世界银行-数据稀缺环境下的动态高分辨率财富测量（英）-2025.2_13页_2mb

用卫星图像和地理特征结合深度学习模型（Transformer）来估计城乡财富，提供比起传统调查更快、更细、准确度高、可扩展的好方法。用四个非洲国家、接近1000万家庭的普查或抽取数据来训练模型，结果证明Transformer模型在分析国家和城市级别的财富预测上，通常比现有CNN模型和XGBoost模型表现更好，特别是在日本方面。即使训练数据减少到10%以下，Transform still保持了较好的预测精度，受益于其处理数据的能力。另外，SkySat的0.5m分辨率图像比PlanetScope的3m图像在预测精度上更好，优势尤其体现在城市级分析时。研究还成了一份0.3km分辨率的城市地图，在一个国家达到识别街道财富水平。

这种方法用transformer和地球观测数据，实现从宏观到微观层面的财富表征，克服了数据稀缺带来的挑战，让财富映射变得更经济、高效，尤其对国家正在的贫穷和可持续发展目标监测有很强推动作用。