[论文解读] On monitoring development using high resolution satellite images.

P. Suraj, Ankesh Gupta+3 more|arXiv (Cornell University)|Dec 6, 2017

Impact of Light on Environment and Health被引用 5

一句话总结

本文提出了一种深度学习框架，通过卷积神经网络直接从高分辨率白天卫星图像回归社会经济与开发指标。该方法在性能上优于传统的夜间灯光代理指标，能够实现对区域发展的精确监测，并通过回归输出中的显著不连续性检测出政策驱动的空间异常。

ABSTRACT

We develop a machine learning based tool for accurate prediction of development and socio-economic indicators from high resolution day-time satellite imagery. The indicators that we use are derived from the Census 2011 [The Ministry of Home Affairs, Government of India, 2011] and the NFHS-4 [The Ministry of Health and Family Welfare, Government of India, 2016] survey data. We use a deep convolutional neural network to build a model for regression of asset indicators from satellite images. We show that the direct regression of asset indicators gives superior R2 scores compared to that of transfer learning through night light data, which is a popular proxy for economic development used world wide. We also use the asset prediction model for accurate transfer learning of other socio-economic and health indicators which are not intuitively related to observable features in satellite images, or are not always well correlated with each other. The tool can be extended to monitor the progress of development of a region over time, and to flag potential anomalies because of dissimilar outcomes due to different policy interventions in a geographic region by detecting sharp spatial discontinuities in the regression output.

研究动机与目标

• 开发一种机器学习工具，直接从高分辨率白天卫星图像预测发展与社会经济指标。
• 提高现有方法（尤其是基于夜间灯光的代理指标）在衡量经济发展方面的预测准确性。
• 实现对卫星图像中不可直接观测的社会经济与健康指标的迁移学习。
• 利用卫星衍生的预测结果，监测区域发展随时间的进展。
• 通过回归输出中的显著不连续性，检测因政策差异导致的空间异常。

提出的方法

• 使用深度卷积神经网络（CNN）对高分辨率白天卫星图像进行直接回归，预测资产指标。
• 使用2011年人口普查和NFHS-4调查数据作为训练与验证的真值。
• 该方法绕过夜间灯光等中间代理指标，直接将图像特征与社会经济指标关联。
• 通过利用已训练的资产预测模型，实现对与可见特征关联不明显的指标的迁移学习。
• 分析回归输出中的空间不连续性，以识别因政策差异导致相邻区域发展结果异常的区域。
• 使用R²分数评估模型性能，并与通过夜间灯光数据进行迁移学习的方法进行比较。

实验结果

研究问题

• RQ1 当直接在卫星图像上进行训练时，深度CNN模型在预测社会经济指标方面是否能获得比使用夜间灯光数据作为代理更高的R²分数？
• RQ2 经过训练的资产预测模型在多大程度上能够实现对卫星图像中不可直观关联的健康与社会经济指标的准确迁移学习？
• RQ3 该模型能否检测出因相邻区域政策差异导致的发展结果中的空间不连续性？
• RQ4 与基于夜间灯光建模等既定方法相比，直接从白天卫星图像进行回归在预测准确性方面表现如何？

主要发现

• 直接从高分辨率卫星图像回归资产指标所获得的R²分数显著高于通过夜间灯光数据进行迁移学习的结果。
• 该模型成功实现了对与卫星图像中可见特征关联不明显的社会经济与健康指标的迁移学习。
• 该模型能够检测出回归输出中的显著空间不连续性，这些不连续性可能表明相邻区域因政策干预差异导致的发展结果异常。
• 使用深度学习处理白天卫星图像在监测发展指标方面优于传统的夜间灯光代理方法。