پیش بینی شاخص های اقتصادی و اقتصادی با استفاده از یادگیری انتقال بر روی داده های تصاویر

سرشماری ها و سایر نظرسنجی ها مسئول جمع آوری داده های اقتصادی اقتصادی گران و وقت گیر هستند. به همین دلیل ، در کشورهای فقیر و در حال توسعه غالباً شکاف طولانی بین این نظرسنجی ها وجود دارد ، که این امر مانع تدوین مناسب سیاست های عمومی و همچنین توسعه تحقیقات می شود. یک رویکرد ممکن برای غلبه بر این چالش برای برخی از شاخص های اقتصادی اقتصادی استفاده از تصاویر ماهواره ای برای برآورد این متغیرها است ، اگرچه به دلیل پوشش سرزمینی آن ، میزان تفکیک اطلاعات و مجموعه زیادی از اطلاعات ، نمی توان نظرسنجی های سرشماری جمعیتی را به طور کامل جایگزین کرد. حتی اگر استفاده از تصاویر مداری به درستی نیاز به سطح دانش اصلی سنجش از راه دور داشته باشد ، این تصاویر از این مزیت برخوردار هستند که معمولاً آزاد و دسترسی آسان دارند. در این مقاله ، ما از تصاویر ماهواره ای در روز و شب استفاده می کنیم و از یک تکنیک یادگیری انتقال برای برآورد درآمد متوسط ، تولید ناخالص داخلی سرانه و شاخص آب ساخته شده در سطح شهر در دو ایالت برزیل ، بهیا و ریو گراند دو سول استفاده می کنیم. رویکرد یادگیری انتقال می تواند تا 64 ٪ از تغییرات در متغیرهای سطح شهر بسته به حالت و متغیر توضیح دهد. اگرچه داده های کشورهای مختلف ممکن است به طور قابل توجهی متفاوت باشد ، اما نتایج با ادبیات سازگار و دلگرم کننده است زیرا این اولین تحلیل از نوع خود برای برزیل است.

روی نسخه خطی کار می کنید؟

معرفی

کاهش کیفیت زندگی و کاهش سطح درآمد ، مشکلات مهمی در سراسر جهان ، به ویژه در کشورهای در حال توسعه است. طبق برآوردهای جولیف و همکاران.(2018) ، در سال 2015 ، تقریباً 736 میلیون نفر (10 ٪ از جمعیت جهان) در شرایط فقر شدید زندگی کردند ، یعنی با کمتر از 1. 90 دلار در روز. اگر یک خط فقر با ارزش بالاتر 5. 50 دلار برای هر نفر در روز در نظر گرفته شود ، حدود 46 ٪ از جمعیت جهان در سال 2015 در شرایط نامساعد زندگی می کردند. در برزیل ، نسبت افراد فقیر کوچکتر است ، اما هنوز هم قابل توجه است. تقریباً 13. 7 میلیون نفر (6. 5 ٪ از جمعیت برزیل) با کمتر از 1. 90 دلار در روز در سال 2018 زندگی می کردند و حدود 53. 2 میلیون نفر (25. 3 ٪) با کمتر از 5. 50 دلار در روز زندگی می کردند (انستیتوی جغرافیا و آمار برزیل 2019).

برخورد با این موضوعات بسیار مهم است و به داده های دقیق و به روز شده برای تحقیق و طراحی مؤثر در سیاست های عمومی نیاز دارد. با این حال ، همانطور که توسط ژائو و همکاران بیان شده است.(2019) ، پندی و همکاران.(2018) ، Engstrom و همکاران.(2017a) و ژان و همکاران.(2016) ، سرشماری ها و سایر نظرسنجی های سطح زمین گران ، وقت گیر و در نتیجه با شکاف های زمانی قابل توجهی بین نظرسنجی ها انجام می شود. علاوه بر این ، آنها نمی توانند هنگامی که نگرانی های بهداشتی و ایمنی در یک منطقه مانند جنگ و همه گیر وجود داشته باشد ، انجام شود. برای نشان دادن این موضوع ، طبق گفته موسسه جغرافیا و آمار برزیل (2010a) ، سرشماری برزیل در سال 2010 بودجه 1. 677 میلیارد دلار R (حدود 980 میلیون دلار با استفاده از نرخ ارز سال 2010) داشت ، که مربوط به تقریبا 0. 04 ٪ از برزیل است. تولید ناخالص داخلی (تولید ناخالص داخلی) برای همان سال. همچنین ، اگرچه سرشماری برزیل تصمیم گیری می شود ، جمع آوری داده هایی که در سال 2020 اتفاق می افتد به دلیل همه گیر Covid-19 به تعویق افتاد.

