Strategic Transferability in Poverty Map Inference

Maschinelles Lernen bietet eine vielversprechende Lösung für die Erstellung hochauflösender Armutskarten, doch wird seine Anwendung in datenarmen Regionen wie Subsahara-Afrika häufig durch begrenzte verfügbare Erhebungsdaten und unvollständige Geodaten erschwert. Diese Arbeit befasst sich mit diesen Herausforderungen, indem Strategien untersucht werden, um die Übertragbarkeit von Modellen zwischen Ländern zu verbessern und den Umgang mit fehlenden Daten für eine präzise Armutsschätzung zu optimieren. Anhand von Daten aus sechs unterschiedlichen subsaharischen Ländern und vier Datenquellen (Nachtlichter, Bevölkerung, Mobilfunk und Infrastruktur) werden CatBoost-Modelle eingesetzt, um die Rolle der Ländersimilarität für den Modelltransfer zu evaluieren, optimale Strategien zum Umgang mit fehlenden Daten zu bestimmen und die Wirksamkeit verschiedener Transfer-Learning-Techniken zu vergleichen.Die Ergebnisse zeigen, dass die Transferleistung stark von der Ländersimilarität abhängt, wobei der Jones Country Similarity Index besonders aussagekräftig ist. Zudem spielt die Auswahl der Länder, die für das Modelltraining genutzt werden, eine zentrale Rolle: Die Hinzunahme ähnlicher Länder kann die Leistung verbessern, während die Einbeziehung unähnlicher häufig zu negativem Transfer führt. Die Modelle zeigten eine hohe Robustheit gegenüber teilweisem Datenverlust, während sich die Rekonstruktion fehlender Featurekategorien als weniger wirksam erweist. Unter den Transfer-Learning-Methoden zeigte Feature Augmentation die höchste Wirksamkeit und übertraf in fünf von sechs Ländern die Baseline-Ergebnisse. Die Ergebnisse sind in einem praxisnahen Entscheidungsrahmenwerk für die Armutskartierung in datenarmen Umgebungen zusammengefasst.