2025-02-11-世界银行-动态_高分辨率贫困数据稀缺环境中的测量_13页_2mb

研究背景与动机
准确的家庭生计测量对监测减贫进展至关重要，但传统调查方法成本高、覆盖不足，尤其在数据稀缺地区。公开遥感数据与机器学习技术的发展为贫困测量提供了替代方案。

主要贡献
提出了一种基于视觉Transformer（ViT）的深度学习模型，结合卫星图像与地理特征，实现动态高分辨率贫困测量：

1. 模型架构：引入条件模块，通过交叉注意力层融合多模态输入，优于传统CNN和XGBoost方法。
2. 数据稀缺性适应：实证发现，训练数据比例降至10%以下时模型精度显著下降，但地理特征可缓解小样本问题。
3. 时空分辨率突破：在国家、行政区域及城市三个尺度实现精准预测，高分辨率城市级地图（0.3米）提供前所未有的空间细节。

方法学框架

• 数据源：整合四大非洲国家120万户家庭普查数据、三种卫星影像（Landsat、PlanetScope、SkySat）与多源公开地理特征。
• 训练策略：采用数据增强、多尺度验证和参数敏感性分析，评估模型在不同样本量下的鲁棒性。
• 模型验证：通过五折交叉验证，确保结果在四个国家跨时空稳定性。

实验结果

• 财富估计变异解释率达57%-63%，十年变化预测准确率提升28%-52个百分点。
• SkySat高分辨率数据比PlanetScope提升8%-26%精度，地理特征辅助在小样本国家更有效。
• 对布基纳法索等样本量有限地区，Transformer模型效果优于传统方法5-10个百分点。

应用价值

1. 政策制定：精准识别局部贫困动态，优化反贫困资源分配。
2. 技术推广：降低监测成本，提升发展中国家数据自主能力。
3. 研究突破：为极端数据条件下福利评估提供创新路径，特别是在地理与环境科学领域应用价值显著。