همانطور که توسط Patino و Duque (2013) ارائه شده است ، با استفاده از این فرضیه مبنی بر تعامل انسان با محیط ، ظاهر سطح یک منطقه را تغییر می دهد و به تبع آن ، می تواند برخی از رفتارهای اجتماعی و فرهنگی خود را ارائه دهد ، زیرا محققان دهه 1950 تلاش کرده اندبرای ارزیابی رابطه بین داده های از راه دور و ویژگی های اجتماعی شهرها. با ظهور ماهواره های مدرن تر و تکنیک های آماری ، برخی از نویسندگان استفاده از تکنیک های یادگیری ماشین و تصاویر از راه دور را برای پیش بینی شاخص های اقتصادی و اقتصادی و در نتیجه ، تسهیل فرآیندهای تصمیم گیری کسانی که مسئول افزایش کیفیت زندگی یک جمعیت هستند ، پیشنهاد کرده اند. بشر

بنابراین ، این کار با هدف ترکیب تکنیک های یادگیری عمیق و تصاویر ماهواره ای برای پیش بینی شاخص های اقتصادی و اجتماعی در برزیل انجام شده است. به طور خاص ، از تصاویر ماهواره ای روزانه و شبانه برای پیش بینی درآمد متوسط ، تولید ناخالص داخلی سرانه و شاخص آب ساخته شده استفاده می کند و از یک روش یادگیری انتقال استفاده می کند. رویکرد اعمال شده مشابه Xie و همکاران است.(2016) و ژان و همکاران.(2016) مقالات ، اما با تمرکز بر دو ایالت برزیل ، باهیا و ریو گراند دو سول.

ذکر این نکته حائز اهمیت است که معیاری که برای انتخاب کشورهای برزیل بهایا و ریو گراند دو سول به کار رفته است ، در سه جنبه مستقر شده است: تعداد شهرها ، مکان و ضریب جینی. پاورقی 1 از آنجا که توانایی های پیش بینی یک مدل یادگیری ماشین با میزان داده ها افزایش می یابد ، ما حالت هایی را با حداقل تعداد 400 شهر برای تجزیه و تحلیل انتخاب کردیم. علاوه بر این ، از آنجا که تمرکز این کار ارزیابی ظرفیت استفاده از تصاویر ماهواره ای برای پیش بینی برخی از شاخص های اقتصادی اقتصادی است ، تصمیم گرفتیم به دلیل اختلافات جغرافیایی با یک ایالت از شمال و دیگری از جنوب برزیل همکاری کنیم. سرانجام ، از ایالت هایی که نیازهای قبلی را متناسب کرده اند ، یک حالت با ضریب جینی کم (Rio Grande do Sul) و یک ایالت با ضریب جینی بالا (Bahia) به منظور تأیید اینکه آیا تفاوت هایی در کیفیت پیش بینی ها وجود دارد یا خیر ، انتخاب شدند. برای ایالات با سطح نابرابری مختلف.

به دانش ما ، این اولین کار در ارزیابی توانایی تکنیک های یادگیری انتقال برای پیش بینی این شاخص ها در برزیل است و بنابراین ، نقش مهمی در تأیید کاربرد این روش برای این کشور دارد. به منظور انجام این تأیید ، نتایج یادگیری انتقال با رویکردهای ساده تر مقایسه می شود ، یعنی استفاده از تنها چراغ های شبانه (از این پس ، NTL) ، تنها با استفاده از ویژگی های روز و استفاده از ویژگی های استخراج شده مستقیم از یک مدل از پیش آموزشتأیید کنید که آیا تکنیک یادگیری انتقال از این روشهای دیگر بهتر است یا خیر. همچنین ، یک مدل نهایی که به ویژگی های همه رویکردها می پیوندد ، برای ارزیابی اینکه آیا می تواند عملکرد پیش بینی را بهبود بخشد ، آزمایش می شود.

ساختار مقاله به شرح زیر است. بخش "رابطه بین تصاویر ماهواره ای و شاخص های اقتصادی اقتصادی" آثار قبلی در مورد رابطه بین تصاویر ماهواره ای و متغیرهای اقتصادی و اقتصادی ارائه می دهد. در بخش "منطقه مطالعه و مجموعه داده" ، منطقه مورد مطالعه و داده های مورد استفاده در این کار ارائه شده است. بخش "روش شناسی" جزئیات روشهای به کار رفته برای پیش بینی شاخص های اقتصادی اقتصادی برای برزیل با استفاده از تصاویر ماهواره ای را توضیح می دهد. سرانجام ، نتایج در بخش "نتایج و بحث" نشان داده شده است و نتیجه گیری در بخش "نتیجه گیری" ارائه شده است.

