Remote sensing and social sensing for socioeconomic systems: A comparison study between nighttime lights and location-based social media at the 500 m spatial resolution
Notice bibliographique
Résumé
With the advent of “social sensing” in the Big Data era, location-based social media (LBSM) data are increasingly used to explore anthropogenic activities and their impacts on the environment. This study converts a typical kind of LBSM data, geo-tagged tweets, into raster images at the 500 m spatial resolution and compares them with the new generation nighttime lights (NTL) image products, the Visible Infrared Imaging Radiometer Suite (VIIRS) Day/Night Band (DNB) monthly image composites. The results show that the monthly tweet images are significantly correlated with the VIIRS-DNB images at the pixel level. The tweet images have nearly the same ability on estimating electric power consumption and better performance on assessing personal incomes and population than the NTL images. Tweeted areas (i.e. the pixels with at least one posted tweet) are closer to satellite-derived built-up/urban areas than lit areas in NTL imagery, making tweet images an alternative to delimit extents of human activities. Moreover, the monthly tweet images do not show apparent seasonal changes, and the values of tweet images are more stable across different months than VIIRS-DNB monthly image composites. This study explores the potential of LBSM data at relatively fine spatiotemporal resolutions to estimate or map socioeconomic factors as an alternative to NTL images in the United States.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».