基于深度学习的遥感图像贫民区映射：元分析与综述

联合国开发计划署（UNDP）设定的2030年可持续发展目标（SDG）包括可持续城市与社区、无贫困和减少不平等等目标。然而，数百万人居住在许多大城市中的贫民区或非正规聚落地区，这些地区生活条件恶劣，尤其是在许多发展中国家。为了通过政府干预来帮助这些聚落及其居民，需要准确的数据来确定贫民区的地理位置与范围。虽然地面调查数据最可靠，但调查工作昂贵且耗时。遥感数据通过非常高分辨率（VHR）影像获取是一种可行替代方案。随着新技术的发展，基于遥感的贫民区映射已成为重要的研究领域。人工智能，特别是深度学习的快速发展为该领域带来了新维度，使其能够自动分析卫星影像，以识别与贫民区相关的复杂空间模式。本文综述了2014年至2024年间使用遥感影像进行贫民区映射研究，特别关注深度学习方法。我们的分析显示，研究正朝着越来越复杂的神经网络架构发展，数据预处理与模型训练技术的进步显著提升了贫民区识别的准确度。我们尝试识别在不同地理环境中有效的关键方法。尽管认可卷积神经网络（CNN）在贫民区检测中具有变革性影响，但本综述强调不存在普遍最优模型，建议需要针对具体情境进行适应性调整。我们还识别了该领域的主要挑战，如数据限制、缺乏模型可解释性等，并提出了可能的应对策略。