Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi masyarakat di daerah perkotaan yang berbeda
Sciences

Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi masyarakat di daerah perkotaan yang berbeda


Peta pendapatan rata-rata yang diamati dan diprediksi untuk Paris. Setiap piksel mewakili satu petak berukuran 200 mx 200 m, dengan warna yang menunjukkan SES rata-rata penghuninya. Kredit: Abitbol & Karsai.

Algoritme pembelajaran mendalam telah terbukti menjadi alat yang menjanjikan untuk mengatasi berbagai masalah dunia nyata, terutama yang memerlukan analisis data dalam jumlah besar. Berbeda dengan teknik komputasi lainnya, pada kenyataannya, algoritme ini dapat belajar membuat prediksi yang sangat akurat hanya dengan memproses data yang terkait dengan tugas yang dirancang untuk diselesaikan.

Para peneliti di Ecole Normale Superieure (ENS) de Lyon dan Central European University (CEU) baru-baru ini mengembangkan jaringan saraf dalam yang dapat digunakan untuk mempelajari ketidaksetaraan sosial ekonomi yang dapat timbul dari urbanisasi. Studi mereka, ditampilkan di Kecerdasan Mesin Alam, menegaskan potensi jaringan saraf konvolusional (CNN) untuk analisis mendalam wilayah geografis.

Selama bertahun-tahun, melacak urbanisasi secara efisien, proses di mana daerah perkotaan menjadi semakin besar dan padat penduduk, terbukti cukup menantang. Perkembangan teknologi satelit dan penginderaan jauh yang semakin canggih, bagaimanapun, membuka kemungkinan baru yang menarik untuk pengamatan wilayah geografis tertentu dan akibatnya untuk penelitian terkait urbanisasi. Dalam studi mereka, para peneliti ENS Lyon dan CEU mencoba menggunakan algoritma pembelajaran yang mendalam untuk menganalisis gambar yang dikumpulkan oleh alat-alat ini.

“Tujuan awal kami sebenarnya adalah untuk memeriksa resolusi spasial terbaik yang bisa kami gunakan untuk menggunakan algoritme kami (yaitu, memprediksi pendapatan rata-rata suatu area berdasarkan citra satelitnya),” kata Jacob Levy Abitbol dan Marton Karsai, para peneliti. yang melakukan penelitian tersebut, kepada TechXplore. “Setelah kami melakukannya, kami mulai bertanya-tanya apakah model deep learning kami menggunakan fitur serupa saat memprediksi pendapatan di kota yang berbeda dan apakah fitur yang digunakan model tersebut adalah fitur yang menurut kami akan berkorelasi dengan pendapatan atau tidak.”

Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi masyarakat di daerah perkotaan yang berbeda

Arsitektur Model: Model peneliti mengambil ubin udara sebagai input, yang kemudian diumpankan melalui beberapa blok MBConv. Peta fitur akhirnya melewati lapisan penyatuan rata-rata global dan lapisan padat untuk menghasilkan nilai tunggal p. Dari sini, probabilitas untuk setiap kelas sosial ekonomi dihasilkan dari distribusi binomial. Kredit: Abitbol & Karsai.

Abitbol dan Karsai melatih CNN pada gambar udara daerah perkotaan di Prancis dan mengevaluasi kemampuannya untuk memprediksi status sosial ekonomi orang yang mendiami daerah tersebut. Anehnya, ketika mereka mulai menguji algoritme, mereka menemukan bahwa algoritme tersebut diaktifkan oleh fitur perkotaan yang biasanya tidak berkorelasi paling kuat dengan pendapatan atau status sosial ekonomi.

Selama beberapa tahun terakhir, penggunaan CNN untuk memprediksi pendapatan wilayah geografis berdasarkan citra satelit telah tersebar luas. Untuk membuat prediksi yang akurat, bagaimanapun, model ini harus dilatih pada sejumlah besar data, termasuk citra satelit dari area yang diminati dan informasi terkait pendapatan yang terkait dengan area ini.

“Tujuan akhir dari jalur pipa ini adalah menggunakan CNN untuk mengumpulkan informasi baru tentang perkembangan ekonomi suatu wilayah hanya dengan menganalisis citra satelit / udaranya saat ini, tanpa harus mengirim orang ke sana untuk mengumpulkan kembali data sensus,” Abitbol dan Kata Karsai. “Ternyata agar model dapat melakukan itu, model tersebut secara ideal perlu digeneralisasikan (yaitu, jika kita melatih model kita di area A, model itu akan menghasilkan hasil yang konsisten di area B) dan dapat dimengerti (yaitu, kita perlu tahu bahwa sinyal yang digunakan model untuk menyimpulkan bahwa data pengembangan sudah benar). “

Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi masyarakat di daerah perkotaan yang berbeda

Contoh kumpulan data berlapis (Paris). a, Ubin udara berukuran 5 km × 5 km (20 cm per piksel). b, Distribusi pendapatan spasial: setiap petak sesuai dengan satu area 200 mx 200 m dengan data pendapatan yang tepat. c. Peta tutupan lahan pada wilayah yang sama, dimana setiap warna mewakili kelas perkotaan yang berbeda. Kredit: Abitbol & Karsai.

