Identifying deprived "slum" neighbourhoods in the Greater Accra Metropolitan Area of Ghana using census and remote sensing data
Notice bibliographique
Résumé
Identifying urban deprived areas, including slums, can facilitate more targeted planning and development policies in cities to reduce socio-economic and health inequities, but methods to identify them are often ad-hoc, resource intensive, and cannot keep pace with rapidly urbanizing communities. We apply a spatial modelling approach to identify census enumeration areas (EAs) in the Greater Accra Metropolitan Area (GAMA) of Ghana with a high probability of being a deprived area using publicly available census and remote sensing data. We obtained United Nations (UN) supported field mapping data that identified deprived "slum" areas in Accra's urban core, data on housing and population conditions from the most recent census, and remotely sensed data on environmental conditions in the GAMA. We first fitted a Bayesian logistic regression model on the data in Accra's urban core (n=2,414 EAs) that estimated the relationship between housing, population, and environmental predictors and being a deprived area according to the UN's deprived area assessment. Using these relationships, we predicted the probability of being a deprived area for each of the 4,615 urban EAs in GAMA. 899 (19%) of the 4,615 urban EAs in GAMA, with an estimated 745,714 residents (22% of its urban population), had a high predicted probability (>80%) of being a deprived area. These deprived EAs were dispersed across GAMA and relatively heterogeneous in their housing and environmental conditions, but shared some common features including a higher population density, lower elevation and vegetation abundance, and less access to indoor piped water and sanitation. Our approach using ubiquitously available administrative and satellite data can be used to identify deprived neighbourhoods where interventions are warranted to improve living conditions, and track progress in achieving the Sustainable Development Goals aiming to reduce the population living in unsafe or vulnerable human settlements.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».