这项研究展示了高分辨率（0.005）网格化劳动力市场数据，通过使用随机森林算法和遥感技术对加纳地区层面的普查数据进行降尺度处理而生成。它通过绘制17个就业类别（包括年龄、性别、技能、状态、部门、失业和NEET）来弥补空间分解劳动力市场数据的不足。将辅助数据（64个变量）如土地覆盖、夜间灯光、基础设施和兴趣点整合，以捕捉人口、经济和参与因素。该模型实现了高精度（大多数类别R2 > 90%），并揭示了显著的空间异质性，就业率在像素间从10%到98%不等。结果突出了城乡和南北差异，以及部门集中。变量重要性分析强调了建成区、夜间灯光、道路密度和植被健康状况在预测就业模式中的作用，并在不同就业类别中表现出特异性。该方法通过纳入劳动力市场复杂性，超越了传统的GDP或人口网格化。研究结果展示了机器学习和地理空间数据在数据匮乏环境中增强社会经济地图制作的潜力。