一种卫星基础模型用于改进财富监测

贫困统计信息指导社会政策，但在许多中低收入国家，收集这些数据的普查和家庭调查成本高昂、频率不高、数据迅速过时且有时可能不准确。卫星影像提供全球覆盖，预测经济生活状况的可能性很大，但现有方法往往难以可靠地识别当地层面的变异性，并且如我们所展示的，随时间变化时性能会下降。我们引入 Tempov，一种基于自监督预训练的卫星基础模型，该模型在三百万对双时间 Landsat 对上进行预训练，并通过参数高效微调适配稀疏调查标签。该模型实现了大规模、高分辨率的财富制图和动态测量，包括最高可达观察标签后十年的零样本 nowcasting、回溯性 hindcasting 和十年变更跟踪，同时在准确率上优于现有的神经网络和地理空间基础模型。 在稀疏标签条件下，Tempov 仅需 10% 的调查样本即可实现竞争的准确率，表明其对昂贵标签收集的依赖显著降低。该模型还在非非洲国家内外的大众国家范围内实现了跨域泛化，并扩展到一个统一的非洲大模型，实现了强大的大陆性能（$R^2=0.63$, $r^2=0.68$），从而为非洲大陆生成高分辨率财富和财富变化地图。分析这些地图显示，近期经济表现在国内和跨国之间存在巨大差异。我们的开源方法为从常规收集的卫星数据中及时、可扩展、低成本地监测财富和贫困提供了可能。