印度社会经济指标自动编码器辅助降尺度中地理空间和人口普查代理的联合利用（JUGAAD）
Joint Utilization of Geospatial and census proxies for Autoencoder-Assisted Downscaling (JUGAAD) of socioeconomic indicators in India
- University of Florida（佛罗里达大学）
- Texas A&M University（德克萨斯农工大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对印度社会经济指标数据尺度不匹配问题，提出JuGAAD深度学习框架，通过三步流程，即数据平均化、自动编码器压缩、回归模型映射，利用人口普查和地理空间数据生成高分辨率预测，且预测准确率高。
AI中文摘要：
监测贫困和粮食安全指标对于应对发展中国家的社会经济挑战至关重要。数据来源之间存在尺度不匹配的问题：人口普查数据提供地理覆盖范围，而社会经济指标来自不经常进行的粗分辨率调查，这带来了方法上的挑战。本研究引入了一个深度学习框架JuGAAD，以2001年和2011年的印度人口普查和调查数据为案例研究。我们采用三步流程：将人口普查和地理空间数据平均为中间的村庄集群尺度镶嵌图，以减少噪声并规范行政边界变化；一个自动编码器将高维的国家样本调查办公室（NSSO）数据压缩为低维潜在表示；一个回归模型将上采样的人口普查和地理空间数据映射到这个表示。此功能应用于细粒度人口普查数据以生成高分辨率预测，并根据地面真实的地区级NSSO指标进行验证。结果证实该方法能以高准确率预测细尺度的社会经济指标。
英文摘要：
Monitoring poverty and food security indicators is imperative for addressing socioeconomic challenges in developing nations. A limitation is mismatches in scale between data sources: census data provide geographic coverage, while socioeconomic indicators are derived from infrequently conducted surveys at coarse resolutions, posing a methodological challenge. This study introduces a deep learning framework, JuGAAD, using Indian census and survey data from 2001 and 2011 as a case study. We employ a three-step process: census and geospatial data are averaged into intermediate village-cluster-scale tessellations to reduce noise and regularize administrative boundary changes; an autoencoder compresses high-dimensional National Sample Survey Office (NSSO) data into a low-dimensional latent representation; and a regression model maps upscaled census and geospatial data to this representation. This function is applied to fine-grained census data to generate high-resolution predictions, validated against ground-truth district-level NSSO indicators. Results confirm the methodology predicts socioeconomic indicators at fine scales with strong accuracy.
