ΜΙΑ ΣΥΝΕΡΓΑΤΙΚΗ ΠΡΟΣΕΓΓΙΣΗ ΑΝΘΡΩΠΟΥ- ΜΗΧΑΝΗΣ ΥΠΟΛΟΓΙΖΕΙ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΑΝΑΠΤΥΞΗ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΗΣ ΦΩΤΟΓΡΑΦΗΣΗΣ (ΠΕΡΙΛΗΨΗ)
Από RemoteSensing Wiki
ΜΙΑ ΣΥΝΕΡΓΑΤΙΚΗ ΠΡΟΣΕΓΓΙΣΗ ΑΝΘΡΩΠΟΥ- ΜΗΧΑΝΗΣ ΥΠΟΛΟΓΙΖΕΙ ΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΑΝΑΠΤΥΞΗ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΗΣ ΦΩΤΟΓΡΑΦΗΣΗΣ (ΠΕΡΙΛΗΨΗ)
Πρωτότυπος τίτλος: A human-machine collaborative approach measures economic development using satellite imagery
Συγγραφείς: Donghyun Ahn, Jeasurk Yang, Meeyoung Cha, Hyunjoo Yang, Jihee Kim, Sangyoon Park, Sungwon Han, Eunji Lee, Susang Lee, Sungwon Par
Δημοσιεύθηκε: Οκτώβριος 2023
Σύνδεσμος πρότυπου κειμένου: [1]
Αντικείμενο Εφαρμογής
Αυτό το άρθρο ασχολείται με την συνεργασία του ανθρώπου και της μηχανής για το όφελος που έχει η χρηση δορυφορικών εικόνων στην οικονομική ανάπτυξη.
Εισαγωγή
Η αξιόπιστη μέτρηση της οικονομικής δραστηριότητας είναι δύσκολη στις αναπτυσσόμενες χώρες, περιορίζοντας την οικονομική έρευνα και την ανάλυση των πολιτικών. Για παράδειγμα, 53 χώρες παγκοσμίως δεν έχουν πραγματοποιήσει γεωργική απογραφή τα τελευταία 15 χρόνια, και 17 χώρες δεν διαθέτουν δεδομένα απογραφής πληθυσμού για την ίδια περίοδο. Η Βόρεια Κορέα είναι μια ακραία περίπτωση· τα τελευταία επίσημα στατιστικά στοιχεία για τον πληθυσμό σε επίπεδο επαρχίας, μια βασική στατιστική σε δημογραφικές έρευνες, δημοσιεύθηκαν από τα Ηνωμένα Έθνη το 2008. Εναλλακτικές μέθοδοι έχουν βασιστεί σε συνεντεύξεις, άρθρα ειδήσεων που δημοσιεύτηκαν από τα μέσα ενημέρωσης της Βόρειας Κορέας και δεδομένα φωτεινότητας από δορυφορικές εικόνες νυχτερινού φωτισμού, αν και με περιορισμένη ακρίβεια και κάλυψη. Συνεπώς, είναι αμφισβητήσιμο αν αυτές οι μέθοδοι μπορούν να μετρήσουν πλήρως την οικονομία της Βόρειας Κορέας. Ταυτόχρονα, τα πρόσφατα μοντέλα υπολογιστικής όρασης έχουν αποδειχθεί αποτελεσματικά στην ανάλυση δορυφορικών εικόνων για να εξάγουν εκτιμήσεις για την κοινωνικοοικονομική κατάσταση, όπως η κατανάλωση και τα περιουσιακά στοιχεία, σε άλλες περιοχές όπως η Υποσαχάρια Αφρική και η Νοτιοανατολική Ασία. Οι προβλέψεις γίνονται πιο αξιόπιστες όταν συνδυάζονται με εναλλακτικές πηγές πληροφόρησης, όπως οι γεω-επισημασμένες πληροφορίες από τη Wikipedia ή οι εκτιμήσεις του κοινού που προκύπτουν από πλατφόρμες κινητών τηλεφώνων. Ωστόσο, τα δεδομένα πραγματικής βάσης παραμένουν απαραίτητα για τις υπάρχουσες προσεγγίσεις μηχανικής μάθησης. Τα τρέχοντα μοντέλα βαθιάς μάθησης είναι "εποπτευόμενα" με σημαντικές ποσότητες ετικετών από δεδομένα πραγματικής βάσης που αντιστοιχούν σε κάθε παρατηρούμενη περιοχή. Δυστυχώς, οι χώρες με χαμηλό εισόδημα, που θα ωφελούνταν περισσότερο από την τεχνολογία παρακολούθησης μέσω δορυφορικών ή αεροπορικών εικόνων, συνήθως στερούνται αξιόπιστων στατιστικών στοιχείων. Εδώ παρουσιάζουμε ένα μοντέλο συνεργασίας ανθρώπου-μηχανής χρησιμοποιώντας βαθιά