützlichkeit des räumlichen maschinellen Lernens für die Raumwissenschaften zu verbessern und es zu ermöglichen, ungenutztes Potenzial auszuschöpfen. Um dieses Ziel zu erreichen, befasst sich diese Arbeit mit mehreren wichtigen Herausforderungen, denen das räumliche maschinelle Lernen gegenübersteht. Diese sind die Modellierung von räumlicher Autokorrelation und räumlicher Heterogenität, die Auswahl eines geeigneten Modells für ein gegebenes räumliches Problem und das Verständnis komplexer räumlicher maschineller Lernmodelle. [Deutsch]

Dokumenttyp:

Habilitationsschrift

Einrichtung:

Fakultät für Agrar, Bau und Umwelt

Sprache:

Englisch

Sachgruppe der DNB:

004 Informatik

550 Geowissenschaften

Veröffentlichung /
Entstehung:

Rostock: Universität Rostock

2022