[论文解读] Poverty Prediction with Public Landsat 7 Satellite Imagery and Machine Learning

Anthony Perez, Christopher Yeh+4 more|arXiv (Cornell University)|Nov 10, 2017

Remote-Sensing Image Classification参考文献 7被引用 51

一句话总结

本文利用公开获取的 Landsat 7 多光谱影像和 CNN 来预测非洲的贫困指标，在 r^2 分数上具有竞争力，并在较贫困人群中的表现优于先前基于 Google 图像的方法。它还分析跨国家的泛化能力和时间潜力。

ABSTRACT

Obtaining detailed and reliable data about local economic livelihoods in developing countries is expensive, and data are consequently scarce. Previous work has shown that it is possible to measure local-level economic livelihoods using high-resolution satellite imagery. However, such imagery is relatively expensive to acquire, often not updated frequently, and is mainly available for recent years. We train CNN models on free and publicly available multispectral daytime satellite images of the African continent from the Landsat 7 satellite, which has collected imagery with global coverage for almost two decades. We show that despite these images' lower resolution, we can achieve accuracies that exceed previous benchmarks.

研究动机与目标

• 使用公开可得的卫星数据，在数据稀缺的发展中区域推动经济适用、可扩展的贫困评估。
• 利用 Landsat 7 多光谱影像在调查稀缺的地区预测财富指标。
• 开发能够处理多波段影像和不同空间分辨率的 CNN 架构。
• 评估从夜间灯光进行迁移学习并从图像特征导出贫困指标。

提出的方法

• 在 Landsat 7 白天多波段图像（9 波段）上训练CNN（ResNet-18、ResNet-34、VGG-F），以预测夜间灯光强度类别。
• 将第一卷积层改造为接受9波段输入，并从 ImageNet 初始化 RGB 通道，同时在滤波器中对非 RGB 波段进行均值化处理。
• 通过扩张卷积将分辨率上采样到 15m，以对齐多波段影像并保持预训练权重的有效性。
• 从 CNN 提取图像特征，并训练回归或基于树的模型（岭回归、GBT）以使用 DHS 调查数据预测 AWI 贫困指标。
• 应用留一国交叉验证以评估贫困预测的跨国泛化能力。

实验结果

研究问题

• RQ1 公开 Landsat 7 多波段影像在预测贫困指数（AWI）方面的表现是否能达到或超过夜间灯光基线？
• RQ2 相较于仅使用 RGB 或夜灯模型，多波段 Landsat 特征是否提升贫困预测？
• RQ3 在未见国家的预测中，跨国泛化性能如何？
• RQ4 使用 Landsat 7 数据的时间扩展能否实现对贫困随时间变化的追踪？
• RQ5 不同 CNN 架构和训练策略对贫困指标的预测准确性有何影响？

主要发现

• 在9波段 Landsat 7 影像上训练的 CNN 在若干配置中对跨国预测的 r^2 高于仅夜灯的表现。
• 在留一国设置中，VGG-F 以9波段输入和岭回归实现了显著的预测能力，例如训练 r^2 为 0.68，测试 r^2 为 0.63。
• ResNet-18 和 ResNet-34 以9波段输入也给出强预测，训练 r^2 为 0.69–0.70，测试 r^2 为 0.64–0.65。
• 与以往基于 Google Static Maps 的工作相比，Landsat 7 9 波段模型在合并交叉验证中的性能优于它们，若干模型的聚合残差 r^2 约为 0.70–0.74。
• 夜灯 + GBT 基线的平均训练 r^2 为 0.63，平均测试 r^2 为 0.66，聚合残差 r^2 为 1.0，表明在某些模型和设定下具有竞争力，但会因模型和设定而异。
• 结果表明对较贫困段落的 AWI 预测更强，但跨国外推性有限，强调在同一国家内或按时间进行合并分析的潜力。