νευρωνικά δίκτυα, το οποίο αντιστοιχεί έναν δείκτη οικονομικής ανάπτυξης σε κάθε δίκτυο δορυφορικών εικόνων (~2,45 × 2,45 km²). Ενώ η οικονομική ανάπτυξη περιλαμβάνει πολλαπλές διαστάσεις της ανθρώπινης προόδου, το μοντέλο μας δημιουργεί έναν δείκτη ανάπτυξης που καταγράφεται από διαφορετικά πρότυπα ανθρώπινων εγκαταστάσεων που είναι οπτικά διακριτά μέσω δορυφορικών εικόνων. Για παράδειγμα, οι δορυφορικές εικόνες με μεγαλύτερες εκτάσεις από ρυζοχώραφα, υψηλότερη πυκνότητα κτηρίων ή την ύπαρξη ενός μεγάλου σταδίου θεωρούνται θετικά δείγματα οικονομικής ανάπτυξης, ενώ εκείνες με έλλειψη δρόμων και κτηρίων, καθώς και με μεγαλύτερες εκτάσεις δασών και άγονων εδαφών, θεωρούνται ότι αφορούν σε λιγότερο αναπτυγμένες. Το μοντέλο μας, το οποίο απεικονίζεται στο Σχήμα 1, ομαδοποιεί τις δορυφορικές εικόνες με βάση τα χαρακτηριστικά τους (Στάδιο 1) και στη συνέχεια ζητά από τους αναγνώστες να παράγουν υποκειμενικές κατατάξεις των ομάδων εικόνας (Στάδιο 2), οι οποίες συνοψίζονται σε μια μερική τάξη γραφήματος (POG). Το POG είναι ένα κρίσιμο στοιχείο στην προσέγγισή μας καθώς αντιμετωπίζει τους περιορισμούς των τρεχόντων μεθόδων μέτρησης οικονομικής ανάπτυξης με βάση τη βαθιά μάθηση και τις δορυφορικές εικόνες: αυτή η εύχρηστη και οικονομική διαδικασία επισημείωσης εφαρμόζεται σε όλες τις περιοχές που καταγράφονται από τις δορυφορικές εικόνες, ανεξαρτήτως της διαθεσιμότητας δεδομένων πραγματικής βάσης. Στη συνέχεια, το μοντέλο κατατάσσει τις δορυφορικές εικόνες (Στάδιο 3) σύμφωνα με το συνδυαστικό POG που συγκεντρώνει τις εκτιμήσεις πολλών αναγνωστών για την οικονομική ανάπτυξη. Το τελικό αποτέλεσμα του μοντέλου είναι ένας δείκτης για κάθε εικόνα δικτύου, ο οποίος ονομάζεται siScore, με την υψηλότερη τιμή να υποδεικνύει υψηλότερο επίπεδο οικονομικής ανάπτυξης. Εφαρμόσαμε το μοντέλο μας στη Βόρεια Κορέα, μια χώρα με έντονη έλλειψη δεδομένων, η οποία δεν μπορεί να αναλυθεί με υπάρχοντες αλγορίθμους λόγω της απουσίας των απαιτούμενων δεδομένων πραγματικής βάσης. Προσπαθήσαμε να επικυρώσουμε το μοντέλο χρησιμοποιώντας δεδομένα από περιφερειακές και δικτυακές πηγές. Ως αποτέλεσμα, παρέχουμε μια λεπτομερή ανάλυση του οικονομικού τοπίου της Βόρειας Κορέας για την περίοδο 2016-2019. Η περίοδος αυτή είναι σημαντική για τη διεθνή κοινότητα, καθώς η Βόρεια Κορέα έχει υποστεί μια σειρά οικονομικών κυρώσεων από το 2017. Το μοντέλο χρησιμοποιεί δορυφορικές εικόνες με ανάλυση 10 μέτρων ανά εικονοστοιχείο. Επίσης, δοκιμάσαμε την εφαρμογή του μοντέλου σε πέντε ασιατικές χώρες (Νεπάλ, Μιανμάρ, Καμπότζη, Μπαγκλαντές, και Λάος), καλύπτοντας περίπου 400.000 δίκτυα και πληθυσμό περίπου 300 εκατομμυρίων. Αυτές οι χώρες κατατάσσονται ως οι λιγότερο αναπτυγμένες, και συνεπώς είναι συγκρίσιμες με τη Βόρεια Κορέα όσον αφορά το οικονομικό τους πλαίσιο. Τέλος, συζητάμε την ερμηνευσιμότητα του μοντέλου AI, αναδεικνύοντας ποια εικονοστοιχεία συνέβαλαν στην κατάταξη της οικονομικής ανάπτυξης.
