要实现经济、社会的可持续发展, 必须运用先进的科学技术加以实现。在众多的高新科技中, 卫星遥感技术以其独特的优势, 成为促进可持续发展目标实现的有效手段。
消除贫困是可持续发展目标的首要目标。在上篇论文深读《怎样利用卫星遥感数据预测农村家庭贫困》中，论文作者探索研究了用卫星遥感数据预测农村家庭贫困情况的可行性，那么除了预测贫困，卫星遥感对其它可持续发展目标如何进行准确全面的洞察和推动？
2021年3月，在世界权威期刊《Science》期刊发表的论文《Using Satellite Imagery to Understand and Promote Sustainable Development》对这一问题进行了详细阐述。论文还探讨了卫星图像在科研和政策中的应用，以及未来发展的制约因素。
图片来源：参考文献
本期的《深读》专栏由浙江大学管理学院在读博士生李易晴带来对论文《借助卫星图像洞察与推进可持续发展》的深度解析。
传统的衡量可持续发展成果的方法存在哪些问题？
为了对可持续发展目标进行准确全面的洞察和推动，首先必须对可持续发展的成果进行准确且全面的衡量。
传统的衡量方式主要依赖家庭调查，但这种方法存在一些问题，例如数据稀缺不易获取、成本高昂、地方层面数据匮乏，以及许多数据公开性不足且缺乏时效性等等。
首要问题是数据稀缺不易获取。
全国性的家庭或实地调查如人口普查仍是当前主要的数据来源，但这种方式的费用高昂，花费时间长，而且往往一些最需要的关键数据最稀缺，例如很难获取偏远山区的准确的统计数据，但这些地方有可能最需要获取数据以衡量其经济发展状况。这对于需要利用个人或地方层面信息开展的研究或政策应用构成了挑战。此外，许多数据的公开性不足，且缺乏时效性。
第二个重要问题在于现有数据不可靠。
首先，大部分数据并非直接测量所得，而是根据受访者的回答推断出的，这可能带来误差。
其次，组织全面调查范围广、耗时长、难度大，常采用抽样调查的方法进行验证，但在局部水平上的（例如两个相近的村庄）农业和经济结果可能具有很大差异，因此使用少量随机的样本很难准确反映整个区域的平均状况。
第三，大多数基于家庭调查公开发布的数据集，会为了保护被调查家庭的隐私而随机添加一些误差。例如，在城市地区添加多达2公里的随机误差，在农村地区添加5公里的误差。这些误差来源可能会对模型的准确性和可靠性产生负面影响，从而影响政策制定和实施的有效性。
卫星图像与机器学习如何衡量可持续发展成果？
随着全球卫星遥感技术的快速发展，“高分辨率”成为卫星遥感发展的重要方向，其应用价值也在日益增加。
“高分辨率”包括高空间分辨率、高时间分辨率、高光谱分辨率及高覆盖率。随着卫星遥感影像的“高分辨率”指标性能持续提升，其应用场景也不断扩展，为监测全球变化、区域环境变化等提供了大量宏观的、实时性的资料，例如在抗洪救灾、国家安全、应急搜救、军事演练等方面，取得了良好的效果。
这些先进的卫星遥感技术同样能够更加客观地衡量可持续发展成果。
论文作者在非洲、美国和欧盟随机抽选了100个地点，并对比了2010年和2019年的卫星图像，以研究图像可用性的变化和各国之间的差异。结果如下图显示，尽管2019年非洲地区与美国和欧盟地区在卫星图像的可用性上仍存在一些差异，但2010年相比，2019年的非洲地区新增了更多的传感器（公共和私营），卫星图像的分辨率和重访率显著提升。
图片来源：参考文献
目前，一些研究人员已经利用这些丰富的卫星图像数据来理解和衡量可持续发展，他们采用了多种不同的建模方法。概括起来主要包括四类模型：
基于手工特征提取的浅层模型：这类模型通常从原始图像中提取一些简单的特征，通过简单的回归模型（如线性回归或随机森林）从这些手工特征中预测农作物的产量。例如，在农业领域，从白天的高分辨率卫星图像中提取的植被指数可以有效预测小农业玉米的产量。
利用图像中空间结构的模型：采用空间结构的机器学习模型，如卷积神经网络（CNN），通常比手工特征和简单聚合策略的性能更优。采用这种方法的卫星图像在可持续发展应用中的使用已经大幅增加。应用场景包括测量人口、经济生计、基础设施质量、土地利用、非正式居住点、渔业活动等。
利用图像中的空间和时间结构的模型：一般来说，在同一地点，一段时间内的多张图像可以减少模糊性（例如由于云层覆盖造成的模糊性），并能提供关于这一地点发生变化的关键信息。这样的多张图像类似于视频，这类模型不仅考虑了空间信息，还考虑了时间信息。模型包括长短时记忆网络（LSTM）、卷积LSTM和三维卷积神经网络（CNN）等。这些模型已成功应用于作物分类、作物产量预测、预测山体滑坡敏感性和评估灾害后建筑破坏等等。例如，一项研究收集了美国中西部一段时间内每天的粗分辨率多光谱图像，利用图像的时间和空间信息训练了三维卷积神经网络（CNN）和长短时记忆网络（LSTM）预测模型，预测当地的县级大豆产量。
