Science：科学家利用卫星影像和机器学习预测贫困

GSTDTAP > 资源环境科学

	Science：科学家利用卫星影像和机器学习预测贫困
	王宝
	2016-09-01
所属快报	资源环境快报
出版年	2016
期	17
语种	中文
领域	资源环境
栏目	前沿研究动态
中文关键词	卫星影像 ; 预测 ; 贫困
中文摘要	2016年8月19日，Science发表了由斯坦福大学研究团队关于《卫星影像和机器学习相结合预测贫困》（Combining satellite imagery and machine learning to predict poverty）的研究成果，通过将卫星数据与流畅的机器学习相结合，研发出了一种方法，这种方法能准确地估计家庭的消费与收入。
情报分析_信息发布时间	2016年8月19日
情报分析_信息来源性质	期刊
情报分析_信息来源期刊	Science
情报分析_机构类别	综合性机构
情报分析_信息来源国家	国际
情报分析_信息类别	前沿研究动态
情报分析_研究主题	预测贫困
情报分析_研究内容	关于发展中国家经济生活的可靠数据仍然非常稀缺而且也难以获得，但对于向研究和政策提供信息而言，这些数据又十分重要。例如，世界银行的数据显示，非洲59个国家中有39个在2000—2010年间仅完成了不到两次与贫困相关的人口调查，这些国家中有14个完全没有做过任何调查，而且大部分已经收集到的数据也永远不会公开。几十年来，研究人员一直都在使用其他替代数据集来测度贫困，比如社交媒体、网络搜索查询和移动网络使用量。如，卢旺达2014年有72%的人有移动接入，研究人员就能基于该国的电信数据绘制他们的位置分布图。但该研究指出，尽管这类的非传统方法能提供很多信息，由于对专有信息的依赖也带来了隐私和可扩展性的问题。与此同时，传统的入户调查收集工作成本太高，而且常常受阻于国内动荡。该研究提出了一种准确的、廉价的、且可扩展的用于从高分辨率卫星图像中评估消费支出和资产财富的方法，即利用来自5个非洲国家（尼日利亚、坦桑尼亚、乌干达、马拉维和卢旺达）的调查和卫星数据，发现了通过卷积神经网络如何被训练识别图像的功能，可以解释当地多达75%的经济结果。该方法仅需要公开可用的数据，可以改变追踪和定位发展中国家贫困的方式。这说明了强大的机器学习方法可以被用在只有有限训练数据的环境中，也说明该方法在许多科学领域都有广泛的应用潜力。
原文题名	Combining satellite imagery and machine learning to predict poverty
原文链接	查看原文
文献类型	快报文章
条目标识符	http://119.78.100.173/C666/handle/2XK7JSWQ/180087
专题	资源环境科学
推荐引用方式 GB/T 7714	王宝. Science：科学家利用卫星影像和机器学习预测贫困. 2016.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
Science：科学家利用卫星影像和机器（28KB）	快报文章		开放获取	CC BY-NC-SA	浏览请求全文