Αποτελέσματα
Η εφαρμογή του μοντέλου συνεργασίας ανθρώπου-μηχανής στη Βόρεια Κορέα αποκάλυψε διακριτά πρότυπα οικονομικής ανάπτυξης. Ένας χάρτης με τους μέσους δείκτες (siScores) από το 2016 έως το 2019 δείχνει υψηλή ανάπτυξη στις δυτικές πεδιάδες και τις παράκτιες περιοχές, ενώ οι ορεινές περιοχές καταγράφουν χαμηλούς δείκτες. Το μοντέλο αποδίδει καλύτερα από τις υπάρχουσες μεθόδους βασισμένες σε δεδομένα νυχτερινού φωτισμού , προσφέροντας πιο λεπτομερείς πληροφορίες για αστικές, αγροτικές και ορεινές περιοχές. Όταν συγκρίνεται με άλλες μεθόδους όπως η κατηγοριοποίηση εδάφους και τα δεδομένα κτιριακών αποτυπωμάτων , η συνεργατική προσέγγιση είναι οικονομική και αποδοτική σε πόρους. Η απόδοση του μοντέλου αξιολογήθηκε στη Βόρεια Κορέα και σε πέντε άλλες λιγότερο αναπτυγμένες χώρες (LDCs) στην Ασία, και έδειξε ισχυρή προβλεπτική ακρίβεια όταν επικυρώθηκε με εναλλακτικές πηγές δεδομένων, όπως τα κτιριακά αποτυπώματα και τα δεδομένα εταιρειών. Το μοντέλο υπερέχει από άλλες βασικές μεθόδους, κάνοντάς το ένα υποσχόμενο εργαλείο για την αξιολόγηση της οικονομικής ανάπτυξης σε περιοχές με έλλειψη δεδομένων.
Πρότυπα περιφερειακής ανάπτυξης στη Βόρεια Κορέα
Αυτή η ενότητα αναλύει τις αλλαγές στην περιφερειακή ανάπτυξη της Βόρειας Κορέας από το 2016 έως το 2019 χρησιμοποιώντας τις προβλέψεις σε επίπεδο πλέγματος από το μοντέλο. Τονίζεται πώς οι περιφερειακές ανισότητες μπορεί να αντικατοπτρίζουν τις πολιτικές και οικονομικές πολιτικές της κεντρικής κυβέρνησης. Σημαντικές αυξήσεις στην οικονομική ανάπτυξη (siScore) συγκεντρώθηκαν γύρω από την πρωτεύουσα, Πιονγκγιάνγκ, ενώ άλλες περιοχές παρουσίασαν μείωση. Η ανάλυση χρησιμοποιεί την τεχνική Grad-CAM για να οπτικοποιήσει πώς συγκεκριμένες περιοχές συμβάλλουν στις αλλαγές στην οικονομική ανάπτυξη, εστιάζοντας σε έργα όπως το αναπτυξιακό έργο Samjiyon, το τουριστικό έργο Kalma και το πυρηνικό ερευνητικό κέντρο Nyongbyun. Επιπλέον, χρησιμοποιείται ένα πλαίσιο παλινδρόμησης για να προσδιοριστούν οι βασικοί παράγοντες που επηρεάζουν την περιφερειακή ανάπτυξη, όπως η εγγύτητα σε οικονομικά κέντρα, ορυχεία και πυρηνικές εγκαταστάσεις, καθώς και άλλες περιφερειακές χαρακτηριστικές μεταβλητές όπως ο πληθυσμός και η επιφάνεια της περιοχής. Η μελέτη αξιολογεί ένα συνεργατικό μοντέλο ανθρώπου-μηχανής για την πρόβλεψη της περιφερειακής οικονομικής ανάπτυξης στη Βόρεια Κορέα από το 2016 έως το 2019. Το μοντέλο χρησιμοποιεί δορυφορικές εικόνες και ελάχιστη ανθρώπινη εμπλοκή για οικονομικές μετρήσεις και ανάλυση. Διαπιστώνει ότι περιοχές κοντά σε μεγάλες πόλεις και σε καθορισμένες ζώνες οικονομικής ανάπτυξης (EDZ) εμφανίζουν υψηλότερη οικονομική ανάπτυξη, ενώ οι περιοχές με ορυχεία ουρανίου παρουσιάζουν επίσης σχετικά υψηλότερη ανάπτυξη. Τα αποτελέσματα του μοντέλου συγκρίνονται με δεδομένα νυχτερινής φωτεινότητας, υπογραμμίζοντας ότι τα δύο μέτρα καταγράφουν διαφορετικές πτυχές της ανάπτυξης. Το μοντέλο είναι ιδιαίτερα χρήσιμο σε περιοχές με περιορισμένα δεδομένα και μπορεί να χρησιμοποιηθεί για στοχευμένες πολιτικές παρεμβάσεις. Η μελέτη προτείνει επίσης βελτιώσεις στην πρόβλεψη του μοντέλου χρησιμοποιώντας πρόσθετες πηγές δεδομένων και πιο συνεκτικό σχεδιασμό. Στη συζήτηση αναφέρονται προκλήσεις που σχετίζονται με την ανθρώπινη αποδοχή, τους περιορισμούς των δορυφορικών εικόνων και τις ανησυχίες για την ιδιωτικότητα.
