基于卫星影像与深度学习的非洲基础设施质量评估
计算机与社会
2018-11-02 v1 计算机视觉与模式识别
机器学习
摘要
联合国可持续发展目标在其十七项目标中的三项里暗示了基础设施质量的重要性。然而，在发展中地区监测基础设施质量仍然成本高昂，阻碍了衡量这些目标进展的努力。为此，我们研究利用广泛可用的遥感数据预测非洲的基础设施质量。我们训练了一个卷积神经网络，使用 Landsat 8 和 Sentinel 1 卫星影像，根据 Afrobarometer Round 6 调查的真实标签进行预测。我们使用 Landsat 8 的最佳模型预测基础设施质量的 AUROC 分数分别为：电力 0.881、污水 0.862、管道供水 0.739、道路 0.786。这些性能显著优于在相同任务上利用 OpenStreetMap 或夜间光照强度的模型。我们还证明，我们的训练模型在经过少量图像微调后，能在未见过的国家准确做出预测。此外，该模型可部署于样本有限的区域，以比最近邻空间插值更高的性能预测基础设施结果。
引用
@article{arxiv.1806.00894,
title = {Infrastructure Quality Assessment in Africa using Satellite Imagery and Deep Learning},
author = {Barak Oshri and Annie Hu and Peter Adelson and Xiao Chen and Pascaline Dupas and Jeremy Weinstein and Marshall Burke and David Lobell and Stefano Ermon},
journal= {arXiv preprint arXiv:1806.00894},
year = {2018}
}