机器之心发布
机器之心编辑部
采用卷积神经网络（CNN）和卫星图像数据来预测区域收入水平的方法已经越来越广泛，部分方案正在尝试逐步商业化以推向市场。但由于CNN的「黑盒」特点，大多数模型并不能解释其预测的背后过程。
近期的一项研究采用热力图Grad-CAM对神经网络进行可视化，进一步探索了这些预测背后的逻辑，让人们对这些模型的可靠性产生了怀疑——在预测过程中是否采用了相似的特征，以及这些特征与收入水平的相关性。
近年来，无论是劳动力的迁移，还是教育和住房等资源的分配问题，背后都少不了对于城市化进程的思考，持续加速的城市化进程无疑对城市的社会经济环境产生了深远的影响，如何定量地监测和分析这一过程已经成为城市规划和城市环境研究领域的重要课题。
日益先进的遥感和卫星技术已经为观察特定地区的地理数据以及与城市化研究铺平了道路。通过人造卫星、飞机或其他飞行器上收集地物目标的电磁辐射信息，可判认该地区的地理环境和资源分布。例如城市人口密集程度和道路建设情况采集，人口的经济特征测量等。
随着多源、高精度遥感数据量的激增，传统的人工判读和半自动化软件解译的方式使其在效率和准确度打上折扣。而采用人工智能和高分辨率遥感可以说是天作之合，基于机器学习算法善于解决海量数据分析问题的特点，能够大幅缩短遥感图像解译周期、提高解译精准度。
事实上，采用卷积神经网络（CNN）和卫星图像数据来预测区域收入水平的方法已经越来越广泛，部分方案正在尝试逐步商业化以推向市场。比如在缺少经济生计可靠数据的发展中国家，基于高分辨率卫星图像来估计消费开支和财产财富无疑是一种精确、低廉和可升级的选择，将对当地政府的政策和规划决策带来重要参考。
「这类方案的基本思路是通过建模并提取与收入密切相关的特征进行预测。但我们的研究表明，事实可能并非如此，所以需要更为深入地了解CNN是如何将视觉特征整合到预测模型中的。」研究人员JacobLevyAbitbol、MartonKarsai说道。
AbitbolKarsai分别来自法国里昂高等师范学院(ENS)和匈牙利中欧大学(CEU)，近日他们联合开发了一个神经网络模型，以实现从航拍图像中预测给定地点的社会经济状况，进而根据潜在的城市拓扑结构解释其激活图，从而缩小基于城市拓扑结构和高分辨率的社会经济地图之间预测的差距。该研究证实了卷积神经网络（CNN）针对卫星图像数据深入分析的潜能。
图1：巴黎地区实际统计（左）和算法预测（右）的人均收入地图对比。每个像素代表平方米，颜色深浅代表不同地区居民的社会经济平均水平。来源：AbitbolKarsai.
该研究的最终目标是通过分析某一地区当前的卫星/航空图像来收集有关该地区经济发展的数据，从而逐步替代人工收集的人口普查数据。在理想情况下，该模型需要具备可概括、可理解特点，即在区域A上训练出的模型应该在区域B上产生一致的结果，并且确保模型采用了正确的信号。
该研究采用法国城市的航拍图像进行训练，通过MBConv模块提取特征图，经过全局平均池化层（GAP）和密集层计算出单个p值。由此，从二项式分布中得出每个社会经济阶层的概率，预测该地区居民社会经济地位的能力。
研究的图像数据主要基于三类公开数据集，提取了五个法国城市在社会经济和土地利用数据方面的完整数据及航空图像：
由国家地理信息研究所(IGN)提供的法国市政的航拍照片；
由法国国家统计和经济研究所(INSEE)提供的高分辨率的社会经济地图(年)；
由欧洲环境署提供的欧盟城市地图集(年)，包含欧盟28个国家和欧洲自由贸易区22个国家。
数据集均可在线访问：
转载请注明：http://www.0431gb208.com/sjsbszl/2608.html