رابطه بین تصاویر ماهواره ای و شاخص های اقتصادی و اقتصادی

تصاویر ماهواره ای سالهاست که برای نظارت بر آب و هوا ، پوشش زمین و توپوگرافی مورد استفاده قرار می گیرد. ماهواره های برنامه Landsat ، برنامه ماهواره ای هواشناسی دفاعی (DMSP) و اداره ملی هوانوردی و فضایی (NASA)/ اداره ملی اقیانوسی و جوی (NOAA) Suomi National Polar-Orbiting (SUOMI-NPP) از سال 1970 تصاویری از زمین را تهیه کرده اند. با این حال ، در این مدت این تصاویر به راحتی در دسترس نبودند و تکنیک های یادگیری ماشین هنوز به خوبی توسعه نیافته اند.

زمینه های جدید را می توان پس از در دسترس بودن تصاویر ماهواره ای ، یادگیری ماشین/آمار تکامل یافت و ظرفیت محاسباتی افزایش یافت. از اواخر دهه 1990 و آغاز 2000 ، تحقیقات در مناطق مختلف پدید آمده است ، به ویژه این تصاویر را با متغیرهای اقتصادی و اقتصادی ترکیب می کند. پیوند بین تصاویر از فضا و شاخص های اقتصادی و اقتصادی وجود دارد زیرا ، همانطور که توسط Patino و Duque (2013) بیان شده است ، سنجش از دور می تواند معیاری از نحوه تعامل افراد با محیط و سطح زمین باشد.

تصاویر ماهواره ای ، درآمد و فقر

بسیاری از مطالعات تعامل بین تصاویر ماهواره ای و داده های درآمد و فقر را مورد تجزیه و تحلیل قرار داده اند. رویکردهای مربوط به نوع تصاویر ماهواره ای متفاوت است: فقط چراغ های شبانه (الویج و همکاران 2009 ؛ یو و همکاران 2015) ؛فقط تصاویر روز (Engstrom et al. 2017a ، b ؛ Pandey et al. 2018 ؛ Bai et al. 2020) ؛ترکیبی از هر دو (شی و همکاران 2016 ؛ ژان و همکاران 2016 ؛ پرز و همکاران 2017 ؛ ژائو و همکاران 2019).

با استفاده از DMSP-OLS NTL ، Elvidge و همکاران.(2009) نقشه جهانی فقر را ساخته است. آنها این کار را با ایجاد یک شاخص فقر (تعداد جمعیت زمین زمین تقسیم شده بر اساس میانگین شماره دیجیتالی باند قابل مشاهده از چراغ ها) برای هر یک از 233 کشور در نمونه انجام دادند و سپس در مورد درصد افرادی که با 2 دلار در روز یا کمتر زندگی می کنند ، چنین شاخصی را رگرسیون می کنندبشرآنها متوجه شدند که بین این شاخص و اقدامات فقر در سطوح ملی و فرعی ارتباط زیادی وجود دارد. اخیراً ، یو و همکاران.(2015) از یک رویکرد مشابه برای ارزیابی رابطه بین ماهواره Suomi-NPP NASA/NOAA با تابش و تابش رادیومتر تصویربرداری مادون قرمز قابل مشاهده (VIIRS) تابش و فقر در چین استفاده کرد. چراغ ها با میانگین تابش برای مناطق اداری نشان داده شدند. فقر به عنوان شاخص تشکیل شده توسط میانگین وزنی 10 متغیر اقتصادی اقتصادی مربوط به زمینه هایی مانند توسعه اقتصادی ، بهداشت و آموزش اندازه گیری شد. شاخص چراغ و فقر ، همبستگی خوبی (ضریب تعیین R (^2 ) از 0. 86) ، و همچنین چراغ ها و داده های رسمی ملی فقیر را نشان داد.

