一种基于卫星影像进行人口估算的深度学习方法

了解人口居住地是许多决策过程的基本组成部分，如城市发展、传染病控制、疏散规划、风险管理、保护规划等。虽然自下而上、基于调查的人口普查可以提供国家人口景观的全面视图，但其实施成本高昂、执行频率低，且仅提供大范围区域的人口计数。人口细分技术和人口预测方法分别解决了这些缺点，但也存在自身的局限性。为了共同回答“人们住在哪里”和“那里住了多少人”的问题，我们提出了一种深度学习模型，用于从卫星影像生成高分辨率的人口估算。具体而言，我们训练卷积神经网络，基于 1 年合成的 Landsat 影像，以 $0.01^{\circ} \times 0.01^{\circ}$ 分辨率网格预测美国的人口。我们通过两种方式验证这些模型：定量上，将我们模型的网格单元估算值聚合到县级水平，并与多个美国人口普查县级人口预测进行比较；定性上，直接根据卫星影像输入解释模型的预测。我们发现，聚合我们模型的估算值可得出与美国人口普查县级人口预测相当的结果，且我们模型做出的预测可直接解释，这使其优于传统的人口细分方法。总体而言，我们的模型是一个范例，展示了机器学习技术如何成为从本质上非结构化的遥感数据中提取信息以提供社会问题有效解决方案的有效工具。