Sebagian besar teknik pembelajaran mendalam yang ada yang menyimpulkan pendapatan rata-rata orang di wilayah tertentu dari citra satelit udara tidak menjelaskan proses yang tepat di balik prediksi mereka. Abitbol dan Karsai, di sisi lain, mencoba menafsirkan prediksi model mereka, untuk mendapatkan pemahaman yang lebih baik tentang mengapa model menyimpulkan pendapatan tertentu untuk setiap gambar yang dianalisis.

“Ketika kami mulai mengerjakan proyek ini, beberapa organisasi mencoba meluncurkan model serupa ke alam liar (yaitu, menerapkannya ke negara-negara di mana data sosial ekonomi langka untuk memperkirakan perkembangannya),” kata Abitbol dan Karsai. “Ide umum yang mendasari adalah bahwa model ini menggunakan fitur yang berkorelasi baik dengan pendapatan untuk melakukan prediksi mereka. Pekerjaan kami menunjukkan bahwa jauh dari kasus ini dan bahwa kami memerlukan pemahaman yang lebih dalam tentang bagaimana CNN ini mengumpulkan fitur visual menjadi prediksi sebelum benar-benar mendapatkan hasil maksimal dari mereka. “

Para peneliti menguji CNN mereka pada data satelit yang dikumpulkan di berbagai wilayah perkotaan di Prancis dan menemukan bahwa itu mencapai hasil yang baik. Meskipun demikian, mereka menemukan bahwa prediksinya didasarkan pada fitur perkotaan yang umumnya tidak terkait dengan pendapatan. Misalnya, daerah perkotaan yang kaya sering kali dicirikan oleh intensitas cahaya yang kuat di malam atau malam hari, karena ruang publik atau situs komersial yang sangat terang, tetapi Abitbol dan Karsai menemukan bahwa model mereka terutama berfokus pada fitur lain, dengan memprioritaskan daerah pemukiman.

Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi masyarakat di daerah perkotaan yang berbeda

Model studi interpretabilitas menggunakan Grad-CAM terpandu. a – c, Dari ubin udara (a), Grad-CAM terpandu digunakan untuk menghitung peta aktivasi untuk kelas sosial ekonomi termiskin (b) dan terkaya (c). d – f, Peta aktivasi kemudian dilapisi dengan tessellation ubin menjadi poligon kelas perkotaan (d) untuk menghitung rasio normalisasi aktivasi per poligon untuk kelas termiskin (e) dan terkaya (f). UA, wilayah perkotaan; DUF, kain perkotaan terputus-putus. Kredit: Abitbol & Karsai.

Meskipun CNN telah menunjukkan potensi untuk mengumpulkan informasi sosial ekonomi tentang wilayah geografis, studi yang dilakukan oleh tim peneliti ini menunjukkan bahwa proses di balik prediksi mereka tidak dapat diandalkan dan karenanya harus diselidiki lebih lanjut. Di masa mendatang, pekerjaan mereka dapat menginspirasi pengembangan model yang dapat menjelaskan fitur apa yang menjadi dasar prediksi mereka, sehingga dapat diadaptasi untuk bekerja secara lebih efektif dan andal.

“Kami akan sangat tertarik untuk mengetahui sejauh mana prediksi model kami dan perubahan interpretasi selanjutnya berdasarkan perilaku agen yang berusaha menyajikan model kami dengan tampilan terbaik dari area tertentu, menginformasikan prediksinya,” Abitbol dan Karsai kata. “Arah potensial lain yang kami minati melibatkan identifikasi pola visual umum, yang menjadi ciri prediksi kelas pendapatan tertentu, untuk menentukan seberapa banyak kita dapat mentransfer model terlatih antara berbagai area dan mendapatkan prediksi sosioekonomi dengan presisi tinggi.”


Mengidentifikasi dan menilai kelemahan pada diabetisi harus menjadi prioritas, untuk penanganan dan penanganan yang lebih baik


Informasi lebih lanjut:
Status sosial ekonomi yang dapat diinterpretasikan dari citra udara melalui pola perkotaan. Kecerdasan Mesin Alam(2020). DOI: 10.1038 / s42256-020-00243-5.

© 2020 Science X Network

Kutipan: Menggunakan pembelajaran mendalam untuk menyimpulkan status sosial ekonomi orang-orang di daerah perkotaan yang berbeda (2020, 7 Desember), diakses 7 Desember 2020 dari https://techxplore.com/news/2020-12-deep-infer-socioeconomic-status-people. html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Hongkong Prize