卫星和社会信息的深度学习融合,以估计人类迁徙流
Daniel Runfola1,2,3, Heather Baier1,2,3, Laura Mills2
1Department of Applied Science William & Mary Williamsburg Virginia USA.
Transactions in GIS : TG
|November 29, 2023
概括
这项研究使用深度学习来融合卫星和人口普查数据,将墨西哥和美国之间的移民流估计提高了10%. 这种数据融合方法为了解人类迁移模式提供了一种强大的新方法.
科学领域:
- 计算社会科学 计算社会科学
- 地理空间分析是什么
- 机器学习 机器学习
背景情况:
- 人类迁移受到经济,环境和冲突等复杂因素的影响.
- 多种数据来源,包括卫星图像和调查,捕获迁移驱动因素.
- 准确估计移民流动对于政策和资源分配至关重要.
研究的目的:
- 开发和评估基于深度学习的数据融合技术,用于估计移民流.
- 整合卫星图像和社会经济数据,以加强移民建模.
- 评估拟议方法的性能与其他方法相比.
主要方法:
- 采用了三阶段的深度学习方法.
- 社会经济信息以矩阵格式对墨西哥市政当局进行了表现.
- 一个卷积神经网络集成卫星图像和社会经济数据来预测移民流.
主要成果:
- 数据融合技术在估计迁移流量方面表现出卓越的表现.
- 拟议的模型在预测准确度方面取得了大约10%的改善 (r2).
- 多模式数据融合在建模复杂的迁移过程中被证明是有效的.
结论:
- 基于深度学习的卫星和人口普查数据的融合在移民流估计方面取得了重大进展.
- 这种方法为理解和预测人类流动性提供了一个强大的框架.
- 这些发现突出了整合社会科学研究的多样化数据流的潜力.
