通过年内时间序列分析贫困：基于小波变换的方法
机器学习
2024-11-06 v1 计算机视觉与模式识别
计算机与社会
摘要
减少全球贫困是可持续发展目标（SDGs）的关键目标。实现这一目标需要高频、精细的数据来捕捉社区层面的变化，特别是在数据稀缺的地区，如低收入和中等收入国家。为了填补数据缺口，近期计算机视觉方法结合机器学习（ML）与地球观测（EO）数据来改善贫困估计。然而，尽管已取得很大进展，但这些方法通常忽略了年内变化，而这对估计农业依赖型国家的贫困至关重要。我们探索了将年内NDVI信息与年度多光谱数据整合对模型精度的影响。为评估我们的方法，我们使用Landsat影像和夜间灯光数据创建了一个模拟数据集，用于评估使用年内EO数据的EO-ML方法。此外，我们在非洲范围内将我们的方法与人口与健康调查（DHS）数据集进行了对比。我们的结果表明，将特定的NDVI衍生特征与多光谱数据整合，能够为贫困分析提供有价值的见解，强调了保留年内信息的重要性。
引用
@article{arxiv.2411.02855,
title = {Analyzing Poverty through Intra-Annual Time-Series: A Wavelet Transform Approach},
author = {Mohammad Kakooei and Klaudia Solska and Adel Daoud},
journal= {arXiv preprint arXiv:2411.02855},
year = {2024}
}