12 June 2026 in International Journal of Combinatorial Optimization Problems and Informatics
Poverty in Mexico is measured biennially through socioeconomic surveys identifying people with income deficiencies and six social dimensions. This approach faces significant limitations: high costs, operational difficulties in regions with violence, and restricted capacity for timely policy responses, as evidenced during COVID-19. Emerging methods based on satellite imagery and remote sensing expand poverty analysis scope and efficiency. However, implementation faces challenges from scarce primary data, particularly satellite imagery and field measurements essential for predictive model training. This article develops a multispectral database for Mexico designed to facilitate training and validation of advanced machine learning algorithms for poverty prediction. This contribution provides a methodological tool for designing robust and scalable approaches while reducing reliance on traditional socio-economic survey methods. Spanish-language metadata / Metadatos en españolTítulo en español: Creación de un conjunto de datos multiespectrales a partir de imágenes satelitales para la predicción de la pobreza a nivel municipal en México Resumen: En México, la pobreza se mide cada dos años mediante encuestas socioeconómicas que identifican a las personas con ingresos insuficientes y tienen en cuenta seis dimensiones sociales. Este enfoque presenta importantes limitaciones: altos costos, dificultades operativas en regiones afectadas por la violencia y una capacidad limitada para dar respuestas políticas oportunas, como quedó demostrado durante la pandemia de COVID-19. Los métodos emergentes basados en imágenes satelitales y teledetección amplían el alcance y la eficacia del análisis de la pobreza. Sin embargo, su implementación se enfrenta a dificultades derivadas de la escasez de datos primarios, en particular de imágenes satelitales y mediciones sobre el terreno, que son esenciales para el entrenamiento de los modelos predictivos. Este artículo presenta una base de datos multiespectral para México diseñada para facilitar el entrenamiento y la validación de algoritmos avanzados de aprendizaje automático para la predicción de la pobreza. Esta contribución ofrece una herramienta metodológica para diseñar enfoques robustos y escalables, al tiempo que reduce la dependencia de los métodos tradicionales de encuestas socioeconómicas. Palabras Claves: Conjunto de datos, pobreza, imágenes satelitales, aprendizaje automático Smart citations: https://scite.ai/reports/10.61467/2007.1558.2026.v17i3.1283Dimensions.Open Alex.