POVERTY PREDICTION BY USING DEEP LEARNING ON SATELLITE IMAGES

Abstract

Dünya yoksulluğu tanımlamakta zorlanmaktadır. Dünya Bankası yoksulluğu günde 2 doların altında yaşayan herkes olarak görmektedir. Hükümetler ve uluslararası örgütler bu yoksulluğu ortadan kaldırmak için çalışmaktadırlar. Bu çalışmada, CNN kavramı aracılığıyla yoksulluğun tahmini üzerine uydu görüntüleri üzerine yapılan bazı araştırmalar gözden geçirilmiştir. Yapılan çalışma Kaggle'dan Nijerya, Mali, Malawi ve Etiyopya'ya ait uydu görüntülerini veri setleri olarak ele almıştır. Bu veri setinin %90 oranındaki kısmı eğitim, %10 oranındaki kısmı test verisi olarak kullanılmıştır. Veri setleri CNN, VGG16 ve ResNet50 kullanılarak analiz edilmiş ve VGG16 modelinin %94 doğrulama başarım değeriyle diğer iki modelden daha iyi performans gösterdiği gözlemlenmiştir. CNN %91 ile ikinci, ResNet'in ise %62 oranıyla en düşük doğrulama başarısına sahip olduğu görülmüştür. Bölgelerin veya ülkelerin desenleri, özellikleri ve manzaralarının kapsamlı verilerini içeren yüksek çözünürlüklü uydu görüntülerinin yükselişi, insanların veya ulusların ekonomik yaşam biçiminin belirlenmesi için uygulanabilmektedir. Uydu görüntülerinin yoksulluk tahminine uygulanması daha fazla tahmine göre daha kolay, daha hızlı ve daha ucuz olmaktadır. Bu çalışma, her bölge veya ülke için büyük uydu görüntülerinin bulunması gerektiğini önermektedir. Gelecek çalışmalarda araştırmacılar yoksulluğu ve suç, yol trafiği, tarım alanları ve benzeri uygulamaların tahmin ve tespit edilmesinde uygulamak için uydu görüntülerine odaklanmalıdırlar.

Abstract- As the universe finds it challenging to define poverty, the World Bank consider poverty as anyone living below $2 per day. Governments and international organizations are working to eradicate this poverty. In this study, some research on satellite imagery on poverty prediction through the concept of CNN (Convolutional Neural Network) is reviewed. The study considered satellite images of Nigeria, Mali, Malawi and Ethiopia from Kaggle. While 90% of the dataset was used for training, the remaining 10% was used for testing. Datasets were analyzed using CNN, VGG16 and ResNet50 and it was observed that the VGG16 model outperformed the other two models with a validation accuracy of 94%. CNN had the second with 91% and ResNet had the lowest validation success with 62%. The rise of high-resolution satellite imagery containing comprehensive data of patterns, features and landscapes of regions or countries can be applied to determine the economic lifestyle of people or nations. Applying satellite imagery to poverty estimation would be easier, faster and cheaper. This study suggests that large satellite images should be available for each region or country. In future studies, researchers should focus on satellite imagery to apply it to the prediction and detection of poverty and crime, road traffic, agricultural land and similar practices.