Remote Sensing-based Socioeconomic Analysis using Task-driven Transfer Learning and Regression
Notice bibliographique
Résumé
The economic status of each country varies; some countries are well developed while some are underdeveloped. A lower economic status in any place in the world can lead to hunger, malnutrition, and low life expectancy, especially for children and the older generation. For instance, in Africa, most people live below the international poverty line of 1.25 US dollars per day, according to the World Bank Group. One way of solving this problem is through collecting data and building intelligent models to automatically detect the low economic regions so the organizations, like The United Nations Development Program (UNDP), can allocate vital support systems to save the people there from the severity and help them lead a better life. Unfortunately, obtaining such data through manual surveys takes too long and requires a lot of resources. Thus, this work aims to provide an efficient solution to this problem. It analyzes the socioeconomic status of the underdeveloped regions, primarily a few selected African countries, by using remote sensing (RS), multimodal data exploitation, machine learning, transfer learning, and computer vision technologies. The proposed framework can make accurate prediction on a particular geographic region's standard of living (wealth index) based on the distribution of nightlight intensity that is observed via satellite remote sensing. Exhaustive experiments are carried out using data from the National Oceanic And Atmospheric Administration (NOAA), Demographic and Health Survey (DHS), and Google Static Maps. The experimental results verify that the proposed framework can be used as an effective alternative to the conventional approaches for socioeconomic analysis.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 tête enseignante, 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 ».