В текущей проблеме Науки Стэнфордские исследователи предлагают точный способ определить бедность в областях, ранее лишенных ценной информации об обзоре. Исследователи использовали машинное обучение – наука о проектировании компьютерных алгоритмов, которые учатся из данных – извлекать информацию о бедности от спутниковых образов с высоким разрешением. В этом случае исследователи основывались на более ранних методах машинного обучения, чтобы найти обедневшие области по пяти африканским странам.«У нас есть ограниченное число обзоров, проводимых в рассеянных деревнях на африканском континенте, но иначе у нас есть очень мало информации о местном уровне о бедности», сказал соавтор исследования Маршалл Берк, доцент Земной системной науки в Стэнфорде и человек в Центре на продовольственной безопасности и Окружающей среде. «В то же время мы собираем все виды других данных в этих областях – как спутниковые образы – постоянно».
Исследователи стремились понять, мог ли бы спутниковые образы с высоким разрешением – нетрадиционный, но легко доступный источник данных – сообщить оценкам того, где обедневшие люди живут. Трудность состояла в том, что, в то время как стандартное машинное обучение приближается к работе лучше всего, когда они могут получить доступ к огромному количеству данных, в этом случае были небольшие данные по бедности, чтобы начаться с.«Есть немного мест в мире, где мы можем сказать компьютер с уверенностью ли люди, живущие, там богаты или бедны», сказал автор лидерства исследования Нил Джин, докторант в информатике в Школе Стэнфорда Разработки. «Из-за этого сложно извлекать полезную информацию из огромной суммы дневных спутниковых образов, это доступно».Поскольку области, которые более ярки ночью, обычно более развиваются, решение, включенное, объединяя дневные образы с высоким разрешением с изображениями Земли ночью. Исследователи использовали данные «о ночнике», чтобы определить особенности в образах дневного времени более высокой резолюции, которые коррелируются с экономическим развитием.
«Не будучи сказанным, что искать, наш алгоритм машинного обучения учился выбирать из образов много вещей, которые являются легко распознаваемыми людям – вещи как дороги, городские районы и сельхозугодья», говорит Джин. Исследователи тогда использовали эти функции от дневных образов, чтобы предсказать богатство деревенского уровня, как измерено в доступных данных об обзоре.Они нашли, что этот метод сделал удивительно хорошую работу, предсказав распределение бедности, выиграв у существующих подходов. Эти улучшенные карты бедности могли помочь помочь организациям, и влиятельные политики распределяют фонды более эффективно и выполняют и оценивают политику эффективнее.
«Наша статья демонстрирует силу машинного обучения в этом контексте», сказал соавтор исследования Стефано Эрмон, доцент информатики и человек любезностью в Стэнфордском Деревянном Институте Окружающей среды. «И так как это дешево и масштабируемо – требование только спутниковых снимков – это могло использоваться, чтобы нанести на карту бедность во всем мире очень недорогим способом».