Fine-grained Population Mapping from Coarse Census Counts and Open Geodata

要約

都市計画、環境モニタリング、公衆衛生、人道的活動など、様々な分野できめ細かい人口分布図が必要とされている。残念ながら、多くの国では大規模な空間単位での国勢調査の集計値しか収集されておらず、しかもそれらは常に最新のものであるとは限りません。我々は、粗い国勢調査の集計とオープンなジオデータを用いて、100mの地上サンプリング距離できめ細かい人口地図を推定する深層学習モデルPOMELOを発表する。さらに、このモデルは、国を超えた一般化により、国勢調査の集計が全くない場合の人口数も推定することができる。サハラ以南のアフリカ諸国を対象とした一連の実験では、POMELOで作成された地図は、最も詳細な参照カウントとよく一致した。粗いセンサスカウントを分解するとR2値は85-89%に達し、カウントがない場合の制約のない予測は48-69%であった。

要約(オリジナル)

Fine-grained population maps are needed in several domains, like urban planning, environmental monitoring, public health, and humanitarian operations. Unfortunately, in many countries only aggregate census counts over large spatial units are collected, moreover, these are not always up-to-date. We present POMELO, a deep learning model that employs coarse census counts and open geodata to estimate fine-grained population maps with 100m ground sampling distance. Moreover, the model can also estimate population numbers when no census counts at all are available, by generalizing across countries. In a series of experiments for several countries in sub-Saharan Africa, the maps produced with POMELOare in good agreement with the most detailed available reference counts: disaggregation of coarse census counts reaches R2 values of 85-89%; unconstrained prediction in the absence of any counts reaches 48-69%.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL