斯坦福研究团队发布新型地理空间基础模型

一款新的地理空间基础模型现在可以估算你的社区有多贫困，追踪贫困的变化速度，而且不需要任何人填写任何一份调查问卷。

斯坦福大学的一个研究团队刚刚发布了 Tempov，这是一款基于二十年跨度的三百万对 Landsat 图像训练出来的基础模型。它可以处理原始卫星图像，在整个大洲范围内预测村庄级别的资产财富，并且能近乎实时更新。

它的基准测试结果值得关注。在马拉维和莫桑比克，仅靠卫星图像，该模型就能解释 87% 和 74% 的家庭财富差异。这个结果只用到了六个光谱波段。不需要人口普查表，不需要实地调查员，不需要手机元数据。

更难的问题是追踪变化，而不只是测量静态水平。现有大多数模型都被训练来预测静态快照。当你要求它们预测同一地点 2008 年到 2018 年之间的财富变化时，性能会暴跌到接近随机水平。而在同一个变化追踪任务中，Tempov 的 R² 在马拉维维持在 0.69，在莫桑比克维持在 0.46。

性能差异来自模型的预训练方式。研究人员构建了双时相图像对，最大化季节方差，然后迫使模型学习在不同季节保持稳定、但对真实长期经济变化敏感的表征。

学习到的嵌入会自动区分道路网、城市结构、农业模式和自然背景，哪怕从来没有被指令这么做过。

对发展经济学来说，数据稀缺问题才是这个研究有意思的地方。测量贫困的标准工具依赖人口与健康调查（Demographic and Health Surveys）。DHS 数据空间稀疏，重调查频率很低。马拉维不同时期普查的资产财富相关性只有 0.42。在莫桑比克，这个相关性甚至是负的：-0.71。

Tempov 通过两阶段适配解决了这个问题。先在历史普查数据上训练，然后只用 5% 的当代调查点对目标年份做微调。经过这 5% 的调整后，它的表现超过了使用 100% 可用调查数据训练的地理空间基础模型。结合强历史先验和最少的当代校准，可以替代完整的调查投入。

研究人员随后将它部署到了整个非洲大陆。他们对拥有近期 DHS 调查数据的全部 34 个非洲国家做了交叉验证，训练出五个模型，平均后得到一个单一集成模型，最终生成了整个非洲大陆 2015 年和 2025 年的 6 km × 6 km 分辨率财富地图。

整个非洲大陆大约 80% 测得的财富不平等来自国家内部，而非国家之间。十年变化图显示，财富增长集中在西非和东非，南部非洲和中非部分地区则出现了大幅下降。国家层面因素只能解释约三分之一的财富变化差异。局部温度趋势和附近冲突事件对变化的预测能力，优于制度质量类指标。

在应用经济学方面，该模型只需要 10% 的可用调查样本就能达到有竞争力的性能，而基准基础模型需要 100%。这不是 modest 的效率提升，而是彻底改变了贫困测量的成本结构。

DHS 调查轮次已经面临资金压力。世界银行的生活水平测量调查也变得越来越不规律。现状是，在那些最需要监测的地区，生活水平真值数据的质量和频率正在缓慢下降。

Tempov 表明，家庭调查的角色可能正在从主要测量工具转变为校准锚点。你不需要停止开展调查，只需要更少的调查次数，更好地瞄准目标，再用它们调参，让模型从轨道获取数据补全其余部分。

代码和权重已经开源，全非洲财富地图已经公开。国家统计局用一台笔记本电脑加一笔适中的 AWS 费用就可以复现这套方法。难点一直是从那些负担不起数据收集的地区获取数据。现在这个约束已经大幅放宽了。

论文链接：