با استفاده از فقط تصاویر در طول روز ، دو مطالعه بررسی کردند که چگونه فقر در سریلانکا را می توان با ویژگی های وضوح مکانی بالا توضیح داد. Engstrom و همکاران.(2017a) ویژگی های استخراج شده از قبیل تعداد اتومبیل ، تعداد و اندازه ساختمانها ، نوع زمین های کشاورزی ، نوع سقف ، سهم پیکسل های سایه ، وسعت جاده و مواد جاده ای را از تصاویر ضبط شده توسط سنسورهای جهان بینی 2 ، Geoeye 1 و Quickbird 2 استخراج کرد. این کار با استفاده از ترکیبی از شبکه های عصبی Convolution مبتنی بر یادگیری عمیق (CNN) و طبقه بندی خصوصیات طیفی و بافت انجام شد. پس از آن ، فقر و رفاه ورود به سیستم با یک رویکرد دو مرحله ای تخمین زده شد ، که ابتدا یک مدل لاسو (Tibshirani 1996) را بر روی مجموعه کامل ضرایب تخمین می زند و سپس یک مدل معمولی حداقل مربعات (OLS) را بر روی مجموعه غیر صفر اعمال می کند. ضرایب از مرحله لاسو. نتایج نشان می دهد که ویژگی های ماهواره ای روز با فقر بسیار مرتبط است. مطالعه دوم ، توسط Engstrom و همکاران تهیه شده است.(2017b) ، ویژگی های استخراج شده از تصاویر QuickBird و از یک روش ترکیبی استفاده شده است ، که از حداقل مربعات جزئی ، روش های ریج و لاسو برای انتخاب متغیر و OLS برای متناسب با مدل استفاده می کند. نتایج رگرسیون خطی نشان می دهد که فقر را می توان تا حدی با ویژگی های مکانی و طیفی توضیح داد ، زیرا R (^2 ) برای هر سطح فقر تخمین زده شده کمی بالاتر از 0. 5 بود. با تمرکز بر قدرت پیش بینی تصاویر روز در مورد فقر در هند ، پندی و همکاران.(2018) به دست آمده (1920 بارها 1920 ) تصاویر اندازه از Google Static Maps API. به گفته نویسندگان ، این اولین مطالعه ای بود که آزمایش های یادگیری عمیق را در مورد تصاویر با چنین اندازه گزارش داد. آنها از یک روش یادگیری چند کاره استفاده کردند که شامل استفاده از یک مدل چند کاره کاملاً حلقوی برای پیش بینی منبع آب آشامیدنی ، منبع روشنایی و مواد سقف است و سپس از پارامترهای خروجی اولین قدم برای پیش بینی فقر استفاده می کند (درآمدسطح). این روش بسته به مشخصات مدل قادر به تخمین فقر با دقت متفاوت از 75 تا 100 ٪ بود. سرانجام ، بای و همکاران.(2020) درآمد سرانه و درآمد خانوار در مناطق مختلف شهر نیویورک تخمین زده شده است. آنها برای پیش بینی درآمد که از قیمت خانه ، تصاویر ماهواره ای در روز ، نمای خیابان و اطلاعات مکانی مکانی به عنوان ورودی مدل استفاده می کردند ، یک شبکه عصبی مانند سیامی مانند سیامی ایجاد کردند. مدل به دست (^2 ) بالاتر از 0. 72 ، یعنی ،

این بهتر از سایر مدلهای رگرسیون تخمین درآمد برتر است.< SPAN> این از سایر مدلهای رگرسیون تخمین درآمد پیشرفته بهتر است. این از سایر مدلهای رگرسیون تخمین درآمد پیشرفته بهتر است.

ترکیب (400 بار 400 ) پیکسل تصاویر روز (بارگیری شده از Google Static Maps API) و تصاویر ماهواره ای شب (DMSP-OLS) از اوگاندا ، Xie و همکاران.(2016) از یک روش یادگیری انتقال برای استخراج شاخص های فقر از تصاویر ماهواره ای با وضوح بالا استفاده کرد. این روش به این واقعیت متکی است که داده های آموزش کمیاب است و یک تکنیک CNN به طور کلی برای تولید پیش بینی های دقیق به مقدار زیادی داده نیاز دارد. برای مقابله با این مسئله ، آنها ابتدا یک مدل CNN را برای پیش بینی شدت NTL از ویژگی های روز آموزش داده و سپس ویژگی های جدیدی را از مدل آموزش دیده استخراج کردند و از آنها برای نقشه برداری از فقر با استفاده از رگرسیون لاسو لجستیک استفاده کردند. نتایج نشان می دهد که مدل یادگیری انتقال می تواند فقر را به خوبی پیش بینی کند (دقت 0. 72) و این که از سایر مدل های آزمایش شده بهتر عمل می کند ، که فقط از ImageNet استفاده می کردند ، فقط NTL یا Imagenet همراه با NTL. با گسترش این تحقیق ، ژان و همکاران.(2016) از همین روش استفاده کرد ، اما این بار برای پنج کشور آفریقایی (نیجریه ، تانزانیا ، اوگاندا ، مالاوی و رواندا) و با استفاده از یک مدل رگرسیون ریج به جای رگرسیون لجستیک برای طبقه بندی. دو پروکسی فقر مورد آزمایش قرار گرفت: هزینه مصرف و ثروت دارایی. ضرایب معتبر تعیین شده نشان می دهد که ویژگی های یادگیری انتقال می تواند از 37 تا 55 ٪ از تغییرات در مصرف و 55 تا 75 ٪ از تغییرات در ثروت دارایی توضیح دهد. همچنین ، هنگامی که از مدلی آموزش دیده در یک کشور برای برآورد مصرف یا دارایی در کشور دیگر استفاده می شود ، قدرت پیش بینی فقط اندکی کاهش می یابد و این نشانگر ظرفیت تعمیم آن است. پرز و همکاران.(2017) و ژائو و همکاران.(2019) همچنین از یادگیری انتقال برای پیش بینی فقر استفاده کرد. اولین اثر این روش را برای قاره آفریقا با استفاده از تصاویر DMSP-OLS و Landsat 7 و چندین مدل مختلف مانند رگرسیون ریج و درختان شیب دار استفاده کرد. نتایج با ژان و همکاران تراز شده است.(2016) ، با r (^2 ) بین 0. 63 و 0. 66. کار دوم از یادگیری انتقال به NPP-VIIR ها و تصاویر نقشه استاتیک Google از بنگلادش استفاده کرد. آنها همچنین از ویژگی های سایر منابع داده مانند نقشه پوشش زمین و نقشه راه خیابان Open Street استفاده می کردند. این روش شامل قرار دادن همه ویژگی ها در کنار هم و استفاده از یک الگوریتم برای انتخاب مهمترین متغیرها بود. پس از آن ، یک رگرسیون جنگلی تصادفی برای پیش بینی فقر آموزش دید. R (^2 ) بین شاخص ثروت پیش بینی شده و واقعی (پروکسی فقر) 0. 70 بود. آنها همچنین با استفاده از مدل آموزش داده شده با داده های بنگلادش ، فقر را در نپال پیش بینی کردند.

