通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。
Oct, 2015
利用深度学习模型对美国每个0.01平方度单元格的高分辨率人口估计进行了研究，并比较了直接调查和解聚群体技术的优劣。
Aug, 2017
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
利用机器学习的计算机视觉方法可从卫星图像中创建全球范围内的人口地图，该方法精度高，适用于全球部署，能够检测城市化地区，有助于基础设施规划、疫苗接种计划、灾难响应和高精度洪水风险分析等。
Dec, 2017
提出一种名为 READ 的新方法，利用深度神经网络从高分辨率卫星图像中获取任何给定区域的基本空间表示，结合转移学习和嵌入式统计学习显著提取尺寸任意的地区的重要空间特征，在小标签集的情况下，可区分城乡地区的微小差异，预测经济规模且表现最优，为开发中国家提供了潜在利用价值。
Dec, 2019
本论文提出了一种通用框架，利用高分辨率卫星图像对低收入城区中密集型非正式定居点——所谓的“贫民窟”——的人口进行估算，并借助本地社区的合作来获得公正的基础数据，以让机器学习应用更加包容、公平和具有问责性。
Sep, 2020
通过使用深度分割网络和卫星图像，利用准确的建筑定居面具，我们以30米乘30米的分辨率准确估计人口数量，并利用兴趣点（POI）数据排除非居民区。
Jul, 2023
本研究提出了一种使用深度学习的多头卷积神经网络模型，通过远程感知的卫星图像和普查数据标签，估计了日本作为全球老龄化最为严重国家之一的细粒度网格人口组成，并实现了在非普查年份2022对人口组成的估计和可视化。
Aug, 2023
研究以2014年至2024年间的遥感影像为基础的贫民窟绘图，重点关注深度学习方法，展示了越来越复杂的神经网络结构、数据预处理和模型训练技术的进步，以显著提高贫民窟识别精确度，评估了在全球不同地理环境中有效的关键方法，并提出了克服数据限制和模型解释性不足等挑战的潜在策略。
Jun, 2024
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。