预测学校互联网连通性：在低资源环境中利用多模态数据与位置编码器的可行性研究
图像与视频处理
2024-12-18 v1 人工智能
计算机视觉与模式识别
社会与信息网络
摘要
学校的互联网连通性对于为学生提供在现代经济中竞争所需的数字素养技能至关重要。为了使政府能够有效实施学校的数字基础设施发展，需要准确的互联网连通性信息。然而，传统的基于调查的方法可能会超出政府的财政和能力限制。开源的地球观测（EO）数据集释放了我们从太空观测和理解地球上社会经济条件的能力，并且与机器学习（ML）相结合，可以提供工具来规避昂贵的地面调查方法以支持基础设施发展。在本文中，我们介绍了使用EO和ML进行学校互联网连通性预测的工作。我们详细介绍了我们创建的多模态、免费提供的卫星图像和调查信息数据集，利用了最新的地理感知位置编码器，并介绍了使用新的欧洲空间局phi-lab地理感知基础模型来预测博茨瓦纳和卢旺达互联网连通性的首批结果。我们发现，结合EO和地面辅助数据的ML在两个国家的准确率、F1分数和假阳性率方面均取得了最佳性能，并通过卢旺达基加利的案例研究强调了从太空预测互联网连通性的挑战。我们的工作展示了一种在低资源环境中支持数据驱动数字基础设施发展的实用方法，利用了免费可用的信息，并通过UNICEF与欧洲空间局phi-lab之间的独特合作，为社区提供了清洗和标注的数据集以供未来研究使用。
引用
@article{arxiv.2412.12188,
title = {Predicting Internet Connectivity in Schools: A Feasibility Study Leveraging Multi-modal Data and Location Encoders in Low-Resource Settings},
author = {Kelsey Doerksen and Casper Fibaek and Rochelle Schneider and Do-Hyung Kim and Isabelle Tingzon},
journal= {arXiv preprint arXiv:2412.12188},
year = {2024}
}