Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας

Από RemoteSensing Wiki

Εντοπισμός των φτωχοποιημένων περιοχών με Τηλεπισκόπηση και Μηχανική Μάθηση: Η Περίπτωση στο Guizhou της νοτιοδυτικής Κίνας

Πρωτότυπος τίτλος: Identification of Poverty Areas by Remote Sensing and Machine Learning: A Case Study in Guizhou, Southwest China

Συγγραφείς: Jian Yin, Yuanhong Gio, Bin Zhang

Δημοσιεύθηκε: International Journal of Geo-Information

Σύνδεσμος πρωτότυπου κειμένου: [1]

Εισαγωγή

Τα τελευταία χρόνια, η Κίνα έχει λάβει αρκετά μέτρα για την μείωση της φτώχειας, με μεγάλη επιτυχία. Προκειμένου να μειωθεί αποτελεσματικά η φτώχεια, είναι απαραίτητη η εκτίμησή της. Οι περιορισμοί που υπάρχουν στα κλασικά δεδομένα αποτελούν πρόκληση για την εκτίμηση της φτώχειας στις αναπτυσσόμενες χώρες. Βέβαια, αν και οι μέθοδοι τηλεπισκόπησης έχουν αρκετά πλεονεκτήματα, δεν μπορούν να υποκαταστήσουν πλήρως την συλλογή δεδομένων από ερωτηματολόγια και άλλες μεθόδους. Οι περισσότεροι ακαδημαϊκοί, που έχουν μελετήσει τηλεσκοπικά το φαινόμενο της φτώχειας έχουν ασχοληθεί με τις αγροτικές περιοχές, τη χαρτογράφηση των φτωχογειτονιών και την σύνδεση της μορφολογίας της περιοχής με τη φτώχεια. Η χρήση εικόνων των νυχτερινών φώτων έχουν χρησιμοποιηθεί αποτελεσματικά για την μελέτη ενός μεγάλου εύρους της ανθρώπινης δραστηριότητας. Πρόσφατα, οι συγκεκριμένες εικόνες έδειξαν ότι μπορούν να παρέχουν ακριβής και σύγχρονες ενδείξεις για την φτώχεια στην περιφέρεια, σε συνδυασμό με στατιστικά δεδομένα, αν και τα τελευταία μπορούν να αποτελέσουν περιορισμό στη μελέτη. Ακολουθώντας τη μεθοδολογία αυτή, κάποιοι μελετητές χρησιμοποίησαν μηχανική μάθηση για την εκτίμηση της φτώχειας σε χώρες με μεγάλα ποσοστά. Στη συγκεκριμένη μελέτη ενσωματώθηκαν δεδομένα τηλεπισκόπησης εικόνων νυχτερινών φώτων και γεωγραφικού περιβάλλοντος και με τη χρήση αλγορίθμων μηχανικής μάθησης εντοπίστηκαν οι φτωχότερες επαρχίες. Στη συνέχεια μελετήθηκαν οι χωρική και χρονική δυναμική του φαινομένου της φτώχειας στην επαρχία Guizhou από το 2012-2019.

Διάγραμμα 1:Κατανομή της φτώχειας στις επαρχίες του Guizhou το 2012

Μεθοδολογία

Η επαρχία Guizhou βρίσκεται στη νοτιοδυτική Κίνα. Το 90% αποτελείται από βουνά και λόφους, από τα οποία το 70% είναι καρστικές γεωμορφές. Η κινεζική κυβέρνηση έχει θέσει το όριο της φτώχειας στα 2300 RMB ανά άτομο το 2011 και το 2012, το ποσοστό της φτώχειας έφτασε το 26,8%. Σύμφωνα με καταγραφές, η τοπογραφία είναι ένας από τους σημαντικότερους παράγοντες της οικονομικής ανάπτυξης στην Κίνα. Τα δεδομένα λήφθηκαν από το Visible Infrared Imaging Radiometer Suite (VIIRS) από το Suomi National Polar-orbiting Partnership (SNPP) satellite platform. Επιπλέον, χρησιμοποιήθηκαν το Digital Elevation Model (DEM) από το Shuttle Radar Topography Mission (SRTM), οι χρήσεις καλύψεις γης, καθώς και τα δεδομένα των δρόμων. Ο λόγος της βλάστησης, η κάλυψη του νερού και η κάλυψη των κτηρίων λήφθηκαν υπόψιν για την δυναμική ανάλυση της χρήσης γης. Με βάση δώδεκα στατιστικά και χωρικά χαρακτηριστικά, εξήχθη πληροφορία για τον εντοπισμό των φτωχότερων επαρχιών. Επιλέχθηκαν τρεις παράμετροι, η κεντρική τάση, ο βαθμός διασποράς και σειρές διανομή. Η ταξινόμηση έγινε με Random Forest model, με βάση 23 χαρακτηριστικά ταξινόμησης. Επιλέχθηκαν οι δείκτες Global Moran’s I και Local Indicators of Spatial Association (LISA) για την μελέτη της φτώχειας στις επαρχίες και ο Getis-Ord Gi* statistic για την χωρική ομαδοποίηση.

Διάγραμμα 2: Κατανομή της πιθανότητας φτώχειας σε επίπεδο επαρχίας με RF από το 2012 ως το 2019 (a) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2012 (b) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2013 (c) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2014 (d) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2015 (e) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2016 (f) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2017 (g) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2018 (h) πιθανότητα φτώχειας σε επίπεδο επαρχίας με RF το 2019

Συμπεράσματα

Τα αποτελέσματα δείχνουν ότι οι φτωχότερες περιοχές της περιφέρειας είναι οι ορεινές, νότιες και νοτιοανατολικές περιοχές. Αν και οι φτωχότερες περιοχές βρίσκονται στα ορεινά, είναι πιο εύκολο να εφαρμοστούν μέτρα κατά τις φτώχειας στα πεδινά οι οποίες όμως έχουν μικρότερο ποσοστό φτώχειας. Επομένως, η τοπογραφία έχει σχέση με τα ποσοστά φτώχειας. Από το δείκτη Global Moran’s I φαίνεται ότι υπάρχει θετική χωρική αυτοσυσχέτιση, η οποία είναι αρκετά δυνατή τα έτη 2012-2015. Ο δείκτης παρουσιάζει μικρές διακυμάνσεις και πτωτική τάση, το οποίο υποδεικνύει σταθεροποίηση της φτώχειας, αλλά μία τάση χωρικής διασποράς. Επιπλέον, οι κεντρικές περιοχές έχουν χαμηλότερη πιθανότητα να επιστρέψουν στα ίδια ποσοστά φτώχειας μετά την εφαρμογή των ανακουφιστικών μέτρων συγκριτικά με τις νότιες και νοτιοανατολικές περιοχές. Η χρήση της μηχανικής μάθησης είχε θετικά αποτελέσματα, καθώς μειώθηκε το κόστος του εντοπισμού της φτώχειας. Επίσης, ήταν μία ουσιαστική εναλλακτική στην κλασική μέθοδο της στατιστικής έρευνας. Για περαιτέρω χρήση των παραπάνω μεθόδων, προτείνεται η μελέτη της συσχέτισης μεταξύ των γεωγραφικών χαρακτηριστικών και των δεδομένων των νυχτερινών φώτων και κατά πόσο τα δεύτερα μπορούν να αντικαταστήσουν τη χρήση γεωγραφικών δεδομένων.