(r^2 ) در این مورد 0. 61 بود.

تصاویر ماهواره ای و متغیرهای عمومی اقتصادی اقتصادی (تولید ناخالص داخلی ، جمعیت ، شهرنشینی ، کیفیت زندگی)

علاوه بر فقر و درآمد ، چندین اثر وجود دارد که رابطه بین تصاویر ماهواره ای و سایر متغیرهای اقتصادی اقتصادی مانند تولید ناخالص داخلی را ارزیابی می کند (الویج و همکاران 1997 ؛ Doll et al. 2006 ؛ Sutton et al. 2007 ؛ Tilottama et al. 2010 ؛ Henderson etآل. و سایر متغیرهای اجتماعی ، به عنوان دستیابی به تحصیلات و نارسایی رشد کودک (زیمرمن و همکاران 2018 ؛ گرتز و همکاران 2018).

یک رویکرد بصری ارزیابی رابطه بین شدت چراغ های شبانه و تولید ناخالص داخلی است ، پس از انتظار می رود مناطقی که تولید اقتصادی بالاتری دارند ، به دلیل مصرف برق بیشتر ، به دلیل مصرف بیشتر برق ، دارای شدت بیشتری باشند. یکی از اولین آثاری که این رابطه را ارزیابی کرده بود ، الویج و همکاران بود.(1997) ، که از داده های NTL از سیستم اسکن خط عملیاتی برنامه هواشناسی (DMSP-OLS) و مقادیر تولید ناخالص داخلی برای 21 کشور استفاده کرد. آنها پس از استفاده از تجزیه و تحلیل رگرسیون ، همبستگی شدیدی بین منطقه LIT و تولید ناخالص داخلی پیدا کردند. هندرسون و همکاران.(2012) ، به نوبه خود ، یک چارچوب آماری ایجاد کرد تا نشان دهد چگونه می توان تغییرات در شدت نور را با رشد تولید ناخالص داخلی ترکیب کرد تا تخمین بهبود یافته از رشد درآمد واقعی ایجاد شود. آنها از کشورهایی با سطح در حال توسعه مختلف استفاده کردند و نتیجه گرفتند که داده های چراغ می توانند یک متغیر مهم در تجزیه و تحلیل رشد اقتصادی باشند.

عروسک و همکاران.(2006) ، ساتون و همکاران.(2007) و Tilottama و همکاران.(2010) ، به عنوان مثال ، از داده های DMSP-OLS برای برآورد چگونگی ارتباط NTL با تولید ناخالص داخلی در سطح فرعی استفاده کرد. عروسک و همکاران.(2006) همبستگی شدیدی بین NTL و تولید ناخالص منطقه ای (GRP) برای ایالات متحده و برخی از کشورهای اروپایی مشاهده کرد. Sutton et al.(2007) ظرفیت تغییرات در شدت نور را برای پیش بینی تغییرات تولید ناخالص داخلی هند ، چین ، ترکیه و ایالات متحده ارزیابی کرد. آنها از دو روش مختلف استفاده می کردند: یکی فقط بر اساس داده های تولید ناخالص داخلی و دیگری که تقریبی جمعیت شهری را برای هر ایالت تخمین زده و از آن به عنوان پروکسی تولید ناخالص داخلی استفاده می کند. نتایج نشان داد که روش با استفاده از جمعیت شهری برای هر کشوری از R (^2 ) بالاتر برخوردار بود ، که از 0. 72 تا 0. 96 متغیر بود. سرانجام ، Tilottama و همکاران.(2010) رابطه بین NTL و فعالیت اقتصادی کل (رسمی به علاوه غیر رسمی) را برای کشورها و کشورهای جهان ارزیابی کرد. آنها از مدل های رگرسیون برای کالیبراسیون مقادیر NTL به اقدامات اقتصادی در سطح زیرزمینی برای چین ، هند ، مکزیک و ایالات متحده و در سطح ملی برای سایر کشورها استفاده کردند. از پارامترهای به دست آمده برای برآورد فعالیتهای اقتصادی استفاده شد و نتایج نشان داد که این رویکرد وسیله ای جایگزین برای اندازه گیری فعالیت اقتصادی جهانی است.

