利用多模态调查与对地观测数据的贫困率预测
机器学习
2023-07-25 v1 计算机视觉与模式识别
摘要
本工作提出一种将家庭人口统计与生活水平调查问题与源自卫星影像的特征相结合以预测地区贫困率的方法。我们的方法利用对免费获取的10m/px Sentinel-2地表反射率卫星影像应用单步特征化方法得到的视觉特征。这些视觉特征与代理 Means 检验(PMT)中的十个调查问题相结合，以估算家庭是否处于贫困线以下。我们表明，在具有全国代表性的样本外测试集上，纳入视觉特征使贫困率估计的均值误差从4.09%降至3.88%。除在代理 Means 检验中纳入卫星影像特征外，我们提出一种筛选与卫星影像提取视觉特征互补的调查问题子集的方法。具体而言，我们设计了由完整调查与影像特征引导的调查变量选择方法，并借此确定纳入PMT中最相关的小型调查问题集。我们在使用该小型问题集预测贫困率的下游任务中验证了该小型调查问题的选取。此方法取得最佳性能——贫困率误差从4.09%降至3.71%。我们展示了所提取视觉特征编码了地区间的地理与城市化差异。
引用
@article{arxiv.2307.11921,
title = {Poverty rate prediction using multi-modal survey and earth observation data},
author = {Simone Fobi and Manuel Cardona and Elliott Collins and Caleb Robinson and Anthony Ortiz and Tina Sederholm and Rahul Dodhia and Juan Lavista Ferres},
journal= {arXiv preprint arXiv:2307.11921},
year = {2023}
}
备注
In 2023 ACM SIGCAS/SIGCHI Conference on Computing and Sustainable Societies (COMPASS 23) Short Papers Track