典型文献
基于机器学习的贫困地区识别算法对比——以陕西省为例
文献摘要：
以传统社会经济指标为主导的贫困识别依赖于详尽的普查抽查数据,收集和处理不同质量和数量的普查抽查数据来研究区域贫困需要耗费大量的人力物力和时间,难以快速动态地监测贫困状态.然而时间分辨率高且客观易获取的夜间灯光数据可以在一定程度上弥补统计数据的劣势,即时地反映地表社会经济现象.机器学习算法能够从这些数据中学习出规律和模式,从中挖掘出潜在信息来识别贫困地区.基于陕西省NPP-VIIRS夜间灯光数据,通过构造多维统计变量,利用逻辑回归、支持向量机、K近邻、随机森林、决策树和梯度提升树6种监督分类算法识别贫困地区.结果表明从夜间灯光数据提取的多维特征能够更好的应用于贫困地区的识别,6种算法都能够准确的识别贫困地区,分类结果在空间上具有相似性,且表现出一定的地域性,分类准确度达到76.82％～83.20％.根据混淆矩阵进一步对比各个算法的特点,认为随机森林算法在误差偏移和分类精度等方面综合表现最佳.
文献关键词：
贫困识别;机器学习;算法对比;特征工程;夜间灯光数据
中图分类号：
作者姓名：
赵雨;白宇;员学锋
作者机构：
长安大学土地工程学院,陕西西安710054;长安大学地球科学与资源学院,陕西西安710054
文献出处：
引用格式：
[1]赵雨;白宇;员学锋-.基于机器学习的贫困地区识别算法对比——以陕西省为例)[J].地理科学,2022(08):1421-1432
A类：
B类：
基于机器学习,贫困地区,识别算法,算法对比,传统社会,社会经济指标,贫困识别,详尽,抽查,区域贫困,耗费,人力物力,速动,时间分辨率,分辨率高,夜间灯光数据,机器学习算法,挖掘出,NPP,VIIRS,多维统计,逻辑回归,近邻,决策树,梯度提升树,监督分类,分类算法,算法识别,数据提取,多维特征,地域性,混淆矩阵,随机森林算法,分类精度,综合表现,特征工程
AB值：
0.361108
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
