采用卷积神经搜集（CNN）和卫星图像数据来猜测地区收入程度的本领仍旧越来越一致，限制计划正在考查渐渐贸易化以推向商场。但因为 CNN 的黑盒特性，大学一年级致模子并不能表明其猜测的背地进程。

近期的一项接洽采用热力求 Grad-CAM 对神经搜集进行可视化，进一步探究了这些猜测背地的逻辑，让人们对这些模子的真实性爆发了置疑——在猜测进程中能否采用了一致的特性，以及这些特性与收入程度的关系性。

比年来，不管是劳动力的迁徙，保持培植和住宅等资源的分配题目，背地都少不了对于都会化过程的推敲，贯穿加快的都会化过程无疑对都会的社会经济情景爆发了深刻的感化，何如定量地监测和领略这一进程仍旧成为都会筹备和都会情景接洽范围的要害课题。

日益进步的遥感和卫星本领仍旧为查看特定地域的地舆数据以及与都会化接洽铺平了道路。经过人为卫星、飞机或其余遨游器上搜集地物目目的电磁辐射消息，可判认该地域的地议论况和资源传播。比方都会人丁聚集程度和道路竖立情景收集，人丁的经济特性测量等。

跟着多源、高精度遥感数据量的激增，保守的人为判读和半自动化软件解译的办法使其在功效和精确度打上扣头。而采用人为智能和高辨别率遥感不妨说是天作之合，鉴于呆板进修算法长于处置海量数据领略题目的特性，不妨大幅减少遥感图像解译周期、普及解译精准度。

究竟上，采用卷积神经搜集（CNN）和卫星图像数据来猜测地区收入程度的本领仍旧越来越一致，限制计划正在考查渐渐贸易化以推向商场。比方在缺乏经济生存真实数据的振奋华夏度，鉴于高辨别率卫星图像来估量耗费开销和财富财产无疑是一种透彻、廉价和可晋级的采用，将对本地当局的策略和筹备计划带来要害参考。

这类计划的基础思绪是经过建立模型并索取与收入出色关系的特性进行猜测。但咱们的接洽表白，究竟大概并非如许，以是须要更为深刻地领会 CNN 是何如将视觉特性调整到猜测模子中的。接洽职员 Jacob Levy Abitbol、Ma´rton Karsai 说道。

Abitbol & Karsai 辨别来自法兰西共和国里昂高档师范学院 (ENS) 和匈牙利中欧大学(CEU)，不日他们共同开拓了一个神经搜集模子，以实行从航空拍摄图像中猜测给定场所的社会经济情景，从而按照潜伏的都会拓扑构造表明其激活图，进而减少鉴于都会拓扑构造和高辨别率的社会经济地图之间猜测的差异。该接洽证明了卷积神经搜集（CNN）针对卫星图像数据深刻领略的潜能。

图 1：巴黎地域本质统计（左）和算法猜测（右）的每人平均收入地图比较。每个像素代表 4000 平方米，脸色深浅代表不同地域住户的社会经济平衡程度。根源：Abitbol & Karsai.

该接洽的最后目的是经过度析某一地域姑且的卫星 / 航空图像来搜集相关该地域经济振奋的数据，进而渐渐代替人为搜集的人丁普遍检查数据。在理念情景下，该模子须要完备可精细、可领会特性，即在地区 A 上演练出的模子该当在地区 B 上爆发普遍的截止，而且保证模子采用了精确的旗号。

该接洽采用法兰西共和国都会的航空拍摄图像进行演练，经过 MBConv 模块索取特性图，过程全部平衡池化层（GAP）和聚集层计划出单个 p 值。由此，从二项式传播中得出每个社会经济阶级的概率，猜测该地域住户社会经济场所的本领。

接洽的图像数据重要鉴于三类公然数据集，索取了五个法兰西共和国都会在社会经济和地盘力用数据方面包车型的士完备数据及航空图像：

由国度地舆消息接洽所 (IGN) 供给的法兰西共和国市政的航照相片；

由法兰西共和国国度统计和经济接洽所 (INSEE) 供给的高辨别率的社会经济地图 (2019 年)；

由欧洲情景署供给的欧洲联盟都会地图集 (2012 年)，包括欧洲联盟 28 个国度和欧洲自在交易区 22 个国度。

巴黎某一地区内的数据收集样品：a. 遥感 / 航空拍摄图像；b. 收入的空间传播；c. 功效的空间传播。

在接洽初期，须要探求一个最好的印象空间辨别率以创造可用的算法模子，Abitbol & Karsai 在 CNN 模子上海博物馆得了不错的截止。但跟着算法进一步被尝试，Abitbol & Karsai 创造其常常是被少许与收入或社会经济场所并非出色关系的都会特性激活。比方，因为大众及贸易场合的灯光彩亮，经济昌盛的都会地域常常在晚上具备较强的照明强度，但是模子优先商量的是住户区的其余功效。

所以，他们发端置疑这些模子在猜测不同地域的收入程度时能否采用了一致的特性，以及这些特性与收入程度的关系性。

固然针对卫星图像估计地域经济收入情景的深度进修模子不在少量，但大学一年级致并不能表明其猜测的背地进程。这很大程度上取决于卷积神经搜集自己的本领特性——经过表面推导，以及梯度传递，去贯穿逼近限制最优解。但 Abitbol & Karsai 仍试图表明其模子的猜测截止，以便更好地舆解它是何如为每一幅图像估计出特定的收入。

为此，Abitbol & Karsai 采用热力求 Grad-CAM 对神经搜集进行可视化，以接洽模子的可表明性，即经过热力求的权重情势来展示，神经搜集对图片的哪一限制激活值最大。

鉴于航空拍摄图像（a），运用 Grad-CAM 计划出最艰难地域（b）和最富余步域（c）的社会经济阶级的热力求；将热力求与航空拍摄图进行叠加演练 CNN，得出都会功效地区的多边形图（d），计划出最艰难地域（e）和最富余步域（f）的规范化激活比例。（ UA: urban area; DUF: discontinuous urban fabric）

经过将高辨别率的类辨别激活图投射到原始地图上，并与地盘力用数据叠加，以天生体味统计的特性，使模子更为精确地猜测该地域在社会经济场所方面包车型的士地盘力用类型。这一计划让社会经济场所的猜测范畴更加一致，同时也透彻地指出了猜测都会情景的如实特性。其他，它还供给了不同的都会在都会拓扑构造和财产分配之间的关系形式。

该接洽创造，在估计社会经济场所的进程中，CNN 模子忽视了地盘力用和社会经济数据之间的现有关系性，而重要关心包括在住户区内的特性。这一创造为猜测的本质运用引入了更多可表明性和参考，让策略的拟订者和计划者不只不妨促进其模子里面运作模子的领会，同时也将为艰难地域的都会振奋和都会筹备带来更多开辟。

固然 CNN 已表露出搜集地舆社会经济数据的后劲，但该接洽表白，其猜测背地的进程存在不行靠大概，所以应进行进一步接洽。接下来，该接洽小组将会在猜测模子的可表明性方面进行更多探究，使其不妨更灵验和真实地实行。

Abitbol & Karsai 说道，咱们对于感化模子可猜测和可表明程度的成分格外感爱好，其他咱们还将经过保守的视觉辨别算法进行收入程度的猜测，以考证 CNN 模子在不同地域的迁徙本领以及进行高精度社会经济猜测的精确性。