数据稀缺环境中的动态高分辨率贫困测量

本文评估了四种非洲国家详细家庭普查提取数据的替代基于卫星的深度学习方法，以加速大规模、细粒度和动态贫困测量的进步。

核心观点： 准确而全面的家庭生计测量对于监测减贫进展和社会援助计划的针对性至关重要，但传统数据收集的高成本历来使全面测量成为一个难题。本文提出并评估了使用视觉变换器架构来解决结合调查数据和卫星数据以在细粒度空间尺度上生成财富估计值的多个开放性问题。

关键数据： 本文汇集了一个大规模、多分辨率和多时间尺度的贫困数据集，使用了国家普查数据或从国家统计局获取的提取数据，并结合了来自不同分辨率多种公共和私营传感器的多光谱卫星影像。该数据集涵盖了四个非洲国家（马拉维、莫桑比克、布基纳法索和马达加斯加）超过120万户家庭的数据，并且独特地包含两个马拉维城市内精确地理参考的测量数据，以及同一地点随时间的重复测量数据。

研究结论：

• 国家一级的财富预测： 变压器模型在预测国家一级的资产财富指数（AWI）方面表现优于CNN和XGBoost模型。当训练数据少于10%的普查提取时，准确性会急剧下降。地理空间特征可以显着改善模型的性能。
• 城市级财富预测： 变压器模型在预测城市街道和街区层面的财富差异方面表现出出乎意料地准确。SkySat传感器在预测城市级别的财富方面优于PlanetScope传感器。
• 财富变化预测： 基于完整样本训练的深度学习模型能够捕获马拉维52%的变化和莫桑比克42%的变化，表现优于XGBoost。减少采样地点的数量比减少每批次样本的家庭数量对准确性的下降影响更大。

研究意义： 本文提出的方法证明了结合卫星图像、公开可获取的地理特征以及新的深度学习架构，可以在数据稀缺的环境中实现高度局部化和动态的贫困测量的潜力。这对于监测减贫进展和制定更有效的社会援助计划具有重要意义。