Spatial data science approaches to predict environmental and socioeconomic health determinants

Aquesta tesi, organitzada en tres articles, proposa avenços metodològics en els processos de predicció espacial utilitzats per a exposicions ambientals i socioeconòmiques. El primer estudi prediu la temperatura i quatre contaminants atmosfèrics a alta resolució espaciotemporal a Catalunya. Inclou innovacions com l’ús de dades de TROPOMI, l’estimació de la incertesa en les prediccions i mètodes d’explicabilitat per validar les associacions. El segon estudi investiga la inclusió de proxies espacials, com ara coordenades i distàncies, com a predictors en models random forest. En una simulació i dos casos pràctics, concloem que aquestes variables no són sempre beneficioses i identifiquem models alternatius. El tercer estudi prediu la posició socioeconòmica de les llars en zones semirurals de Moçambic, utilitzant un conjunt de dades multimodal format per imatges per satèl·lit i de les llars, i combinant mètodes d’aprenentatge profund i automàtic seguit d’anàlisis d’explicabilitat. Aquesta tesi contribueix a la literatura suggerint metodologies per obtenir estimacions d’exposició més precises, transparents, eficients i informatives.