深度居民区表征：利用无监督学习释放高程数据用于地理人口预测
机器学习
2022-08-03 v2 计算机视觉与模式识别
摘要
LiDAR（"光探测与测距"或"激光成像、探测与测距"的缩写）技术可用于提供城乡景观的详细三维高程图。迄今为止，机载LiDAR成像主要局限于环境与考古领域。然而，该数据的地理粒度细且开源的特性也使其适用于一系列利用地理人口类型数据的社会、组织与商业应用。可以说，处理这种多维数据所涉及的复杂性迄今限制了其更广泛的应用。在本文中，我们利用无监督深度学习的最新进展，提出了一系列便捷的与任务无关的瓦片高程嵌入以应对这一挑战。我们通过预测大伦敦地区小地理单元的七项英国 deprivation 指数（2019）来测试我们嵌入的潜力。这些指数涵盖一系列社会经济结果，并作为可应用该嵌入的广泛下游任务的代理。我们考虑了该数据不仅单独使用、而且作为与人口统计特征结合的辅助数据源的适用性，从而提供了嵌入的真实用例。在尝试了多种模型/嵌入配置后，我们发现表现最佳的嵌入相比单独使用标准人口统计特征带来了高达21%的均方根误差（RMSE）改进。我们还展示了我们的嵌入流程如何使用深度学习结合K-means聚类生成连贯的瓦片分割，从而允许对潜在嵌入特征进行解释。
引用
@article{arxiv.2112.01421,
title = {Deep residential representations: Using unsupervised learning to unlock elevation data for geo-demographic prediction},
author = {Matthew Stevenson and Christophe Mues and Cristián Bravo},
journal= {arXiv preprint arXiv:2112.01421},
year = {2022}
}
备注
29 pages, 13 figures. V2 - Published