Μέθοδοι
Αυτή η μελέτη εισάγει ένα μοντέλο συνεργασίας ανθρώπου-μηχανής για την ανάλυση δορυφορικών εικόνων και την εκτίμηση της οικονομικής ανάπτυξης, χωρίς να απαιτούνται παραδοσιακά επισημασμένα δεδομένα. Η προσέγγιση χρησιμοποιεί τεχνικές υπολογιστικής όρασης βασισμένες σε βαθιά μάθηση για την αναγνώριση συστάδων δορυφορικών εικόνων με παρόμοια οπτικά χαρακτηριστικά. Οι άνθρωποι κατατάσσουν αυτές τις συστάδες με βάση την οικονομική ανάπτυξη, με τα αποτελέσματα να απεικονίζονται σε ένα γράφημα μερικής τάξης (POG). Στη συνέχεια, το μοντέλο προσδίδει βαθμολογίες οικονομικής ανάπτυξης (siScores) σε κάθε εικόνα του δικτύου. • Στάδιο 1: Συγκέντρωση των δορυφορικών εικόνων χρησιμοποιώντας αλγορίθμους βαθιάς μάθησης (DeepCluster) για να διακριθούν τα οπτικά μοτίβα, ενώ οι ακατοίκητες περιοχές διαχωρίζονται για να βελτιωθεί η υπολογιστική αποδοτικότητα. Η ανάλυση εικόνας προσδιορίζει τον βέλτιστο αριθμό συστάδων, με αποτέλεσμα 23 συστάδες για τη Βόρεια Κορέα. • Στάδιο 2: Οι ανθρώπινοι παρατηρητές κατατάσσουν αυτές τις συστάδες με βάση τα οπτικά χαρακτηριστικά και την οικονομική ανάπτυξη. Ειδικοί από διάφορους τομείς (οικονομολόγοι, ειδικοί δορυφορικών εικόνων και Βορειοκορεάτες αποστάτες) συμμετέχουν στη δημιουργία του POG κατατάσσοντας τις συστάδες. Η διαδικασία είναι απλή και απαιτεί μόνο 2 ώρες για τους περισσότερους παρατηρητές. • Στάδιο 3: Το μοντέλο εκπαιδεύει ένα συνελικτικό νευρωνικό δίκτυο (CNN) για να προσδώσει έναν αριθμητικό βαθμό (siScore) σε κάθε εικόνα του δικτύου, βάσει της σχετικής κατάταξης των συστάδων στο POG. Ο στόχος είναι να ευθυγραμμιστούν οι βαθμολογίες που δημιουργούνται από τη μηχανή με τις ανθρώπινες κατατάξεις, βελτιστοποιώντας τη συσχέτιση Spearman.
Ενδεικτική βιβλιογραφία
1. Burke, M., Driscoll, A., Lobell, D. B. & Ermon, S. Using satellite imagery to understand and promote sustainable development. Science [2] (2021).
2. Central Bureau of Statistics of the DPR Korea. DPR Korea 2008 Population Census: National Report (Central Bureau of Statistics of the DPR Korea, Pyongyang, 2009).
3. Hong, M., Cha, M. S., Joung, E. I. & Kim, H. North Korea National Market Information: Focus on Status of Formal Markets (Korea Institute for National Unification, Seoul, 2016).
4. Cha, V. & Collins, L. The Markets: Private Economy and Capitalism in North Korea? [3] (2018).
5. Lee, S. K. & Lee, S. Y. Current Status of North Korean Companies in the 2000s: Focus on the Analysis of Official Media (Korea Institute for Industrial Economics and Trade, Seoul, 2014).
