Economic Growth Nowcasting in Mauritania using Machine Learning and Satellite Data

方法

使用夜间灯光和NDVI卫星变量，结合XGBoost等非线性模型。

发现

加入卫星数据后XGBoost的RMSE降低、R²提升，夜间灯光解释力强。

机会点

可探索多源卫星数据融合与可解释AI，提升数据稀缺地区经济监测精度。

本文考察了卫星数据和机器学习技术在改进毛里塔尼亚实际GDP即时预测（nowcasting）中的作用，该国面临数据可得性有限和官方统计数据滞后的背景。通过将传统宏观经济指标与夜间灯光（Nighttime Lights）和归一化植被指数（NDVI）等卫星变量相结合，本研究构建了一个能够捕捉实时经济动态的框架。结果表明，纳入卫星数据提高了预测精度，尤其是在使用XGBoost等非线性模型时。具体而言，当纳入卫星变量后，XGBoost的均方根误差（RMSE）从0.019降至0.017，R²从0.372提升至0.483。夜间灯光与经济活动高度相关，而NDVI的解释力则较为有限。总体而言，研究结果凸显了整合替代数据源和机器学习方法以增强经济监测并支持数据受限环境下决策的潜力。