Journal of Information Systems and Informatics·10月24日 · 周六论文农业遥感与作物表型阅读 0
Climate-Driven Poverty Prediction in Nusa Tenggara Timur Using Transfer Learning-Based CNN-LSTM and ERA5-Land
Yampi R Kaesmetan · Rahmat Gernowo · Budi Warsito
论文解读
66接近精选线
速览
用迁移学习CNN-LSTM结合ERA5-Land降水数据预测印尼东努沙登加拉各县年度贫困率。
方法
ERA5-Land月降水与县级贫困数据，CNN预训练后迁移，LSTM微调。
发现
模型R²=0.87优于单一模型，降水亏缺与贫困变化存在6–12个月滞后关联。
机会点
可将气候再分析+迁移学习框架移植到国内县域，探索气候信号对返贫风险的预警价值。
影响力8
信息增量20
专业深度17
信源权威12
时效性9
方法新颖、数据规模可观且结论有量化支撑，但研究对象为印尼区域贫困预测，与国内三农信息化关联偏间接，公共影响有限。
原文摘要
印度尼西亚东努沙登加拉省（Nusa Tenggara Timur, NTT）的贫困动态受气候变率影响，尤其是降雨亏缺和干旱会加剧家庭经济脆弱性。本研究开发了一种基于迁移学习的混合CNN-LSTM模型，用于预测NTT省22个县/市的年度贫困发生率（%）。研究整合了ERA5-Land月度总降水量与2003—2024年县级年度贫困数据，共获得484个县-年观测值。为应对本地时间序列数据有限的问题，CNN先在长期ERA5-Land气候序列上进行预训练，再迁移至NTT任务，而LSTM层和输出层则利用本地数据进行微调。模型取得R² = 0.87，优于单独的CNN和LSTM模型。研究还识别出降雨亏缺与随后贫困变化之间存在6—12个月的滞后关联，提示这可能是一种潜在的先兆性气候信号，而非直接因果关系。研究结果凸显了整合气候再分析、迁移学习和深度学习在数据受限地区进行贫困风险预测的潜力。然而，在用于决策支持部署之前，仍需进一步的业务化、制度化和外部验证。