論文の概要: Gridding Forced Displacement using Semi-Supervised Learning

• arxiv url: http://arxiv.org/abs/2506.08019v1
• Date: Mon, 19 May 2025 09:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 03:13:19.072746
• Title: Gridding Forced Displacement using Semi-Supervised Learning
• Title（参考訳）: 半教師付き学習を用いた格子強制変位
• Authors: Andrew Wells, Geraldine Henningsen, Brice Bolane Tchinde Kengne,
• Abstract要約: 行政境界からサハラ以南の25か国にわたる0.5度グリッドセルに難民統計を集約する半監督的アプローチを提案する。 UNHCRのProGres登録データとGoogle Open Buildingsの衛星由来の建物フットプリントとOpenStreetMap Populated Placesのロケーション座標を統合することで、ラベル拡散アルゴリズムは、空間的に明示的な避難統計を高粒度で生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a semi-supervised approach that disaggregates refugee statistics from administrative boundaries to 0.5-degree grid cells across 25 Sub-Saharan African countries. By integrating UNHCR's ProGres registration data with satellite-derived building footprints from Google Open Buildings and location coordinates from OpenStreetMap Populated Places, our label spreading algorithm creates spatially explicit refugee statistics at high granularity.This methodology achieves 92.9% average accuracy in placing over 10 million refugee observations into appropriate grid cells, enabling the identification of localized displacement patterns previously obscured in broader regional and national statistics. The resulting high-resolution dataset provides a foundation for a deeper understanding of displacement drivers.
• Abstract（参考訳）: 行政境界からサハラ以南の25か国にわたる0.5度グリッドセルに難民統計を集約する半監督的アプローチを提案する。 UNHCRのProGres登録データとGoogle Open Buildingsの衛星由来の建物フットプリントとOpenStreetMap Populated Placesのロケーション座標を組み合わせることで、我々のラベル拡散アルゴリズムは、空間的に明示的な避難統計を高粒度で生成する。この手法は、1000万以上の避難観察を適切なグリッドセルに配置する際の平均精度92.9%を達成し、より広い地域統計や国統計でこれまで見えてきた局所的変位パターンの特定を可能にする。 結果として得られる高解像度データセットは、変位ドライバをより深く理解するための基盤を提供する。

関連論文リスト

• High-resolution Population Maps Derived from Sentinel-1 and Sentinel-2 [17.830362329876493]
  POPCORN は、Sentinel-1 と Sentinel-2 の衛星画像のみを無料で利用できる人口マッピング手法である。 我々は400人未満の地域国勢調査に基づいて100mのGSDを持つルワンダの人口地図を作成した。 POPCORNは、ビルトアップされたエリアの明示的なマップと、ローカルなビルの占有率を検索する。
  論文  参考訳（メタデータ） (2023-11-23T13:43:14Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• PD-SEG: Population Disaggregation Using Deep Segmentation Networks For Improved Built Settlement Mask [17.2479862757444]
  現在のデータセットは、空間的および土地利用のダイナミクスを捉えるのに失敗する欠陥のある見積もりを提供する。 人口数を30m×30mの精度で推定するために,深部セグメンテーション網と衛星画像を用いて得られた正確な沈降マスクを用いる。 関心のポイント(POI)データは、非居住領域を除外するためにも使用される。
  論文  参考訳（メタデータ） (2023-07-29T21:42:44Z)
• Fine-grained Population Mapping from Coarse Census Counts and Open Geodata [19.460864948909936]
  詳細な人口地図は、都市計画、環境モニタリング、公衆衛生、人道活動など、いくつかの領域で必要とされる。 POMELOは、粗い国勢調査数と開地データを用いて、100mの地中サンプリング距離を持つ詳細な人口分布図を推定する深層学習モデルである。 サハラ以南のアフリカにおけるいくつかの国に対する一連の実験において、POMELOareで作成した地図は、最も詳細な参照数とよく一致している。
  論文  参考訳（メタデータ） (2022-11-08T06:43:52Z)
• Releasing survey microdata with exact cluster locations and additional privacy safeguards [77.34726150561087]
  本稿では,プライバシ保護を付加した独自のマイクロデータの有用性を活用した,代替的なマイクロデータ配信戦略を提案する。 当社の戦略は, 再識別の試みにおいても, 任意の属性に対する再識別リスクを60～80%削減する。
  論文  参考訳（メタデータ） (2022-05-24T19:37:11Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• Estimating Displaced Populations from Overhead [12.392630992454396]
  バングラデシュのコックス・バザール(英語版)の難民キャンプで、人口データと交差するドローン画像に対する我々のアプローチを訓練し、評価する。 提案手法は,群集画像の絶対誤差が7.02%である。
  論文  参考訳（メタデータ） (2020-06-25T16:45:11Z)
• 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)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。