59、基于CNN的贫困估计方法评估

基于CNN的贫困估计方法评估

在贫困估计领域，利用卫星图像和深度学习技术的方法正逐渐兴起。本文介绍了三种基于卷积神经网络（CNN）的贫困估计方法，并通过一个通用框架对它们进行了评估和比较，同时探讨了提高预测结果的方法。

三种贫困估计方法

• 夜间灯光法（Nighttime Light） ：使用从卫星图像估计夜间灯光值（NLV）的特征向量。
• 土地利用法（Land Use） ：使用估计土地利用情况的特征向量。
• 对比法（Contrastive） ：使用强调两张卫星图像差异的特征向量。

对于每种方法，都使用从相应方法获得的特征向量对和贫困指标来训练岭回归模型。特征向量是从有贫困指标的稀疏位置的图像中生成的。

方法比较问题

这三种方法在卫星图像选择、代理数据和特征向量参数方面存在很大差异，具体如下表所示：
| 方法 | 国家 | 图像来源 | 分辨率 | 光谱波段 | 特征向量大小 |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 夜间灯光法 | 乌干达、马拉维、坦桑尼亚、尼日利亚 | Google Static Map (DigitalGlobe) | 2.5 m | 3 (RGB) | 4,096 |
| 对比法 | 乌干达 | Landsat - 7 | 30 m | 5 (RGB + 2 additional spectral bands) | 512 |
|