数据稀缺环境下的动态高分辨率财富测量

本文评估了使用基于卫星的深度学习方法作为替代方案，以加快全面、细粒度和动态测度资产财富进程。研究使用了来自四个非洲国家的详细家庭人口普查抽取的基于卫星的深度学习方法，并评估了其有效性。

核心观点

• 传统数据收集的高成本使全面测量成为一个艰巨的任务，而基于卫星的深度学习方法可以提供更准确、经济且可扩展的解决方案。
• 本文评估了使用视觉Transformer架构解决多个与组合普查和卫星数据进行富裕度细化空间尺度估计算法的开放问题。

关键数据和研究结论

• 研究使用了来自马拉维、莫桑比克、布基纳法索和马达加斯加的日光Landsat卫星图像，其中马拉维和莫桑比克有双时相图像对。
• 研究结果表明，视觉Transformer模型在预测财富水平和变化方面优于基于卷积神经网络（CNN）的早期深度学习架构以及使用地理空间特征和表格机器学习方法（XGBoost）进行预测的简单模型。
• 在预测国家层级财富变化方面，深度学习模型超越了XGBoost，意味着在代表性方面也同样重要。
• 研究发现，当每张图像至少有10户家庭可用时，对更多枚举区域的调查优先于对枚举区域内部额外家庭的调查。
• 地理空间特征被视为提高经济测量的宝贵辅助数据，但在城市级别财富预测中，整合地理空间特征通常会降低模型性能。
• 研究结果表明，SkySat在两个城市的各种训练数据比例中，均持续优于PlanetScope，突显了在城市空间细节方面准确测量财富对我们变压器模型的重要性。

研究方法

• 研究使用了来自四个低收入国家（马拉维、莫桑比克、布基纳法索和马达加斯加）以及马拉维的两个城市作为非洲的研究区域。
• 研究构建了一个大规模、多分辨率和多时序的财富数据集，包含超过1200万户家庭的数据。
• 研究使用了多种深度学习模型，包括基于ResNet-18的CNN模型、视觉Transformer模型和XGBoost模型。

研究意义

• 研究结果表明，使用视觉Transformer架构可以有效地进行财富测量，特别是在数据稀缺的环境中。
• 研究结果为政策制定者提供了新的工具，以更准确地识别和帮助贫困人口。