使用多种模态的模型：当有多种数据模式可用时，通常可以将所有数据输入整合到一个深度学习模型中。例如，将白天和晚上的卫星图像结合起来预测非洲乡村的资产财富，还有将图像与天气传感器、收集、社交媒体等数据结合起来，以预测与其发展有关的结果。
在利用卫星图像数据来理解和衡量可持续发展的这些模型中，大多不同程度地使用到深度学习模型，然而在实际使用中，深度学习面临的一个常见挑战是标注数据的匮乏，这种情况下就不足以对深度网络进行充分训练。因此，作者提出了几种可能的解决策略：
使用合成数据：在某些情况下，可以利用已有的领域知识来模拟相关的物理过程，生成并使用合成数据来训练模型。例如，作物模型模拟可以用来估计作物产量和物理参数（如叶面积指数）之间的关系；然后，模型参数可以与来自卫星图像的观测植被指数相结合来预测产量。这种方法不需要地面数据进行训练，与直接对有限的田间数据进行校准的方法相比，这种方法已被证明同样好甚至更好。
迁移学习：在一个不同但相关的任务上训练一个模型，然后根据目标任务的相关数据对该模型进行“微调”。例如，一个为预测非洲的基础设施质量而训练的模型，只用少量的标签数据就可以被微调到一个特定的国家来使用。但这种方法也有一定的局限性：从一个地区到另一个地区的输入数据分布的变化（例如，房屋或农作物的外观）会降低预测性能。
无监督或半监督学习：这两种方法主要是利用没有标签的大量卫星图像。在标签数据有限的情况下，这两种方法可以作为辅助手段帮助我们更好地理解数据并提高模型性能。例如，最近有两种类似的方法，通过训练卷积神经网络（CNN）使用输入图像的小斑块之间的空间相似性，来推导整个图像的表征，这样的方法不需要任何标记的训练数据。
卫星图像目前应用于哪些可持续发展领域？
在小规模农业领域，研究者结合卫星图像预测田间规模产量，评估农业干预措施，快速监测产量。
在人口分布和普查领域，研究者结合卫星数据和人口普查数据来估计地区人口分布，或是利用从图像中获取的建筑或居住区位置进行地方级人口估算。
在经济生计领域，研究者将卷积神经网络应用于图像，生成用于预测地方层面的资产财富的特征。
在非正式住区（贫民窟）研究中，研究者使用图像来衡量这些住区的位置和规模。
图片来源：©千库网
此外，卫星图像还应用于渔业、畜牧业、公共卫生、灾害应对、气候变化研究等多个研究领域。这些工作表明了卫星图像在可持续发展研究中的广泛应用和巨大潜力。
然而，作者提出虽然基于卫星的测量已广泛应用于多种研究领域，但其在发展中国家公共部门的决策和政策制定中的实际应用较少。这是因为卫星信息与机器学习技术的结合仍相对较新，决策者可能对这些方法不熟悉，或者不相信它们已达到"足够好"的程度。此外，深度学习模型通常为了提高预测性能而牺牲了可解释性，人们可能很难理解这些模型具体是如何预测的，这也引发了对预测准确性和公平性的担忧。
借助卫星图像洞察与推进可持续发展还应该关注哪些问题？
首先，基于卫星的预测关键可持续发展成果的性能相当强大，而且还在不断增强。基于卫星的衡量现在可以等于或超过传统结果测量方法的准确性。
第二，现在对模型开发的最大限制是训练数据而非图像。尽管图像已经相当丰富，但高质量标签的稀缺性和不可靠性，使基于卫星的模型的训练和验证变得困难。
第三，基于卫星的方法日益强大，但在很多领域，这种方法短期内可能贡献有限，例如女性权力、教育成果或冲突事件。即使在卫星可能有用的情况下，基于卫星的方法也可能只是扩大而非取代现有的地面数据收集工作。高质量的当地训练数据几乎总能提高模型性能，因此，说服研究人员和决策者相信卫星方法的有效性仍然至关重要。
最后，在可持续发展领域中，卫星在公共部门决策过程中的应用案例仍然相当少。未来的研究可以通过提高模型的可解释性和遵循机器学习公平性、责任性和透明度原则来突破这些限制。
原文：Burke, M ; Driscoll, A ; Lobell, DB ; Ermon, S(2021). Using Satellite Imagery to Understand and Promote Sustainable Development. Science, 371 (6535), eabe8628.
李易晴简介：
本科毕业于华中科技大学医学信息管理与信息系统专业，现为浙江大学管理学院2020级管理科学与工程专业在读博士生，目前研究方向为在线医疗团队、智慧医疗管理。
编辑：王红岩
审核：童 昱 郭 莹
更多内容请扫码关注微信公众号：