همانطور که توسط بنت و اسمیت (2017) توضیح داده شد ، داده های DMSP-OLS فقط تا سال 2013 در دسترس است و به همین دلیل ، مطالعات با استفاده از ماهواره Suomi-NPP NASA/NOAA با سنسور سوئیت رادیومتر تصویربرداری مادون قرمز قابل مشاهده بوجود آمده است. آنها نشان دادند که این ماهواره همچنین داده هایی را فراهم می کند که می تواند برای پیش بینی دقیق فعالیت اقتصادی و سایر متغیرهای اقتصادی اقتصادی استفاده شود. به عنوان مثال ، مقاله چن و نورداوس (2019) است که با استفاده از رگرسیون خطی برای ارزیابی رابطه بین داده های نور VIIRS و تولید ناخالص داخلی ایالات متحده و مناطق آماری کلانشهر ، نتیجه گرفت که همبستگی Lights-GDP در شب ها در کلانشهرها و کلانشهرها قوی تر است. پیش بینی های مقطع دقیق تر از پیش بینی های سری زمانی است.

با توجه به جمعیت ، Sandbo و Engstrom (2016) برای ارزیابی ظرفیت آنها در پیش بینی متغیرهای سرشماری ، از تصاویر چند طیفی Quickbird-2 از غنا استفاده کردند. آنها پنج ویژگی مکانی مختلف (مناطق پشتیبانی از خط ، پانتکس ، هیستوگرام شیب گرا ، الگوهای باینری محلی و تبدیل فوریه) را استخراج کردند و یک ماتریس ضریب همبستگی برای ارزیابی روابط آنها با داده های جمعیت شناختی در سطح محله ایجاد کردند. متغیری که قوی ترین همبستگی را با متغیرهای سرشماری ، از جمله تراکم جمعیت ، نشان داد ، شاخص پوشش گیاهی تفاوت عادی بود. علاوه بر این ، Engstrom و همکاران.(2019) بررسی کرد که ترکیب تصاویر ماهواره ای و بررسی های خانگی برای ردیابی تغییرات در تراکم جمعیت محلی سریلانکا چقدر امکان پذیر است. آنها از منابع داده های ماهواره ای مختلف ، مانند چراغ های شبانه VIIRS ، داده های تغییر جنگل جهانی ، انتشار حرارتی پیشرفته و رادیومتر بازتاب (ASTER) پیشرفته و داده های شیب ، ردپای جهانی شهری (GUF) ، ردپای جهانی شهری به علاوه (GUF+) استفاده کردند.، لایه تسویه حساب جهانی بشر (GHSL) و لایه تسویه حساب با وضوح بالا (HRSL). روش به کار رفته رگرسیون دو مرحله ای متقاطع بود که در آن قدم اول بر انجام رگرسیون لاسو برای انتخاب متغیر است و مرحله دوم رگرسیون پواسون برای برآورد تراکم جمعیت است. این یافته ها نشان می دهد که شاخص های ماهواره ای از قدرت پیش بینی فوق العاده قوی در پیش بینی چگالی جمعیت سطح روستا برخوردار هستند ، و همچنین این که دقت هنگام استفاده از یک مدل جنگل تصادفی و هنگامی که برآورد چگالی از نظر تعداد جمعیت بیان می شود ، مشابه هستند.

شهرنشینی ، که ارتباط نزدیکی با تراکم جمعیت دارد ، اما با تمرکز بر جمعیت شهری ، هدف مطالعه بسیاری از مقالات با استفاده از چراغ ها و داده های کشورهای آسیایی بود. گائو و همکاران.(2015) تجزیه و تحلیل کرد که از چه میزان NTL می توان برای استنباط شهرنشینی در چین استفاده کرد. آنها تغییرات را در یک شاخص نور شبانه با تغییرات در نسبت جمعیت غیر کشاورزی و نسبت منطقه ساخته شده مقایسه کردند. یافته اصلی این بود که تغییرات در این متغیرها برای برخی از مناطق سازگار بود ، اما برای سایرین سازگار نبود ، به این معنی که میزان تغییر رابطه بین شهرنشینی و NTL می تواند در شهرها در یک کشور واحد متفاوت باشد. با یافته های مشابه ، اما برای کشورهای مختلف در آسیا ، ژو و همکاران.(2015) نشان داد که شیب رگرسیون نرخ رشد NTL از سال 2000 تا 2010 در برابر جمعیت وارد شده در سال 2000 در کشورها بسیار متفاوت است. با این حال ، هنگامی که اندازه گیری فعالیت اقتصادی در سطح زیر ملی وجود ندارد ، داده های NTL یک پروکسی مفید برای تجزیه و تحلیل الگوهای مکانی رشد شهری ارائه می دهند.

