被迫流离失所情境下社会经济估计的迁移学习

包容性住户调查的进展加强了关于被迫流离失所人口的社会经济证据，为生活条件和福利提供了不可或缺的基准。然而，这些调查仍然资源密集且具有周期性，而在两轮调查之间，条件可能发生变化，尤其是在受脆弱性、冲突和暴力影响的情境中。因此，需要更新更频繁、空间粒度更细的补充证据，以识别两轮调查之间社会经济条件可能发生变化的地点，并为行动优先排序提供信息。地球观测和机器学习提供了一种可扩展的、具有明确空间属性的社会经济信息来源。然而，面向一般人口开发的工具尚未在被迫流离失所情境中得到系统性适配和评估，而在这些情境下，生活条件、定居模式和流离失所影响可能存在显著差异。我们通过将一个多模态时空视觉 Transformer 适配到南苏丹、喀麦隆和赞比亚的被迫流离失所者及收容社区情境中来弥合这一空白；该模型已基于来自 36 个非洲国家约 120 万个住户的 Demographic and Health Survey 数据进行了预训练。我们使用由 UNHCR FDS 和 RMS 数据推导出的社会经济指数来开发和评估更新后的适配模型。结果显示，在与营地相交的网格中，卫星衍生的地理空间协变量可解释社会经济结果变异的最高 66%，平均绝对误差（MAE）为 4.37 个指数点；在不与营地相交的区域中，可解释 41%，MAE 为 5.41。该框架通过以定期更新的、基于模型的社会经济估计填补关键的空间和时间数据空白，对周期性住户调查形成补充并增加价值。这些估计能够在两轮调查之间维持洞察，并支持及时的人道主义优先排序和实地核查。