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

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

地球观测应用中使用机器学习模型来处理复杂和异构的数据源，但是对于数据源的持久性可用性存在一种常见的假设。本研究评估了训练模型中缺失时间性和静态的观测数据源对于四个数据集中分类和回归任务的影响，并比较了不同方法的预测质量，发现其中一些方法对于缺失数据自然更具鲁棒性。特别是，集成策略实现了高达 100％的预测稳健性。我们发现，在回归任务中缺失情景比分类任务更具挑战性。最后，我们发现当光学视图单独缺失时，它是最关键的视图。

Mar, 2024

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

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

本文介绍了地球观测所面临的机器学习等技术对于从原始数据到可用信息转化的必要工具和方法，并探讨了这些发展的挑战及其影响，包括计算机视觉、机器学习、高级处理和计算、以知识为基础的人工智能、可解释的人工智能和因果推断、物理感知模型、以用户为中心的方法以及与大规模使用机器学习技术相关的伦理和社会问题的讨论。

May, 2023

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

电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

Nov, 2023