سرانجام ، از تصاویر ماهواره ای نیز برای پیش بینی سایر متغیرهای اقتصادی اقتصادی استفاده شد. الویج و همکاران.(2012) از چراغ های DMSP-OLS و تراکم جمعیت یک شاخص توسعه نور شب (NLDI) توسعه یافته و رابطه آن را با چندین متغیر برای کشورهای مختلف در سراسر جهان آزمایش کرد. از یک طرف ، آنها بین ضریب NLDI و جینی همبستگی پیدا نکردند و همبستگی ضعیفی بین NLDI و درصد جمعیت ساکن در مناطق شهری پیدا کردند. از طرف دیگر ، NLDI روابط محکمی با نرخ برق ، شاخص توسعه انسانی (HDI) و میزان فقر بین المللی ارائه داد. با تمرکز بر روی آفریقا ، Graetz و همکاران.(2018) میانگین دستیابی به تحصیلات بر اساس سن و جنس در سطوح فرعی را تخمین زده است. آنها با استفاده از روشهای ژئستاتیکی بیزی در مجموعه داده های ژئولوژیک ، آنها نشان دادند که دستیابی به طور کلی برای زنان در سن تولید مثل در آفریقا از سال 2000 بهبود یافته است و همچنین ، شکاف نسبتاً پایدار بین زمان وجود دارد. زیمرمن و همکاران.(2018) ، همچنین با تمرکز بر کشورهای آفریقایی و استفاده از روشهای زمین آماری بیزی ، با هدف نقشه برداری از شکست رشد کودک. تا سال 2015 ، تقریباً همه مکان ها در مقایسه با سال 2000 پیشرفت در این شاخص را نشان دادند ، اگرچه برخی از کشورها در تمام شاخص های نارسایی رشد کودک عملکرد ضعیفی داشتند.

تصاویر ماهواره ای که برای برزیل اعمال می شود

با نگاهی خاص به برزیل ، از تصاویر ماهواره ای استفاده می شود که عمدتاً برای بررسی اینکه آیا قادر به تشخیص زاغه ها هستند (هافمن و همکاران 2008 ؛ نادالین و Mation 2018) ، جمعیت تخمین زده می شوند (Amaral et al. 2005 ، 2006 ؛ Tomás et al. 2016 ؛Neves et al. 2017 ؛ Maroko et al. 2019 ؛ Campos et al. 2020) و شاخص توسعه انسانی نقشه (Charris et al. 2019).

با توجه به تشخیص زاغه ها ، هافمن و همکاران.(2008) رویکردی را برای به دست آوردن اطلاعات در مورد شهرکهای غیررسمی از تصاویر ماهواره ای QuickBird ایجاد کرد. در اصل ، آنها از یک رویکرد مبتنی بر قانون برای تولید سلسله مراتب کلاس ها با تمرکز بر روی خواص مربوطه مطابق هستی شناسی غیر رسمی استفاده کردند. نمونه هایی از کلاس ها عبارتند از: سقف های قرمز ، سایه های کوچک/اشیاء تیره ، سقف های کوچک/اشیاء روشن روشن و پوشش گیاهی که به عنوان شاخص های شهرک های غیررسمی عمل می کنند. دقت به دست آمده با استفاده از این روش 47 ٪ قبل از استفاده از یک فرآیند تکرار شونده از یک شیء دانش مبتنی بر دانش و طبقه بندی مجدد و 68 ٪ پس از استفاده از رویکرد تکراری بود. نادالین و میتاسیون (2018) تخمین هایی از مکان های زاغه در برزیل و ویژگی های اقتصادی اقتصادی آنها را با استفاده از تصاویر ماهواره ارائه دادند. از تجزیه و تحلیل رگرسیون ، آنها دریافتند که هیچ ارتباط مشخصی بین درآمد و فاصله با مرکز شهر برای زاغه ها در برزیل وجود ندارد و مناطق شیب دار در نزدیکی رودخانه ها احتمالاً زاغه هایی دارند.

