cjerzak/ImageHeterogeneity

该数据集用于图像处理的异质性分析，包含两个主要文件：UgandaDataProcessed.csv和UgandaGeoKeyMat.csv。UgandaDataProcessed.csv包含来自YOP实验的个体级数据，包括地理位置信息和实验结果的变量。UgandaGeoKeyMat.csv包含与卫星图像相关的键信息，用于可转移性分析。地理参考的卫星图像保存在指定路径下，每个图像键与观察结果相关联，并涉及卫星图像中的三个波段之一。This dataset is designed for heterogeneity analysis in image processing, and contains two primary files: UgandaDataProcessed.csv and UgandaGeoKeyMat.csv. UgandaDataProcessed.csv holds individual-level data from the YOP experiment, including geographic location information and variables corresponding to experimental outcomes. UgandaGeoKeyMat.csv contains key information associated with satellite imagery, which is utilized for transferability analysis. Georeferenced satellite images are stored in a designated path, where each image key is linked to an observation and corresponds to one of the three bands of the satellite imagery.

原始信息汇总

数据集概述

数据集名称

Replication Data for: Image-based Treatment Effect Heterogeneity

数据文件

• UgandaDataProcessed.csv: 包含来自YOP实验的个人级别数据。
  • geo_long 和 geo_lat: 实验单位的近似地理参考经纬度。
  • geo_long_lat_key: 与每个位置关联的图像键。
  • Yobs: 实验结果。
  • Wobs: 处理变量。
• UgandaGeoKeyMat.csv: 包含用于可移植性分析的乌干达所有地区的卫星图像键信息。

卫星图像文件

• 地理参考卫星图像存储在 "./Uganda2000_processed/GeoKey%s_BAND%s.csv" 中，其中 GeoKey%s 表示与每个观测关联的图像键，BAND%s 表示卫星图像中的一个波段。

参考文献

Connor T. Jerzak, Fredrik D. Johansson, Adel Daoud. Proceedings of the Second Conference on Causal Learning and Reasoning, PMLR 213:531-552, 2023.

搜集汇总

数据集介绍

构建方式

该数据集源自乌干达青年机会计划（YOP）实验的个体层面数据，旨在探究基于图像的处理效应异质性。构建过程中，研究团队将实验单元的经纬度坐标（geo_long, geo_lat）与卫星影像关键标识（geo_long_lat_key）精准匹配，形成空间关联的数据结构。处理变量Wobs与结果变量Yobs分别记录实验干预与观测结果，而卫星影像数据则按地理关键码和波段编号存储于CSV文件中，涵盖三个光谱波段。此外，数据集还包含乌干达全境的地理关键码矩阵，用于支持可迁移性分析，从而构建起一个融合地理空间信息与因果推断需求的复合型数据集。

特点

该数据集的核心特点在于其跨学科融合性，将高分辨率卫星影像与微观社会实验数据有机结合，为因果推断中的处理效应异质性研究提供了独特视角。数据以地理坐标为核心索引，实现遥感图像与个体行为数据的精确对接，使得研究者能够利用图像特征捕捉传统表格数据难以体现的空间异质性。同时，数据集涵盖完整的实验变量与影像波段信息，支持从图像到因果效应的端到端分析，为发展经济学、空间社会科学等领域开辟了基于视觉数据的新研究范式。

使用方法

使用该数据集时，研究者需首先通过地理关键码将个体实验数据与对应的卫星影像文件关联，影像文件遵循'./Uganda2000_processed/GeoKey%s_BAND%s.csv'的命名规则，需按波段分别加载。随后，可利用因果推断框架（如配套的causalimages软件库）对处理效应异质性进行建模，将图像特征作为协变量纳入因果模型。数据集默认提供训练分割，用户可通过HuggingFace数据集加载API直接读取UgandaGeocodes.csv文件，并结合教程中的示例代码进行复现与扩展分析，实现从数据预处理到因果效应估计的完整工作流。

背景与挑战

背景概述

ImageHeterogeneity数据集由Connor T. Jerzak、Fredrik D. Johansson和Adel Daoud等研究者于2023年创建，源自因果学习与推理领域的前沿探索。该数据集聚焦于利用卫星图像估计处理效应异质性，核心研究问题在于如何从地理空间影像中识别个体层面的因果效应差异，以推动发展经济学与社会科学的实证分析。数据集基于乌干达青年机会计划（YOP）的实验数据，整合了地理编码、卫星多光谱波段图像及个体结果变量，为因果推断提供了高分辨率的空间上下文信息。其影响力体现在为遥感与因果推理交叉领域提供了标准化基准，促进了基于图像的处理效应异质性方法研究，相关论文发表于CLeaR 2023会议，并配套开源软件库，成为行星因果推断领域的重要资源。

当前挑战

该数据集面临的挑战主要涵盖两方面。在领域问题层面，核心挑战在于如何从高维卫星图像中有效提取与因果效应相关的空间特征，以克服传统统计方法在处理地理异质性时的局限性，特别是在非洲等数据稀缺区域实现可靠的个体层面因果估计。在构建过程中，挑战包括：地理编码与卫星图像的对齐精度受限于坐标近似误差，多波段图像数据的高维性增加了存储与计算负担；实验数据与遥感数据的异构融合需要处理缺失值与时空不一致性；此外，图像键与地理编码的映射关系维护以及大规模数据集的标准化处理流程设计，均对数据质量与可复现性构成考验。

常用场景

经典使用场景

在因果推断与地理空间分析的交叉领域，ImageHeterogeneity数据集为探究基于卫星影像的处理效应异质性提供了独特的数据基础。该数据集整合了乌干达青年机会计划（YOP）的个体层面实验数据与高分辨率遥感影像，通过地理编码将社会经济实验结果与多光谱卫星图像波段精准关联，使得研究者能够利用图像特征揭示处理效应在空间维度上的变异规律。这一设计突破了传统因果推断仅依赖表格数据的局限，开创性地将计算机视觉技术引入发展经济学中的政策评估场景。

解决学术问题

该数据集核心解决了如何从非结构化图像数据中识别因果效应异质性的学术难题。传统方法难以在高维图像空间中有效捕捉处理效应的空间非平稳性，而ImageHeterogeneity通过提供地理坐标、实验变量与卫星影像的联合标注，支持研究者开发融合卷积神经网络与因果森林的混合模型，从而量化环境特征（如植被覆盖、基础设施密度）如何调节干预效果。这项工作为发展经济学中“何处干预最有效”这一关键问题提供了可复现的实证框架，显著推进了地理因果推断的方法论边界。

衍生相关工作

围绕该数据集衍生出一系列具有影响力的经典工作。Jerzak等人（2023）在Causal Learning and Reasoning会议上提出了基于图像的处理效应异质性估计框架，并配套开源了causalimages软件包，为后续研究提供了方法论基石。后续工作进一步拓展了其应用边界，包括将卫星多时相数据与因果迁移学习结合以评估长期政策效应，以及利用生成对抗网络增强低分辨率影像的因果识别能力。这些研究共同推动了地理人工智能与因果科学交叉领域从理论探索走向标准化工具链建设。