A Scoping Review of Earth Observation and Machine Learning for Causal Inference: Implications for the Geography of Poverty

要約

衛星画像などの地球観測（EO）データは、特に機械学習（ML）とコンピュータービジョンと相まって、貧困の地理の理解に広範囲に影響を与える可能性があります。
初期の研究では、データが限られている地域の生活条件を予測するためにコンピュータービジョンを使用しましたが、最近の研究は因果分析にますます焦点を当てています。
このシフトにもかかわらず、因果推論のためにEO-MLメソッドの使用には徹底的な文書が欠けており、ベストプラクティスはまだ発展しています。
包括的なスコーピングレビューを通じて、因果分析におけるEO-MLメソッドに関する現在の文献をカタログ化します。
因果ワークフローにEOデータを組み込むための5つの主要なアプローチを合成します。（1）下流の因果分析の結果の転帰、（2）EO画像デコンファウンド、（3）EOベースの治療効果の不均一性、（4）EOベースの輸送可能性分析、および（5）画像に形成された因果発見。
これらの調査結果に基づいて、EOデータを因果分析に統合するための詳細なプロトコルガイド研究者を提供します。データ要件、コンピュータービジョンモデルの選択、評価メトリックをカバーしています。
私たちのフォーカスは健康と生活条件の結果に焦点を当てていますが、プロトコルはEOデータを利用して他の持続可能な開発ドメインに適応できます。

要約(オリジナル)

Earth observation (EO) data such as satellite imagery can have far-reaching impacts on our understanding of the geography of poverty, especially when coupled with machine learning (ML) and computer vision. Early research used computer vision to predict living conditions in areas with limited data, but recent studies increasingly focus on causal analysis. Despite this shift, the use of EO-ML methods for causal inference lacks thorough documentation, and best practices are still developing. Through a comprehensive scoping review, we catalog the current literature on EO-ML methods in causal analysis. We synthesize five principal approaches to incorporating EO data in causal workflows: (1) outcome imputation for downstream causal analysis, (2) EO image deconfounding, (3) EO-based treatment effect heterogeneity, (4) EO-based transportability analysis, and (5) image-informed causal discovery. Building on these findings, we provide a detailed protocol guiding researchers in integrating EO data into causal analysis — covering data requirements, computer vision model selection, and evaluation metrics. While our focus centers on health and living conditions outcomes, our protocol is adaptable to other sustainable development domains utilizing EO data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google