采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和衛(wèi)星圖像數(shù)據(jù)來預(yù)測區(qū)域收入水平的方法已經(jīng)越來越廣泛，部分方案正在嘗試逐步商業(yè)化以推向市場。但由于 CNN 的「黑盒」特點(diǎn)，大多數(shù)模型并不能解釋其預(yù)測的背后過程。

近期的一項(xiàng)研究采用熱力圖 Grad-CAM 對神經(jīng)網(wǎng)絡(luò)進(jìn)行可視化，進(jìn)一步探索了這些預(yù)測背后的邏輯，讓人們對這些模型的可靠性產(chǎn)生了懷疑——在預(yù)測過程中是否采用了相似的特征，以及這些特征與收入水平的相關(guān)性。

近年來，無論是勞動力的遷移，還是教育和住房等資源的分配問題，背后都少不了對于城市化進(jìn)程的思考，持續(xù)加速的城市化進(jìn)程無疑對城市的社會經(jīng)濟(jì)環(huán)境產(chǎn)生了深遠(yuǎn)的影響，如何定量地監(jiān)測和分析這一過程已經(jīng)成為城市規(guī)劃和城市環(huán)境研究領(lǐng)域的重要課題。

日益先進(jìn)的遙感和衛(wèi)星技術(shù)已經(jīng)為觀察特定地區(qū)的地理數(shù)據(jù)以及與城市化研究鋪平了道路。通過人造衛(wèi)星、飛機(jī)或其他飛行器上收集地物目標(biāo)的電磁輻射信息，可判認(rèn)該地區(qū)的地理環(huán)境和資源分布。例如城市人口密集程度和道路建設(shè)情況采集，人口的經(jīng)濟(jì)特征測量等。

隨著多源、高精度遙感數(shù)據(jù)量的激增，傳統(tǒng)的人工判讀和半自動化軟件解譯的方式使其在效率和準(zhǔn)確度打上折扣。而采用人工智能和高分辨率遙感可以說是天作之合，基于機(jī)器學(xué)習(xí)算法善于解決海量數(shù)據(jù)分析問題的特點(diǎn)，能夠大幅縮短遙感圖像解譯周期、提高解譯精準(zhǔn)度。

事實(shí)上，采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和衛(wèi)星圖像數(shù)據(jù)來預(yù)測區(qū)域收入水平的方法已經(jīng)越來越廣泛，部分方案正在嘗試逐步商業(yè)化以推向市場。比如在缺少經(jīng)濟(jì)生計(jì)可靠數(shù)據(jù)的發(fā)展中國家，基于高分辨率衛(wèi)星圖像來估計(jì)消費(fèi)開支和財(cái)產(chǎn)財(cái)富無疑是一種精確、低廉和可升級的選擇，將對當(dāng)?shù)卣恼吆鸵?guī)劃決策帶來重要參考。

「這類方案的基本思路是通過建模并提取與收入密切相關(guān)的特征進(jìn)行預(yù)測。但我們的研究表明，事實(shí)可能并非如此，所以需要更為深入地了解 CNN 是如何將視覺特征整合到預(yù)測模型中的?！寡芯咳藛T Jacob Levy Abitbol、Ma´rton Karsai 說道。

Abitbol & Karsai 分別來自法國里昂高等師范學(xué)院 (ENS) 和匈牙利中歐大學(xué)(CEU)，近日他們聯(lián)合開發(fā)了一個(gè)神經(jīng)網(wǎng)絡(luò)模型，以實(shí)現(xiàn)從航拍圖像中預(yù)測給定地點(diǎn)的社會經(jīng)濟(jì)狀況，進(jìn)而根據(jù)潛在的城市拓?fù)浣Y(jié)構(gòu)解釋其激活圖，從而縮小基于城市拓?fù)浣Y(jié)構(gòu)和高分辨率的社會經(jīng)濟(jì)地圖之間預(yù)測的差距。該研究證實(shí)了卷積神經(jīng)網(wǎng)絡(luò)（CNN）針對衛(wèi)星圖像數(shù)據(jù)深入分析的潛能。

責(zé)任編輯：張燕妮 來源： 機(jī)器之心Pro