O wykorzystaniu dziennych zdjęć satelitarnych i uczeniu głębokim – Łukasz Janisiów z prelekcją na WNE
W imieniu ośrodków badawczych QFRG i DSLab zapraszamy na seminarium „Predicting Socio-Economic Development in Poland in 2020–2024 Using Satellite Imagery”. Odbędzie się 24 listopada br. w sali B002 WNE. Łukasz Janisiów powie o tym, jak wykorzystać dzienne zdjęcia satelitarne, głębokie uczenie i transfer learning do wyciągania cech obszarów ze zdjęć i przewidywania - na ich podstawie, dobrostanu ekonomicznego na poziomie lokalnym, w skali całego kraju. (Pełny abstrakt wystąpienia - prezentujemy poniżej).
Istnieje możliwość udziału zdalnego. W tym celu prosimy o kontakt mailowy (^od}@?tIx0NvfXG2R3+b~%]#[ObTk+y_%5'9\oN??4r|kon) – chętnie przekażemy link do spotkania. Jednocześnie informujemy, że zdalne połączenie oznacza zgodę na nagrywanie. Prosimy o wyłączenie kamer i mikrofonów w trakcie prezentacji i wysyłanie pytań do prelegenta na czacie.
O przybycie na seminarium (zarówno stacjonarnie, jak i za pomocą platformy Zoom) prosimy do godz. 16:50. Po prezentacji zachęcamy do udziału w dyskusji.
---
Access to up-to-date statistical data is crucial for understanding and responding to socio-economic trends. However, in many parts of the world, official statistics are often delayed, and in some regions, reliable data may be scarce or entirely unavailable. This makes it difficult for researchers, policymakers, and organizations to make informed and timely decisions. Traditionally, nighttime lights satellite imagery has been used as a proxy for economic activity, but this approach lacks precision. Recent advances in high-resolution satellite imagery, combined with increased computational power, offer new opportunities for near real-time socio-economic monitoring. Compared to traditional statistical data, high-resolution imagery provides two key advantages: it is available almost in real time, and predictions can be made for any area, even if it does not align with official administrative boundaries. In this interdisciplinary study, we bridge economics, machine learning, and remote sensing to predict socio-economic development in Poland between 2020 and 2024. We use two approaches for feature extraction from high-resolution satellite imagery, introduce a novel dataset designed to suport transfer learning in computer vision, and develop an end-to-end pipeline for predicting regional socio-economic indicators. Our work demonstrates the potential of satellite-based methods to complement, and in some cases substitute, traditional data sources, enabling more timely and granular insights into socio-economic dynamics.