二、 结合卫星图像和机器学习之贫困区域预测方法(一) 摘要(二) 研究 .pdf

二、結合衛星圖像和機器學習之貧困區域預測方法 (一)摘要 本計畫之目標是利用衛星圖像和機器學習進行從空間映射貧困的研 究。依賴於衛星在夜間的圖像，以燈光的亮度與否描繪出一個地區的基 礎建設地圖，夜間圖像是預測貧困的基本工具，因為愈高強度的夜燈與 愈高的發展水平相關，大致上顯示了富人與窮人的生活。 我們基於一種捲積神經網路(CNN)的機器學習技術來瞭解具有多個變 數的大數據集，對這些數據的子集進行訓練以便準確地預測其餘數據中 的隱藏變數的統計模型。 (二)研究動機與研究問題 2.1研究動機 在現今繁榮的發展下，全球經濟卻是每況愈下，導致貧富差距也愈來 愈大，難道我們就應該一直這樣下去不想辦法嗎? 史丹福大學研究團隊發表了 《衛星影像和機器學習相結合預測貧困》 的研究成果文章 [1] ，他們透過衛星數據與深層機器學習的結合，研發 出了能準確地估計家庭消費和收入的方法，不同以往的人工調查來之麻 煩，反而比以往的方法更加準確、廉價、又可擴展的用於從高解析度衛 星圖像中評估消費支出和資產財富的方法。 該研究團隊 透過夜燈或人工光汙染可以得知發展中國家的經濟活 動 ，如圖一所示。理論上，光的強度表示發展和財富。該算法能夠根據 從衛星拍攝中學到的模式來縮小數據的差距。在日 光影像中找出數千個 經濟標記，包括道路、城市地區和水道。通過識別這些特徵，能夠預測 哪些區域在夜晚會表現出高亮度。利用轉移學習 (transfer learning)的機器 學習技術，前端之特徵擷取層是使用它類應用之深層捲積神經網路，引 此只需設計後端的預測層。 圖一：夜晚時，各國使用夜燈的分佈圖 [2] 。 2.2研究問題 此計畫的方法建立於轉移學習和捲積神經網路(Convolutional Neural Networks ，CNN)上。 主要研究的問題包括: 1.高分辨率衛星圖像之類的遙感數據是高度非結構化的，目前 沒有任何技術存在可以自動提取有用的見解，是否要結合其 他方法來做研究 ? 2. 在不同的的分辨率下，例如：高分辨率圖像下分辨屋頂材質 或低分辨率圖像下建築的密集度，是否會影響貧困估計的準 確性 ? (三) 文獻回顧與探討 3.1轉移學習 (transfer learning)[3] 轉移學習是一種額外信息來源的機器學習。除 了標準培訓的數據也取 自一個或多個相關目標的知識，如圖二所示。 圖二 :除了標準培訓的數據也取自一個或多個相關目標的知識。 3.2 捲積神經網路 [4] 捲積神經網路(以下簡稱 CNN ) ，其為一種前饋神經網路 (Feedforward Neural Network) 。CNN 對於大型圖像處理表現出 色。其特別在模式分類等科學領域是研究重點，因為 CNN可以 避免對圖像的前期預處理，進而直接輸入原始圖像，因此獲得 更廣泛的應用。 基本結構包含兩層，一為特徵提取層，其神經 元的輸入與前一層的局部接受域相連，提取相關局部的特徵﹔ 另一層為特徵映射層， CNN的計算層由多個特徵映射而成，每 個映射為一平面，上面的神經元權值相等。主要用途在於，辨 識縮放、位移等不同形式扭曲不變性的二維圖形。因為其透過 特徵檢測層訓練數據來進行學習，因此使用時，會避免掉顯性 的特徵抽取，而是從訓練數據中隱性學習。由於相同特徵映射 面上的神經元權值相同，所以其可並行學習。 CNN被視為一種 頗具吸引力的深度學習 (deep learning)結構，比起其他前饋神經 網路或深度神經網路 (deep neural