利用社区生成的街景图像预测生计指标
通过高分辨率航拍图像,利用监督卷积神经网络和基于视觉词袋的半监督聚类方法,从公开可获取的城市图像准确估计美国各地区的人口密度、家庭收入中位数和教育水平,并开拓用于地理概括和无需标记数据的细粒度信息估计的新的半监督方法。
Sep, 2023
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
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
本文介绍了一种利用物体检测器和高分辨率 (30cm) 卫星图像来精确预测本地贫困率的计算框架,并且使用权重计数作为特征,相对于现有的比较不可解释的基准模型,能够在乌干达的村级贫困预测中实现 0.539 的皮尔逊相关系数,这是一种可解释性和性能相结合的方法。
Feb, 2020
通过结合家庭人口统计和生活水平调查问题以及从卫星图像中提取的特征,预测一个地区的贫困率。我们的方法利用 10 米每像素的 Sentinel-2 地表反射卫星图像,并使用单步特征化方法获得视觉特征。这些视觉特征与十个调查问题结合在一起,通过代理手段测试(PMT)来估计一个家庭是否处于贫困线以下。我们证明了加入视觉特征可以将贫困率估计的均方误差从 4.09% 降低到 3.88%。除了将卫星图像特征包含在代理手段测试中,我们还提出了一种选择与从卫星图像中提取的视觉特征互补的一小部分调查问题的方法。具体来说,我们设计了一种由整个调查和图像特征引导的调查变量选择方法,并使用该方法确定一小组最相关的调查问题,以纳入代理手段测试中。我们验证了这些小调查问题的选择,在使用这小组问题预测贫困率的下游任务中表现最佳,贫困率的误差从 4.09% 降低到 3.71%。我们还证明了提取的视觉特征编码了地理和城市化之间的差异。
Jul, 2023
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
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
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