基于表示学习的不依赖人口普查的人口估计
机器学习
2021-10-07 v1
摘要
人口分布信息对于基础设施建设、资源分配以及监测可持续发展目标进展至关重要。尽管人口普查能够提供此类信息，但其通常每十年进行一次，且部分国家已数十年未开展该工作。在两次普查期间，人口可能因快速迁移、发展、城市化、自然灾害和冲突而发生变化。利用卫星影像等替代数据源的不依赖人口普查的人口估计方法，已在提供局部频繁且可靠的人口估计方面展现出潜力。然而，现有方法需要大量人工监督，例如标注建筑物和访问各种公共数据集，因此不易复现。我们探索了近期表示学习方法，并评估了这些表示在莫桑比克人口估计中的可迁移性。使用表示学习可减少所需的人工监督，因为特征是自动提取的，从而使人口估计过程更具可持续性，并可能迁移至其他地区或国家。我们将所得人口估计结果与 GRID3、Facebook (HRSL) 和 WorldPop 的现有人口产品进行比较。我们观察到，我们的方法与这些地图中最准确者相当，并且在识别出建成区是人口的信息性指标这一意义上具有可解释性。
引用
@article{arxiv.2110.02839,
title = {Census-Independent Population Estimation using Representation Learning},
author = {Isaac Neal and Sohan Seth and Gary Watmough and Mamadou S. Diallo},
journal= {arXiv preprint arXiv:2110.02839},
year = {2021}
}
备注
14 pages, 5 figures