Novel Machine Learning Approach for Predicting Poverty using Temperature and Remote Sensing Data in Ethiopia

要約

多くの発展途上国では、貧困に関するデータが不足しているため、重要な人道支援組織が大規模な危機に対応できていません。
現在、社会経済調査は、組織や研究者が貧困を測定および追跡するために大規模に実施されている唯一の方法です。
ただし、調査データを効率的かつ安価に収集できないため、貧困データに一時的な大きなギャップが生じます。
これらのギャップは、組織エンティティが貧困の根本原因に対処する能力を大幅に制限します。
貧困率の予測に役立つ特徴を抽出するために、表面温度の変化とリモート センシング データに基づく転移学習モデルを提案します。
貧困指標のデータソースに支えられた機械学習は、貧困率を正確かつ厳しい時間制約内で推定できる可能性を秘めています。
気候変動の結果としての気温の上昇は、多くの農業障害、社会経済問題、環境破壊を引き起こし、開発途上国の家族を貧困のサイクルに閉じ込めています。
空間的貧困率に最も大きな影響を与える温度に関連する貧困のパターンを見つけるために、リモート センシング データを使用します。
2 段階の転送モデルは、高解像度の衛星画像から温度差を予測し、貧困の予測に役立つ画像の特徴を抽出します。
結果として得られたモデルは、温度予測で 80% の精度を達成しました。
この方法は、豊富な衛星データと気温データを利用して、既存の調査方法に匹敵する方法で貧困を測定し、同様の貧困予測モデルを凌駕します。

要約(オリジナル)

In many developing nations, a lack of poverty data prevents critical humanitarian organizations from responding to large-scale crises. Currently, socioeconomic surveys are the only method implemented on a large scale for organizations and researchers to measure and track poverty. However, the inability to collect survey data efficiently and inexpensively leads to significant temporal gaps in poverty data; these gaps severely limit the ability of organizational entities to address poverty at its root cause. We propose a transfer learning model based on surface temperature change and remote sensing data to extract features useful for predicting poverty rates. Machine learning, supported by data sources of poverty indicators, has the potential to estimate poverty rates accurately and within strict time constraints. Higher temperatures, as a result of climate change, have caused numerous agricultural obstacles, socioeconomic issues, and environmental disruptions, trapping families in developing countries in cycles of poverty. To find patterns of poverty relating to temperature that have the highest influence on spatial poverty rates, we use remote sensing data. The two-step transfer model predicts the temperature delta from high resolution satellite imagery and then extracts image features useful for predicting poverty. The resulting model achieved 80% accuracy on temperature prediction. This method takes advantage of abundant satellite and temperature data to measure poverty in a manner comparable to the existing survey methods and exceeds similar models of poverty prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google