一种基于地理空间和机器学习的框架，用于利用人口统计与基础设施数据来估算区域电气化水平、绘制相关地图并分析发展趋势

《Scientific Reports》：A geospatial machine-learning framework for regional electrification estimation mapping and trend analysis using demographic and infrastructure features

　　

摘要

尽管埃塞俄比亚阿姆哈拉地区存在显著的城乡差异，但许多农村社区仍缺乏电力供应。传统的调查方法成本高昂且结果不一致，而基于夜间灯光的人口阈值方法则存在阈值设定随意、无法检测到离电网较远的区域以及将灯光存在与电力覆盖混为一谈的问题。本研究利用可见红外成像辐射计套件——昼夜波段数据、人口密度以及到电网线和道路的距离，构建了一个地理空间机器学习框架。随机森林模型在2018年至2024年的电力覆盖状况绘制及区域电力普及率估算中，其整体准确率为86.8%，卡帕系数为71.3%，性能优于支持向量机和决策树模型。通过对比GPS记录的变压器位置，发现随机森林模型能够还原出真实的、呈走廊状的电力覆盖网络，其效果也优于经过校准的夜间灯光-人口阈值方法，后者往往无法识别与电网相连的农村地区，还会高估城市地区的灯光强度影响。生成的地图显示出了不同区域的差异，到2024年该地区的电力普及率已达到41%，在各项影响因素中，人口密度的重要性位居首位，占比27.49%。这一框架有助于为欠发达地区的可持续发展目标7规划及投资优先级确定提供支持。