Estimación de índice de pobreza multidimensional (IPM) en Bogotá D.C. y algunas ciudades cercanas usando imágenes satelitales

Abstract

En este documento se estudia una alternativa para obtener estimaciones de pobreza utilizando imágenes satelitales de Bogotá, D.C. y algunos municipios cercanos. Para lograr este fin, se comparan las dos metodologías presentadas en este trabajo: un modelo de redes neuronales convolucionales (CNN) y un modelo de regresión tensorial (GTR), los dos modelos aplicados para la clasificación de pixeles. A partir de estos modelos se definen unos criterios o métricas que nos permiten seleccionar el modelo que mejor captura la distribución del Índice de pobreza multidimensional (IPM) a nivel de píxeles. Finalmente, se lleva a cabo una aplicación de estimación de pobreza utilizando las imágenes de Planet Scope (PS) y la información a nivel de manzanas del ´ultimo Censo Nacional de Población y Vivienda (CNPV2018) donde se encuentra que el modelo de GTR presenta mejores métricas de desempeño en comparación del modelo de CNN (Texto tomado de la fuente).

This document explores an alternative method to obtain poverty estimates using satellite images of Bogot´a, D.C., and some nearby municipalities. To achieve this goal, the two methodologies proposed in this study are compared: Convolutional Neural Networks (CNN) and a Tensor Regression Model (GTR). Based on these models, criteria or metrics are defined to select the model that best captures the distribution of the Multidimensional Poverty Index (MPI) at the pixel level. Finally, a poverty estimation application is conducted using Planet Scope (PS) images and block-level information from the latest National Population and Housing Census (CNPV2018). The results reveal that the GTR model demonstrates superior performance metrics compared to the CNN model (Texto tomado de la fuente).