地理空间基础模型嵌入改善了空间和规模上不均匀的人口估计

可靠的次国家人口估计对于应用至关重要，但在人口普查稀疏、过时或空间粗糙的情况下仍然很困难。现有的人口测绘工作流程依赖于手工构建的地理空间协变量，例如聚落范围、夜间灯光和环境条件，这些协变量必须在不同尺度和地理位置之间进行组装和协调。地理空间基础模型提供了一种替代方案，通过从更多方面和异构数据源中学习可重用的地点表示。在这里，我们将人口动态基础模型 (PDFM) 嵌入与协调的地理空间协变量进行基准比较，以进行巴西、尼日利亚和美国的次国家人口估计。在地理结构验证下，PDFM 将预测拟合中位数提高了 20.1%（IQR：10.0-33.2%，跨国家模型比较），减少了无法解释的方差，并将 Kullback-Leibler 散度降低了 23.2% (9.2-26.2%)。然而，这些成果并不均衡。当地理空间协变量特征较弱的聚居环境（例如较大且欠发达的次国家地区）时，PDFM 最为有利。此外，PDFM 性能与嵌入进行规模耦合，与地理空间协变量相比，跨空间聚合的传输灵活性较差。这些发现表明，地点的地理空间基础模型表示可以改善数据贫乏环境中的人口估计，但在空间尺度不匹配的情况下，它们的好处可预见地会崩溃，揭示了当前地理空间人工智能的根本局限性。