Using publicly available satellite imagery and deep learning to understand economic well-being in Africa

卫星图像 卫星 深度学习 多光谱图像 计算机科学 变化(天文学) 资产(计算机安全) 任务(项目管理) 可扩展性 遥感 计量经济学 数据科学 环境资源管理 地理 人工智能 环境科学 经济 工程类 管理 航空航天工程 物理 数据库 天体物理学 计算机安全
作者
Christopher Yeh,Anthony Perez,Anne Driscoll,George Azzari,Zhongyi Tang,David B. Lobell,Stefano Ermon,Marshall Burke
出处
期刊:Nature Communications [Springer Nature]
卷期号:11 (1) 被引量:152
标识
DOI:10.1038/s41467-020-16185-w
摘要

Abstract Accurate and comprehensive measurements of economic well-being are fundamental inputs into both research and policy, but such measures are unavailable at a local level in many parts of the world. Here we train deep learning models to predict survey-based estimates of asset wealth across ~ 20,000 African villages from publicly-available multispectral satellite imagery. Models can explain 70% of the variation in ground-measured village wealth in countries where the model was not trained, outperforming previous benchmarks from high-resolution imagery, and comparison with independent wealth measurements from censuses suggests that errors in satellite estimates are comparable to errors in existing ground data. Satellite-based estimates can also explain up to 50% of the variation in district-aggregated changes in wealth over time, with daytime imagery particularly useful in this task. We demonstrate the utility of satellite-based estimates for research and policy, and demonstrate their scalability by creating a wealth map for Africa’s most populous country.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
辣目童子关注了科研通微信公众号
2秒前
3秒前
爱笑灵竹应助zeroayanami0采纳,获得50
4秒前
6秒前
8秒前
称心翠容完成签到,获得积分10
10秒前
小二郎应助像鱼采纳,获得10
11秒前
时尚数据线完成签到,获得积分10
11秒前
14秒前
夏天发布了新的文献求助10
14秒前
果粒红豆豆完成签到,获得积分10
15秒前
李爱国应助海潮采纳,获得10
16秒前
大模型应助二指断沧澜采纳,获得10
16秒前
17秒前
LZJ完成签到,获得积分10
18秒前
玩命的靖仇完成签到,获得积分10
19秒前
辣目童子发布了新的文献求助30
20秒前
23秒前
YYJ发布了新的文献求助10
28秒前
胆大党关注了科研通微信公众号
28秒前
Yziii应助山生有杏采纳,获得20
29秒前
29秒前
29秒前
QSJ完成签到,获得积分10
32秒前
32秒前
陌浅然发布了新的文献求助10
32秒前
RBE小陈完成签到 ,获得积分10
32秒前
JamesPei应助TKMY采纳,获得10
32秒前
忧郁若菱完成签到,获得积分20
34秒前
bkagyin应助称心茹嫣采纳,获得10
35秒前
36秒前
日新又新完成签到,获得积分10
38秒前
白天完成签到,获得积分10
39秒前
Dddd发布了新的文献求助10
39秒前
乐乐应助Aicc采纳,获得10
41秒前
43秒前
白天发布了新的文献求助10
43秒前
科目三应助vickeylea采纳,获得10
43秒前
43秒前
高分求助中
Evolution 10000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 600
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3157313
求助须知:如何正确求助?哪些是违规求助? 2808757
关于积分的说明 7878369
捐赠科研通 2467114
什么是DOI,文献DOI怎么找? 1313219
科研通“疑难数据库(出版商)”最低求助积分说明 630369
版权声明 601919