Estimating GDP by Fusing Nighttime Light and Land Cover Data
Notice bibliographique
Résumé
Accurate information on gross domestic product (GDP) is essential for better understanding the dynamics of regional economies and urbanization processes. Satellite based nighttime light datasets can well track GDP in urban areas, however, they are difficult to be used in suburban, rural and sparsely populated areas. Thus, this study explored the potential of GlobeLand30 and relief degree for improving the ability of VIIRS Nighttime Light data of GDP estimation. Firstly, we calculated the Moran’s Index (Moran’s I) to measure spatial auto-correlation of GDP. At provincial level, Moran’s I Index of GDP is 0.14, Z value is 2.29. While at the prefecture city level, it is 0.11 and 14.54, respectively. Then, we compared the results derived from geographically weighted regression (GWR) and OLS models (i.e., R2, root mean square error, corrected Akaike information criteria and residuals). Both models suggest that land cover information can significantly improve GDP estimation performance, and total nighttime light (TNL) is the most important economic indicator for estimating GDP. The coefficients of the GWR model for TNL at the provincial and prefecture levels are 1.75 and 1.19, respectively, which are significantly larger than the coefficients for other factors such as land cover and terrain undulation. In addition, the GWR model performed better than OLS model in GDP estimation at both provincial and prefecture levels, and prefecture-level models can better depict the spatial variation in detail. In provincial-level models, GWR could account for 93% of economic development, while OLS could only reflect 82%. Likewise, in prefecture-level models, R2 of GWR model improved almost 50% compared with that of OLS model.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».