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

本文通过使用十个国家的调查与卫星数据，研究城乡界限上的贫困地图建立中的不平等现象、预测误差中的系统性偏差以及公平性问题，展示了这些现象如何影响基于预测地图的政策的有效性。本文的发现强调了在使用卫星贫困地图做出现实世界政策决策之前进行仔细的误差和偏差分析的重要性。

May, 2023

该研究采用机器学习算法结合来自卫星、手机网络、地形图等多个数据源建立了覆盖 135 个低收入和中等收入国家的微观财富和贫困状况估计模型，模型精度经由来自 18 个国家的四个独立家庭调查数据验证，旨在有效应对 COVID-19 疫情，促进可持续发展目标的实现。

Apr, 2021

通过强化学习的方法，结合高分辨率遥感图像和云计算技术，可以在保持精度的情况下降低获取成本，提高贫困预测任务的性能，为可持续发展的多个领域提供实用的应用。

Jun, 2020

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

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

利用卫星图像等地球观测数据结合机器学习，可以深入了解贫困地理的预测居住条件，并探索因果关系以及政策分析。

May, 2024

本文旨在研究 1990-2022 年间印度农村地区的贫困情况，使用生活质量和生计指标将地区分为 “先进”、“赶超”、“落后” 和 “滞后”，整合各种数据来源分析贫困情况，尤其针对性地关注弱势人群以减少不平等现象。

Apr, 2023