Amaral و همکاران.(2005) ، با استفاده از تصاویر شبانه DMSP-OLS ، همبستگی جمعیتی و چراغهای روشن و روشن در منطقه آمازونیا برزیل را مورد تجزیه و تحلیل قرار داد. یافته های آنها با ادبیات سازگار است ، زیرا نتایج نشان می دهد که روابط خطی بین چراغ ها و جمعیت شهری (R (^2 = 0. 79 )) و بین چراغ ها و مصرف انرژی الکتریکی (R (^2 = 0. 80 ) وجود دارد.). همچنین با استفاده از تصاویر شبانه DMSP-OLS و تمرکز روی آمازونیای برزیل ، Amaral و همکاران.(2006) NTL را از سال 1995 و 1999 به داده های جمعیتی از سرشماری برزیل در سال 1996 و 2000 و ضرایب تعیین شده بالاتر از 0. 8 از رگرسیون خطی بدست آورد. علاوه بر این ، آنها جمعیت را برای سال 2003 با استفاده از داده های NTL از سال 2002 تخمین زدند و در مقایسه با طرح ریزی جمعیت موسسه جغرافیا و آمار برزیل (IBGE). مدل خطی مورد استفاده بیش از حد جمعیت را بیش از حد ارزیابی کرد. هر دو اثر نشان داد که داده های نور شبانه DMSP-OLS می تواند به عنوان شاخص فعالیت انسانی در آمازونیا استفاده شود.

Tomás و همکاران به جای استفاده از تصاویر چراغ های شبانه.(2016) رویکردی را برای برآورد جمعیت شهری بر اساس حجم خانه های مجرد و ساختمانهای مرتفع به دست آمده از داده های IKONOS-2 Ortho-Image و Detection and Raging (LIDAR) ارائه داد. ایده ساخت یک مدل شهر سه بعدی برای کمبود جمعیت شهری بود. با استفاده از رگرسیون خطی برای پیوند جمعیت تخمین زده شده به داده های جمعیتی که توسط IBGE برای منطقه مورد مطالعه (شهر اوبرلندیا) منتشر شده است ، نویسندگان دست کم گرفتن سیستماتیک جمعیت را پیدا کردند. Neves et al.(2017) از یک روش نقشه برداری dasymetric ، که برای برآورد توزیع مکانی یک جمعیت استفاده می شود ، برای برآورد تنوع توزیع در جمعیت در حوضه ساز جاکاراپاگوی استفاده می کند. آنها از نقشه کاربری اراضی و پوشش زمین استفاده کردند که با طبقه بندی نظارت شده از تصاویر سنسور Rapideye و داده های جمعیتی از سرشماری برزیل 2010 برای ایجاد مناطق Dasymetric و سپس ، جمعیت تخمین زده شده از مناطق Dasetymetric با استفاده از دو روش مختلف محاسبه می شود. همچنین با استفاده از یک رویکرد dasymetric ، اما در این حالت یک تکنیک نقشه برداری 3D Dasymetric ، Maroko و همکاران.(2019) قرار گرفتن در معرض جمعیت در معرض پدیده های سه بعدی (به عنوان مثال ، آلودگی هوا) ، با استفاده از ترکیبی از داده های کاداستر ، داده های ردپای ساختمان و داده های ارتفاع ساختمان. ایده این بود که جمعیت را در مناطق مسکونی در ساختمانهای فردی جدا کنیم و سپس آن را به صورت عمودی بر اساس ارتفاع ساختمان توزیع کنیم. این روش در سائوپائولو و شهر نیویورک مورد آزمایش قرار گرفت و نتایج نشان داد که می تواند برای اهداف مانند بهبود عملیات مدیریت اضطراری یا انتخاب سایت های بهینه برای مکان های پناهگاه اضطراری مفید باشد. Campos et al.(2020) ظرفیت این تصاویر را برای برآورد جمعیت برای شهرداری مسری در سالهای 2000 ، 2010 و 2015 ارزیابی کرد. مدل های رگرسیون ساخته شده است ، که در آن جمعیت متغیر وابسته و بازتاب گروههای تصاویر لندست و برخی متغیرهای اضافی است(به عنوان مثال ، این منطقه شهری ، روستایی یا زاغه ها) متغیرهای توضیحی هستند. تخمین های سال 2010 محاسبه شده بر اساس داده های 2000 با جمعیت ذکر شده در سرشماری سال 2010 و تخمین های سال 2015 ، با استفاده از داده های 2000 و 2010 ، با سایر تخمین های پس از سرشماری مقایسه شد. نتایج نشان می دهد که ، اگرچه مدل های آزمایش شده تخمین های خوبی را ارائه می دهند ، به طور کلی ،

خطاهای ایجاد شده توسط این مدل ها از موارد به دست آمده توسط تخمین های درموگرافی بزرگتر بودند.