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

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

通过地理空间数据和机器学习算法，提出了一种在乡村级别上生成贫困地图的通用预测方法，通过在 25 个撒哈拉以南非洲国家的验证，该方法可以提高单个国家和跨国估计的有效性，为 44 个撒哈拉以南非洲国家提供比以前更精确的贫困地图。此方法可用于缩短成本和节省时间，避免重新采集新的全国家庭调查。

Sep, 2020

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

利用卫星图像和机器学习的组合可以估算出类似于面对面采访和家庭调查的贫困水平，然而在机器学习解释性方面还需要更多的研究探索。通过评估透明性、可解释性、领域知识三个核心要素，我们发现机器学习的可解释性是支持贫困研究更广泛传播和接受的关键。

Mar, 2022

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

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

该研究介绍了利用开放源代码的地理定位维基百科文章中的文本信息，运用现代 NLP 技术，预测社区层面的资产财富和教育成果的新方法，提高普查数据收集的成本效益，优于先前的数据预测基准，能为社会科学研究和政策决策提供参考。

May, 2019