基于图神经网络的统计数据精细空间分解

本文提出了一种基于图神经网络（GNN）的统计数据分析细粒度空间分解框架，旨在将聚合指标分解到更精细的空间分辨率。该框架采用 H3 分层六边形索引系统将空间离散化为细分辨率单元，并构建了包含细分辨率单元、父单元和行政单元的异构图，以编码空间依赖性和层级关系。GNN 通过信息传递和层级链接学习细分辨率单元的潜在非负强度表面，并通过聚合约束确保与官方统计的一致性。文章以国内生产总值（GDP）为例，将其分解到 H3 分辨率 6 的单元格，结果表明该框架能够生成与已知聚合指标一致且与辅助协变量模式相符的高分辨率估计。该框架为空间分解提供了一种通用的方法，可以应用于经济、社会和环境统计指标，从而更详细地映射指标并从粗数据中解锁更精细的洞察。

核心观点

• 现有的空间分解方法存在信息稀疏性、时间连续性难以维持和全球适用性差等挑战。
• 本文提出的 GNN 框架通过 H3 索引系统、异构图结构和 GNN 模型来解决这些挑战。
• 该框架能够将聚合指标分解到细分辨率单元，并确保与官方统计的一致性。

关键数据

• 使用了来自 WorldPop、Annual VNL V2、OpenStreetMap Full History 和 MODIS MCD12 等数据源的细粒度空间解释变量。
• 使用了世界银行、国际货币基金组织和联合国等机构提供的国内生产总值（GDP）数据作为目标变量。
• 使用了世界银行全球行政区划数据库（WB-GAD）进行空间协调。

研究结论

• 与仅依赖于节点级协变量和聚合约束的 MLP 基线模型相比，GNN 框架能够更好地克服信息稀疏性，并生成更稳定和更具泛化能力的细分辨率估计。
• 该框架能够生成与已知聚合指标一致且与辅助协变量模式相符的高分辨率估计。
• 该框架具有全球适用性，可以应用于数据可用性不均的国家和地区。
• 该框架为空间分解提供了一种通用的方法，可以应用于经济、社会和环境统计指标。

未来工作

• 将框架扩展到其他指标，如人类发展指数（HDI）和洪水灾害成本强度表面。
• 将微数据与行政统计相结合，以进一步提高细分辨率估计的准确性。
• 开发基于空间分解框架的风险和影响评估方法。