该研究利用卫星图像和在线群众采集与社交媒体数据，运用机器学习方法，建立了可预测多个具有地理聚集特征的人口聚居地财富平均数和标准差的模型，并在塞拉利昂和乌干达进行了验证和性能比较，揭示元数据对农村区域财富预测有更好的表现。该方法不仅能恢复本地财富的平均数和变异性，还能捕捉它们之间的正相关性，具有一定的可迁移性和可解释性。

Feb, 2023

提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。

Dec, 2018

使用 Landsat 7 卫星采集的多光谱卫星图像，训练 CNN 模型可以准确地测量发展中国家地方经济生计，即使图像分辨率较低，仍能超越以往的基准结果。

Nov, 2017

通过结合编码 - 解码架构和卫星图像的形态学运算，我们开发了一个系统的道路提取框架，为跨学科研究人员提供了一种集成的工作流。在贫困地区的实际数据上进行的道路网络提取的大量实验证明，相比于基准方法，F1 得分提高了 42.7％，重建了大约 80％的实际道路。我们还提出了一个全面的道路网络数据集，涵盖了中国 382 个贫困县约 794,178 平方公里的面积和 17.048 万人口，利用这个生成的数据集进行了贫困县的社会经济分析，结果显示道路网络建设对地区经济发展有积极影响。

Jun, 2024

使用公共街道图像进行街区中薄弱群体的生计指标预测，方法分为图像分群和基于图像关系的两种方法，测试结果表明此方法对于贫困、人口和公共卫生等指标的预测精度高

Jun, 2020

本研究利用 82000 多篇澳大利亚大学的出版物作为案例研究，通过相似度度量与 OpenAI GPT 模型将这些出版物与可持续发展目标（SDGs）进行映射，结果显示采用相似度度量的模型能够补充 GPT 模型进行 SDG 分类，此外，深度学习方法在处理敏感数据方面更加可靠，并且无需使用商业人工智能服务或部署昂贵的计算资源来运行大型语言模型。研究表明，两种方法的结合可以实现可靠的研究到 SDGs 的映射结果。

Nov, 2023

本文提出了一种新的方法来解决缺乏标注训练数据在卫星图像的细粒度解释方面的难题，通过将地理参考维基百科文章与其对应位置的卫星图像配对构建名为 WikiSatNet 的新型数据集，并提出了两种学习卫星图像表示的策略。在最新发布的 fMoW 数据集上，本文的预训练策略可以将在 ImageNet 预训练的模型的 F1 分数提高 4.5%。

May, 2019

通过数据驱动系统，自动创建可持续发展目标框架，实现准确预测公司的目标得分，并提供与预测得分相关的数据解释，从而以较低成本提供大量信息。

Aug, 2023

评估新闻情绪指标对欧洲五个主要经济体的国内生产总值（GDP）和其他宏观经济变量的预测信息内容，结果显示这些情绪指标对宏观经济变量的预测具有显著性并且对其他实时可用的指标进行控制仍然具有稳健的预测内容。

Jan, 2024

我们用一个名为 PaLM 2 的 LLM 来预测大学课程的联合国可持续发展目标（SDG），并使用它生成训练数据，基于一个嘈杂的人工撰写的课程描述作为输入。我们使用这些数据来训练几个不同的较小语言模型来预测大学课程的 SDGs。该研究有助于更好地使可持续发展目标在大学层面得到应用。在我们的实验中表现最佳的模型是 BART，其 F1 得分为 0.786。

Feb, 2024