Puffin：从粗粒度观测中概率学习空间细节

arXiv:2610.11914v1 公告类型：新论文 摘要：高分辨率社会经济变量对城市规划、公共卫生、灾害响应和资源分配等应用至关重要。然而，在实践中，这些变量往往只能以较低的空间分辨率进行观测。我们提出了 Puffin，这是一种用于统计分解的概率框架，以高分辨率卫星嵌入作为协变量，提升粗粒度总量数据的空间分辨率。Puffin 并非为每个细分辨率子区域预测单一数值，而是学习概率分布，并通过考虑聚合关系的似然函数进行训练。在推断阶段，Puffin 以观测到的区域总量为条件调整这些预测，并将总量分配至各子区域。由此得到的精细尺度估计既与观测到的聚合总量一致，又具备经过校准的不确定性，且训练时无需细分辨率标签。我们使用德国和美国的人口普查、就业及选举数据，对 Puffin 在人口、就业岗位及其他计数变量上的表现进行评估，并研究统计分解在不同地区、国家和目标变量上何时成功、何时失败。