論文の概要: A satellite foundation model for improved wealth monitoring

• arxiv url: http://arxiv.org/abs/2604.23166v1
• Date: Sat, 25 Apr 2026 06:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.188202
• Title: A satellite foundation model for improved wealth monitoring
• Title（参考訳）: 資産モニタリング改善のための衛星基盤モデル
• Authors: Zhuo Zheng, Iván Higuera-Mendieta, Richard Lee, David Newhouse, Talip Kilic, Stefano Ermon, Marshall Burke, David B. Lobell,
• Abstract要約: 貧困統計は社会政策を導くが、多くの低所得国や中所得国では、これらのデータを収集する国勢調査や家庭調査は費用がかかる。 ここでは、Tempovについて紹介する。Tempovは、300万の両時間ランドサットペアの自己監督によって事前訓練された衛星基盤モデルであり、パラメータ効率の細かい微調整をスパースサーベイラベルに適用する。 このモデルは大規模で高解像度の富のマッピングと動的測定を可能にし、観測されたラベル、レトロスペクティブのヒンドキャスティング、decadal change trackingのあと10年間、ゼロショットのストリームキャストを含む。
• 参考スコア（独自算出の注目度）: 45.63770015866594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Poverty statistics guide social policy, but in many low- and middle-income countries, censuses and household surveys that collect these data are costly, infrequent, quickly outdated, and sometimes error-prone. Satellite imagery offers global coverage and the possibility of predicting economic livelihoods at scale, yet existing approaches to predicting livelihoods with imagery or other non-traditional data often fail to reliably identify local-level variation and, as we show, degrade under temporal shift. Here we introduce Tempov, a satellite foundation model pretrained by self-supervision on three million bi-temporal Landsat pairs and adapted with parameter-efficient fine-tuning to sparse survey labels. The model enables large-scale, high-resolution wealth mapping and dynamic measurement, including zero-shot nowcasting up to a decade after observed labels, retrospective hindcasting, and decadal change tracking, while outperforming existing neural network and geospatial foundation-model baselines. In low-label regimes, Tempov achieves competitive accuracy with only 10% of survey samples, indicating substantially reduced dependence on expensive label collection. The model further generalizes across populous countries within and outside Africa, and scales to a unified Africa-wide model with strong continent-level performance ($R^2=0.63$, $r^2=0.68$), from which we generate high-resolution decadal maps of wealth and wealth changes for the African continent. Analysis of these maps shows large variation in recent economic performance both within and across countries. Our open-source approach provides a pathway to timely, scalable, low-cost monitoring of wealth and poverty from routinely collected satellite data.
• Abstract（参考訳）: 貧困統計は社会政策を導くが、多くの低所得国や中所得国では、これらのデータを収集する国勢調査や家庭調査は費用がかかる。 衛星画像は、グローバルなカバレッジを提供し、大規模に経済的な生活を予測できるが、画像やその他の非伝統的なデータを用いた生活を予測するための既存のアプローチは、地域レベルの変動を確実に識別することができず、時間的シフトの下では劣化することが多い。 ここでは、Tempovについて紹介する。Tempovは、300万の両時間ランドサットペアの自己監督によって事前訓練された衛星基盤モデルであり、パラメータ効率の細かい微調整をスパースサーベイラベルに適用する。 このモデルは大規模で高解像度の富のマッピングと動的測定を可能にし、観測されたラベル、振り返りのヒンドキャスティング、decadal change trackingのあと10年間、ゼロショットのストリームキャストを含む、既存のニューラルネットワークや地理空間基盤モデルベースラインを上回るパフォーマンスを実現している。 低ラベルの状況下では、Tempovは調査サンプルのわずか10%で競争精度を達成しており、高価なラベル収集への依存を著しく減らしている。 このモデルはアフリカ国内外の人口の多い国をさらに一般化し、アフリカ全土で強いパフォーマンス(R^2=0.63$, $r^2=0.68$)を持つ統一アフリカ全体のモデルにスケールする。 これらの地図の分析は、近年の国内外の経済パフォーマンスに大きな変化を示している。 当社のオープンソースアプローチは、定期的に収集される衛星データから、タイムリーでスケーラブルで低コストで富と貧困をモニタリングする手段を提供します。

関連論文リスト

• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• Learning Economic Indicators by Aggregating Multi-Level Geospatial Information [20.0397537179667]
  本研究は,複数レベルの地理的単位から観測される特徴を集約することで,経済指標を予測するための深層学習モデルを提案する。 我々の新しいマルチレベル学習モデルは、人口、購買力、エネルギー消費などの重要な指標を予測する上で、強いベースラインを著しく上回ります。 我々は、不平等と貧困に関する政策・社会科学研究において不可欠な第一歩である不平等を測定するためのマルチレベルモデルについて論じる。
  論文  参考訳（メタデータ） (2022-05-03T13:05:39Z)
• 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)
• Object Recognition for Economic Development from Daytime Satellite Imagery [0.1779398251245519]
  本稿では,高解像度衛星画像からインフラ特徴を抽出する新しい手法を提案する。 我々は、アフリカの21か国にまたがる1kmの格子セル500万kmの高解像度衛星画像を収集した。
  論文  参考訳（メタデータ） (2020-09-11T14:07:12Z)
• 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。