Nat. Commun. 速递：深度学习根据卫星图像检测全球垃圾场分布

关键词：CNN，城市科学，卫星图像分析

论文题目：Revealing influencing factors on global waste distribution via deep-learning based dumpsite detection from satellite imagery

论文来源：Nature Communications

论文链接：https://www.nature.com/articles/s41467-023-37136-1

随着全球文明进步，监测和管理垃圾场已成为各国环境治理的重要组成部分。然而当地政府机构和环保组织很难及时获得垃圾场的位置。世界银行表明，政府需要花费大量的人力和经济成本来收集非法垃圾场信息，以实施管理。

这篇发表在 Nature Communications 上的文章表明，将新型深度卷积神经网络应用于高分辨率卫星图像，可以提供一种高效且低成本的方法来检测垃圾场。在全球28个城市的采样区域中，该模型检测到2021年前后出现的近1000个垃圾场。该方法与人工方法相比，缩短了96.8%以上的调查时间。利用这种新颖而有力的方法，它现在能够在全球范围、时间和空间上分析垃圾场与各种社会属性之间的关系。

图1. 垃圾场数据集基本信息及四类典型实例

图2. 展示和确认垃圾场检测结果

图3. 空间统计实验选取区域的地理分布和全球垃圾场指数（GDI）

计算社会科学读书会第二季

计算社会科学作为一个新兴交叉领域，越来越多地在应对新冠疫情、舆论传播、社会治理、城市发展、组织管理等社会问题和社科议题中发挥作用，大大丰富了我们对社会经济复杂系统的理解。相比于传统社会科学研究，计算社会科学广泛采用了计算范式和复杂系统视角，因而与计算机仿真、大数据、人工智能、统计物理等领域的前沿方法密切结合。为了进一步梳理计算社会科学中的各类模型方法，推动研究创新，集智俱乐部发起了计算社会科学系列读书会。

【计算社会科学读书会】第二季由清华大学罗家德教授领衔，卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起，进行了12周的分享和讨论，一次闭门茶话会，两次圆桌讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合，并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。读书会详情见文末，欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。