A Scoping Review of Earth Observation and Machine Learning for Causal Inference: Implications for the Geography of Poverty
地球观测与机器学习用于因果推断的范围综述：贫困地理研究的启示AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕因果分析流程、混杂调整、处理效应异质性和可迁移性展开。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
地球观测与机器学习用于因果推断的范围综述：贫困地理研究的启示
- 研究问题
- 卫星影像等地球观测数据如何结合机器学习进入因果分析流程，并支持对贫困地理、健康和生活条件的研究？
- 方法与思路
- 作者开展范围综述，归纳结果插补、影像去混杂、效应异质性、可迁移性和因果发现五类路径，并提出研究协议。
- 材料陈述的贡献
- 摘要称综述整理了现有地球观测与机器学习因果研究，并就数据需求、计算机视觉模型选择和评估指标提供指导。
- 阅读关注点
- 应核对检索范围和纳入标准，区分五类路径所需的因果假设，并检查影像预测误差如何传递到后续效应估计。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明文献覆盖程度、具体识别要求或协议验证结果。
原文摘要
Earth observation (EO) data such as satellite imagery can have far-reaching impacts on our understanding of the geography of poverty, especially when coupled with machine learning (ML) and computer vision. Early research used computer vision to predict living conditions in areas with limited data, but recent studies increasingly focus on causal analysis. Despite this shift, the use of EO-ML methods for causal inference lacks thorough documentation, and best practices are still developing. Through a comprehensive scoping review, we catalog the current literature on EO-ML methods in causal analysis. We synthesize five principal approaches to incorporating EO data in causal workflows: (1) outcome imputation for downstream causal analysis, (2) EO image deconfounding, (3) EO-based treatment effect heterogeneity, (4) EO-based transportability analysis, and (5) image-informed causal discovery. Building on these findings, we provide a detailed protocol guiding researchers in integrating EO data into causal analysis -- covering data requirements, computer vision model selection, and evaluation metrics. While our focus centers on health and living conditions outcomes, our protocol is adaptable to other sustainable development domains utilizing EO data.