地理空间基础模型嵌入在空间和尺度上的人口估计中不均衡的改进
机器学习
2026-05-05 v1
摘要
可靠的亚国家人口估计对于应用至关重要，但在人口稀少、过时或空间粗糙的地区仍然困难。现有的population-mapping工作流程依赖于手工构建的地理空间协变量，如定居点范围、夜间灯光和环境条件，这些协变量必须跨尺度和地理区域进行组装和 harmonize。地理空间基础模型通过学习来自更丰富且异构数据源的地方表征，提供了一种替代方案。本文对巴西、尼日利亚和美国三个地区的人口动态基础模型（PDFM）嵌入与和谐化地理空间协变量进行基准测试。在地理结构化验证下，PDFM使预测拟合度提升了中位数20.1%（IQR: 10.0-33.2%，跨国家-模型比较），未解释方差减少，KL散度减少23.2%（9.2-26.2%）。然而，这些收益不均衡。PDFM在地理空间协变量弱表征定居背景的地方（如较大的、不发达的亚国家区域）最为有益。此外，PDFM的性能与尺度耦合，嵌入在空间聚合上提供的迁移灵活性低于地理空间协变量。这些发现表明，地理空间基础模型对地方的表征可以在数据稀缺的地区改进人口估计，但其优势在空间尺度不匹配时会可预测地失效，揭示了当前地理空间AI的根本局限。
引用
@article{arxiv.2605.01650,
title = {Geospatial foundation-model embeddings improve population estimation unevenly across space and scale},
author = {Wenbin Zhang and Eimear Cleary and Francisco Rowe and Somnath Chaudhuri and Maksym Bondarenko and Shengjie Lai and Andrew J. Tatem},
journal= {arXiv preprint arXiv:2605.01650},
year = {2026}
}