面向农村基础设施发展的深度学习水系提取

令人惊讶的是，地球上仍有大量水系未被测绘，其中大量位于中低收入国家。在此，我们构建了一个计算机视觉模型（WaterNet），基于高分辨率卫星影像和数字高程模型学习美国的水系位置，随后将其部署到非洲大陆的新环境中。我们的输出提供了此前未被测绘的水系结构的细节。在与社区关于农村桥梁建设的需求（涉及通往学校、医疗设施和农业市场）进行对比评估时，我们发现这些新生成的水系平均覆盖了93%（国家范围：88-96%）的需求，而 Open Street Map 和来自 TDX-Hydro 的最先进数据分别仅覆盖了36%（5-72%）和62%（37%-85%）。由于这些由机器学习驱动的新地图是基于公共和可操作的数据采集构建的，该方法有望在制图工作迄今未能覆盖的地区捕捉人道主义需求并规划社会发展。在识别现有数据遗漏的社区需求方面所展现出的性能提升，表明其对农村基础设施发展和更精准地定位发展干预措施具有重要价值。