論文の概要: Learning and Reasoning Multifaceted and Longitudinal Data for Poverty
Estimates and Livelihood Capabilities of Lagged Regions in Rural India
- arxiv url: http://arxiv.org/abs/2304.13958v1
- Date: Thu, 27 Apr 2023 05:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 14:26:50.581721
- Title: Learning and Reasoning Multifaceted and Longitudinal Data for Poverty
Estimates and Livelihood Capabilities of Lagged Regions in Rural India
- Title（参考訳）: インド農村地域における貧困推定と生活能力に関する多面的・縦断的データの学習と推論
- Authors: Atharva Kulkarni, Raya Das, Ravi S. Srivastava, Tanmoy Chakraborty
- Abstract要約: このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。
また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
- 参考スコア（独自算出の注目度）: 22.98110639419913
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Poverty is a multifaceted phenomenon linked to the lack of capabilities of
households to earn a sustainable livelihood, increasingly being assessed using
multidimensional indicators. Its spatial pattern depends on social, economic,
political, and regional variables. Artificial intelligence has shown immense
scope in analyzing the complexities and nuances of poverty. The proposed
project aims to examine the poverty situation of rural India for the period of
1990-2022 based on the quality of life and livelihood indicators. The districts
will be classified into `advanced', `catching up', `falling behind', and
`lagged' regions. The project proposes to integrate multiple data sources,
including conventional national-level large sample household surveys, census
surveys, and proxy variables like daytime, and nighttime data from satellite
images, and communication networks, to name a few, to provide a comprehensive
view of poverty at the district level. The project also intends to examine
causation and longitudinal analysis to examine the reasons for poverty. Poverty
and inequality could be widening in developing countries due to demographic and
growth-agglomerating policies. Therefore, targeting the lagging regions and the
vulnerable population is essential to eradicate poverty and improve the quality
of life to achieve the goal of `zero poverty'. Thus, the study also focuses on
the districts with a higher share of the marginal section of the population
compared to the national average to trace the performance of development
indicators and their association with poverty in these regions.
- Abstract（参考訳）: 貧困は、家庭が持続可能な生活を送る能力の欠如と結びついた多面的な現象であり、多次元指標を用いて評価されることが増えている。
その空間パターンは、社会、経済、政治、地域変数に依存する。
人工知能は、貧困の複雑さとニュアンスを分析している。
提案プロジェクトは,生活の質と生活指標に基づく1990-2022年のインド農村の貧困状況を検討することを目的としている。
地区は、'advanced'、'catching up'、'falling behind'、'lagged'リージョンに分けられる。
本研究は, 従来型の全国規模の大規模世帯調査, 国勢調査調査, 昼時などのプロキシ変数, 衛星画像からの夜間データ, 通信ネットワークなど複数のデータソースを統合し, 地域レベルでの貧困を総合的に把握することを提案する。
また、貧困の理由を調べるため、因果関係や縦断分析も行おうとしている。
人口統計と成長集約政策により、発展途上国では貧困と不平等が拡大する可能性がある。
したがって、貧困を根絶し、「ゼロ貧困」の目標を達成するために生活の質を向上させるためには、遅れている地域や脆弱な人口を狙うことが不可欠である。
また,これらの地域における開発指標の性能と貧困との関連を追究するため,人口の限界部分の比率が全国平均よりも高い地域に焦点を当てた。
関連論文リスト
- Fairness and representation in satellite-based poverty maps: Evidence of
urban-rural disparities and their impacts on downstream policy [5.456665139074406]
本稿では,都市部および農村部における衛星による貧困マッピングにおける表現の格差,予測誤差の体系的バイアス,公平性の懸念について検討する。
本研究は,衛星による貧困マップを現実の政策決定に利用する前に,注意深い誤りとバイアス分析の重要性を強調した。
論文 参考訳（メタデータ） (2023-05-02T21:07:35Z) - Novel Machine Learning Approach for Predicting Poverty using Temperature
and Remote Sensing Data in Ethiopia [0.0]
貧困データの欠如は、重要な人道的組織が大規模な危機に対応するのを妨げている。
本研究では,表面温度変化とリモートセンシングデータに基づく移動学習モデルを提案し,貧困率の予測に有用な特徴を抽出する。
論文 参考訳（メタデータ） (2023-02-28T18:32:16Z) - Interpreting wealth distribution via poverty map inference using
multimodal data [0.0]
本稿では,複数の人口にまたがる富の平均および標準偏差を推論する機械学習モデルのパイプラインを提案する。
これらのモデルは、衛星画像と、オンラインのクラウドソーシングとソーシャルメディアを通じて収集されたメタデータに基づいて、7つの独立した、自由に利用可能な機能ソースを利用する。
その結果, 富の局所的平均と変動が回復し, 正の非単調な相関関係を正しく捉えた。
論文 参考訳（メタデータ） (2023-02-17T11:35:44Z) - Graph-based Village Level Poverty Identification [52.12744462605759]
Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。
地理的距離を通して村の接続をグラフとしてモデル化することにより,村の貧困状況とグラフトポロジ的位置との相関関係を示す。
貧しい村を識別する最初のグラフベース手法を提案する。
論文 参考訳（メタデータ） (2023-02-14T06:58:40Z) - Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。
本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
論文 参考訳（メタデータ） (2023-01-04T05:19:33Z) - Predicting Poverty Level from Satellite Imagery using Deep Neural
Networks [0.0]
頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。
データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
論文 参考訳（メタデータ） (2021-11-30T18:57:24Z) - Interpretable Poverty Mapping using Social Media Data, Satellite Images,
and Geospatial Information [0.0]
本稿では、機械学習とアクセスしやすいデータソースを用いた貧困推定に対する解釈可能かつ費用効率のよいアプローチを提案する。
フィリピンの資産推定ではR2ドル0.66ドル、衛星画像では0.63ドルである。
論文 参考訳（メタデータ） (2020-11-27T05:24:53Z) - Using satellite imagery to understand and promote sustainable
development [87.72561825617062]
持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。
我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。
不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
論文 参考訳（メタデータ） (2020-09-23T05:20:00Z) - Magnify Your Population: Statistical Downscaling to Augment the Spatial
Resolution of Socioeconomic Census Data [48.7576911714538]
重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。
選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。
本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
論文 参考訳（メタデータ） (2020-06-23T16:52:18Z) - Predicting Livelihood Indicators from Community-Generated Street-Level
Imagery [70.5081240396352]
本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。
全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-06-15T18:12:12Z) - Generating Interpretable Poverty Maps using Object Detection in
Satellite Images [80.35540308137043]
衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。
対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
論文 参考訳（メタデータ） (2020-02-05T02:50:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。