Sep, 2020

利用高分辨率卫星图像和公平的现实数据对非正规定居点进行人口地图绘制

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于深度特征的遥感与贫困测绘迁移学习

    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

  • 卫星图像人口估计的深度学习方法

    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

  • 逐幢建筑绘制全球人口地图

    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

  • 利用机器学习和低分辨率多光谱数据绘制发展中国家的非正式定居点图

    该研究提出了一种新的机器学习数据集，可以用于检测非正式聚居地，同时表明使用免费的低分辨率卫星图像进行非正式聚居地侦测是可行的，并演示了两种有效的分类方案，可将这些方案集成到半自动化流水线中。

    Jan, 2019

  • 利用卫星图像进行的深度学习方法：印度农村缺失人口测绘

    使用多种卫星图像输入的两个卷积神经网络结构有效地结合了来自印度乡村地区的卫星图像和2011年人口普查的人口标签，以准确预测一区域的人口密度，性能优于以往研究以及全球人口分布的标准LandScan。

    May, 2019

  • 使用深度强化学习实现高效贫困地图绘制

    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

  • 基于Sentinel-1和Sentinel-2的高分辨率人口地图

    使用免费且全球可用的Sentinel-1和Sentinel-2卫星图像以及少量粗糙人口普查区域的集总人口计数进行校准，我们开发了一种名为POPCORN的人口映射方法，其数据需求最小，却超越了现有方案的映射准确性，能够生成最新和高分辨率的人口地图，以民主化地为需要更新的地区提供资源。

    Nov, 2023

  • 遥感图像中贫民窟映射的深度学习：元分析与综述

    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

  • 由卫星影像生成道路网络以获取贫困地区的社会经济洞察

    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

  • 非洲定居点映射：通过深度学习和卫星影像生成高分辨率的城市和乡村地图

    本研究解决了现有土地利用和土地覆盖（LULC）地图在非洲等多样化地区缺乏精确城市与乡村分类的问题。我们采用基于DeepLabV3架构的深度学习模型，利用Landsat-8卫星影像和增强的人类定居点数据，构建了一个10米分辨率的高分辨率城乡地图。研究结果表明，结合LULC与城乡分类的信息显著提高了识别城市、乡村及非人类定居区的准确性，进而为决策者和利益相关者提供更为有效的信息支持。

    Nov, 2024