基于温度与遥感数据预测埃塞俄比亚贫困的新机器学习方法

在许多发展中国家，贫困数据的缺失阻碍了关键人道主义组织应对大规模危机。当前，社会经济调查是组织和研究人员大规模测量与追踪贫困所采用的唯一方法。然而，无法高效且低成本地收集调查数据导致贫困数据存在显著的时间缺口；这些缺口严重限制了组织实体从根源上解决贫困的能力。我们提出一种基于地表温度变化和遥感数据的迁移学习模型，以提取有助于预测贫困率的特征。由贫困指标数据源支撑的机器学习，有潜力在严格时间约束内准确估计贫困率。作为气候变化结果的高温已造成诸多农业障碍、社会经济问题和环境破坏，使发展中国家的家庭陷入贫困循环。为寻找与温度相关且对空间贫困率影响最大的贫困模式，我们使用遥感数据。该两步迁移模型从高分辨率卫星影像预测温度差值，然后提取有助于预测贫困的影像特征。所得模型在温度预测上达到80%准确率。该方法利用丰富的卫星与温度数据以可与现有调查方法媲美的方式度量贫困，并超越类似的贫困预测模型。