报告行业投资评级 未提及相关内容 报告的核心观点 - 提出并评估使用视觉变压器架构解决结合调查和卫星数据以在精细空间尺度上生成财富估计的多个未决问题 [33] - 应用结合地理空间特征的变压器模型生成高分辨率的贫困和财富预测具有显著优势 [35] - 拥有足够的训练数据对估计预测模型至关重要，未来可研究在小样本情况下提高变压器模型性能的方法 [37] - 变压器模型在预测财富和家庭福祉变化方面具有潜力，未来可研究变化模型参数在时空上的稳定性 [38] 根据相关目录分别进行总结 研究背景 - 准确全面测量家庭生计对监测减贫进展和确定社会援助计划目标至关重要，但传统数据收集成本高，全面测量困难 [5] - 官方贫困测量长期依赖家庭调查，但该方法耗时，且难以在许多地区及时获得全面的贫困及相关结果测量，也难以在村庄或社区层面生成可靠估计，因此需要更具成本效益和可扩展的替代方法 [10] - 近年来，公开可用的遥感数据和机器学习的进步改变了生计测量格局，早期研究表明利用卫星图像和机器学习可准确、廉价且可扩展地估计财富 [11] 研究方法 - 构建大规模、多分辨率和多时间的贫困数据集，包含四个非洲国家的超1200万户家庭数据，以及马拉维两个城市的精确地理参考测量和同一地点的重复测量 [12] - 直接测试新型深度学习模型（视觉变压器），与基于卷积神经网络（CNN）的早期深度学习架构以及使用地理空间特征和表格机器学习方法（XGBoost）的简单模型进行比较，设计调节模块使变压器模型处理多模态输入 [13] - 利用准确的高分辨率国家普查数据进行模型训练和评估，与早期主要依赖公开家庭调查数据的研究相比，数据覆盖范围更广，部分数据精确地理参考，可评估模型预测误差来源和确定最小训练数据要求 [15] - 利用高分辨率普查数据研究卫星图像和其他地理空间数据在预测非洲城市地区生计变化中的应用，使用马拉维两个城市的综合精确地理参考普查数据训练和测试不同分辨率卫星数据的模型 [16] - 利用普查和提取物评估基于图像的模型对财富随时间变化的预测能力，使用马拉维与莫桑比克相隔10年的同一地点重复普查数据进行评估 [17] 研究结果 国家层面财富预测 - 天真变压器模型在马拉维、莫桑比克和马达加斯加的数据集上始终优于其他模型，在布基纳法索，使用卫星图像和地理空间特征的XGBoost平均性能最佳，天真变压器模型仅使用卫星图像时仍具竞争力 [18] - 确定10%为模型性能的关键转折点，低于此比例估计准确性迅速下降 [18] - 当每个图像至少有10户家庭时，调查更多枚举区域对预测财富更重要，地理空间特征可显著提高模型性能，尤其是在训练样本量较小时 [20] - 结合地理空间特征的变压器模型在大多数情况下产生的估计R²最高，使用变压器模型和Landsat图像可在一小时内完成全国尺度的精细财富测量 [21] 国家层面财富变化预测 - 深度学习模型在马拉维可捕捉52%的变化，在莫桑比克可捕捉42%的变化，优于XGBoost，变压器模型在估计莫桑比克十年财富变化时略优于CNN，在马拉维表现相当 [22][24] - 减少采样位置数量比减少每个样本聚合的家庭数量对准确性的影响更大 [24] - 马拉维南部财富在十年间下降，北部和中部部分地区相对稳定或略有上升，莫桑比克大部分地区财富总体增加，南部地区财富增长多于北部，少数孤立地区财富下降 [25] 城市层面财富预测 - CNN和变压器模型在两个城市的表现始终优于XGBoost，变压器模型在布兰太尔明显优于CNN，在利隆圭表现相当，所有模型的性能随训练数据比例增加而显著提高，但超过25%-50%后收益递减 [28] - SkySat在两个城市的各种训练数据比例下始终优于PlanetScope，SkySat适合高精度的局部地区财富测量，PlanetScope适合大规模财富映射以获取宏观见解 [29] - 地理空间特征通常会降低城市层面财富预测的模型性能，因为其来自低分辨率卫星图像，会引入空间误差，变压器模型仅从卫星图像中就能学习更准确的财富表示 [30][31] - 在马拉维的两个城市实现了准确的大规模城市层面财富映射，0.3公里分辨率的城市层面财富地图提供了前所未有的财富空间分布细节，利隆圭可解释高达76%的变化，布兰太尔可解释高达67%的变化 [32] 讨论与展望 - 变压器模型在横截面财富预测、城市内部变化预测和十年资产财富指数变化预测方面表现良好，结合地理空间特征可提高性能，但在城市层面结合地理空间特征会降低性能 [33][34] - 强调开发工具、文档和培训材料的重要性，使国家统计局、国际组织和其他数据提供者能够进行估计，并评估预测不确定性以促进实施 [35] - 强调拥有足够训练数据的重要性，未来可研究在小样本情况下提高变压器模型性能的方法 [37] - 展示了变压器模型在预测财富和家庭福祉变化方面的潜力，未来可研究变化模型参数在时空上的稳定性，以便在缺乏调查数据的情况下使用地理空间数据生成福利变化的近似微观估计 [38] 研究方法细节 数据集 - 利用四个低收入国家和马拉维两个城市的数据，因普查提取物中存在位置标识符，可在不同时空场景下模拟数据稀缺对模型性能的影响 [40] - 构建资产财富指数，使用全国普查问卷数据，涉及四个国家超1200万户家庭，对住房特征和资产进行评估和标准化，通过主成分分析提取第一主成分作为资产财富指数 [41][42] - 收集国家层面的Landsat卫星图像和城市层面的PlanetScope、SkySat多光谱卫星图像，补充公开可用的地理空间特征 [45][46] 模型训练 - 比较XGBoost、CNN和变压器三种模型，选择SwinV2 - T作为变压器模型的骨干 [47][48] - XGBoost使用图像级通道矩作为输入特征，CNN使用ResNet - 18进行特征提取，变压器模型采用SwinV2 - T提取特征，并通过调节机制整合地理空间特征 [49][50][51] - 所有深度模型使用相同配置进行训练，通过最小化均方误差损失和AdamW优化器进行端到端训练，训练100个周期，采用D4二面体组变换进行数据增强 [52] 模型评估 - 采用五折交叉验证评估模型性能，使用R²作为水平和变化预测的指标 [53] - 模拟数据稀缺的两种场景：限制图像数量和限制图像内家庭数量，以研究模型在数据稀缺情况下的性能 [54]