Ingreso, pobreza y desigualdad. un análisis espacio temporal usando aprendizaje profundo (deep learning): imágenes satelitales como predictor del nivel de ingreso en Ecuador.

Cruz Segura, Stéfano Sebastián

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/24445

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.author	Cruz Segura, Stéfano Sebastián	-
dc.date.accessioned	2023-08-02T17:57:07Z	-
dc.date.available	2023-08-02T17:57:07Z	-
dc.date.issued	2023-03	-
dc.identifier.citation	Cruz Segura, S.S. (2023). Ingreso, pobreza y desigualdad. un análisis espacio temporal usando aprendizaje profundo (deep learning): imágenes satelitales como predictor del nivel de ingreso en Ecuador. 72 páginas. Quito : EPN.	es_ES
dc.identifier.other	T-FCM 0372 / CD 13369	-
dc.identifier.uri	http://bibdigital.epn.edu.ec/handle/15000/24445	-
dc.description	En este trabajo se utilizará las encuestas de ENEMDU (encuesta nacional de empleo, desempleo y subempleo) desde el 2014 hasta el 2019 para estimar 3 variables desagregadas por provincia y trimestre: el ingreso promedio, la pobreza y la desigualdad expresada por el coeficiente de Gini. Se usarán redes neuronales, pues permiten integrar divertsas variables exógenas como variables macroeconómicas, coordenadas y estimadores alternativos como las imágenes satelitales. La arquitectura de red neuronal utilizada se inspira en el modelo de image captioning, que consiste en una combinación entre una red recurrente y una red convolucional, lo que permite tratar datos en series de tiempo e imágenes al mismo tiempo, además de otras variables auxiliares. Esta versión del modelo recibirá información de una provincia del Ecuador, y entregará 3 series de tiempo. Se entrenaron varias versiones más simples del modelo con menos variables de entrada, con el objetivo de medir el aporte que cada tipo de variable realiza a las predicciones, y se observó que el aporte de las imágenes satelitales es significativo.	es_ES
dc.description.sponsorship	This paper will use the ENEMDU survey (employment, unemployment and subemployment national survey in spanish) from 2014 to 2019 to estimate 3 variables disaggregated by province and trimester: the mean income, poverty and inequality expressed by the Gini coefficient. Neural Networks will be used because they allow to integrate various exogeneous variables like macroeconomic variables, coordinates and alternative estimators like satellite imagery. The neural network architecture used is inspired in the image captioning model, which consists of combining a recurrent and a convolutional neural network, which allows to treat time series and imagery data at the same time, besides other auxiliary variables. This model version will receive an Ecuador's province information and will deliver 3 time series. Various simpler versions of the model were trained using less inputs, with the goal of measuring how much each variable type contributes to the prediction, and it was observed that satellite imagery is significant.	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Quito : EPN, 2023.	es_ES
dc.rights	openAccess	es_ES
dc.subject	MATEMÁTICAS	es_ES
dc.subject	ENCUESTA ENEMDU	es_ES
dc.subject	INGRESO PROMEDIO	es_ES
dc.subject	POBREZA	es_ES
dc.subject	DESIGUALDAD	es_ES
dc.subject	IMAGE CAPTIONING	es_ES
dc.title	Ingreso, pobreza y desigualdad. un análisis espacio temporal usando aprendizaje profundo (deep learning): imágenes satelitales como predictor del nivel de ingreso en Ecuador.	es_ES
dc.type	bachelorThesis	es_ES
Aparece en las colecciones:	TIC - Ingeniería Matemática

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 13369.pdf		3 MB	Adobe PDF	Visualizar/Abrir

Muestra el registro sencillo del ítem

BIBDIGITAL