Deep learning con imágenes satelitales permite la estimación de ingresos de alta resolución: un estudio de caso de...

Área de la Ciencia:

• Análisis geoespacial
• Aplicaciones de aprendizaje automático
• Mapeo socioeconómico

Sus antecedentes:

• Los datos de ingresos de alta resolución son vitales para una formulación de políticas eficaz, pero a menudo son costosos de obtener, especialmente en las naciones en desarrollo.
• Los métodos existentes para la elaboración de mapas de ingresos carecen del detalle geográfico necesario para una evaluación granular de las políticas.
• Las imágenes satelitales ofrecen una alternativa potencial para la recopilación de datos rentable.

Objetivo del estudio:

• Evaluar el uso de imágenes satelitales de alta resolución y aprendizaje automático para generar mapas de ingresos detallados.
• Desarrollar un modelo capaz de estimar el ingreso per cápita a una resolución espacial fina.
• Proporcionar un método escalable y adaptable para la elaboración de mapas de ingresos en regiones con escasez de datos.

Principales métodos:

• Se entrenó una red neuronal, específicamente la arquitectura EfficientNetV2, utilizando imágenes satelitales y datos del censo de 2010 del Área Metropolitana de Buenos Aires.
• El modelo estimó el ingreso per cápita a una resolución de 50x50 metros para múltiples años (2013, 2018, 2022).
• El enfoque permite la generación de mapas de ingresos a partir de imágenes arbitrarias, lo que permite la flexibilidad temporal.

Principales resultados:

• El modelo desarrollado logró una alta precisión predictiva para los ingresos de los hogares, con un valor R cuadrado de 0.878.
• La resolución espacial de los mapas de ingresos generados (50x50 metros) es más de 20 veces más fina que los métodos existentes en la literatura.
• El modelo demostró una sólida precisión predictiva para los ingresos de los hogares, logrando un R2 de 0.878.

Conclusiones:

• Este enfoque novedoso permite la creación de datos de ingresos altamente detallados, mejorando significativamente la granularidad del análisis socioeconómico.
• El método facilita una evaluación más efectiva de las políticas públicas a nivel local y la implementación de programas sociales específicos.
• La técnica aborda brechas de información críticas donde la recolección de datos tradicional no es factible o es prohibitivamente costosa.