基于多模态数据的贫困地图推断解读财富分布

贫困地图是政府和NGO跟踪社会经济变化并在需求地区合理分配基础设施与服务的重要工具。传感器与在线众包数据结合机器学习方法，近期在贫困地图推断上取得了突破。然而，这些方法未能捕捉局部财富波动，且未优化以产生可问责的结果，保证对所有子群体预测的准确。在此，我们提出一个机器学习模型流程，推断多个地理聚类聚居地的财富均值与标准差，并展示其在塞拉利昂和乌干达的性能。这些模型利用了基于卫星影像以及通过在线众包和社交媒体收集的元数据等七个独立且免费的特征源。我们的模型显示，在农村地区，组合的元数据特征是财富的最佳预测因子，优于基于图像的模型；而基于图像的模型在预测最高财富五分位时表现最佳。我们的结果恢复了财富的局部均值与变异，并正确捕捉了二者间正向但非单调的相关。我们进一步展示了模型跨国迁移的能力与局限，以及数据时效性和其他偏差的影响。我们的方法提供了开放工具，以构建更透明、可解释的模型，帮助政府和NGO基于数据可用性、城市化水平和贫困阈值做出知情决策。