دانشمندان می توانند فقر را از طریق ماهواره ها ردیابی کنند

شما می توانید با دیدن میزان درخشش آن در شب، ایده بسیار خوبی از ثروت یک کشور به دست آورید.

با این حال، چراغ‌های شبانه به شما نمی‌گویند که کدام محله‌ها یا روستاها در یک منطقه بزرگ صرفاً فقیر هستند و کدام محله‌ها خانه افرادی هستند که در فقر شدید زندگی می‌کنند. این سطح جزئیاتی است که سیاستگذاران زمانی که تصمیم می‌گیرند برنامه‌های توسعه اقتصادی خود را در کجا اجرا کنند به آن نیاز دارند.

محققان دانشگاه استنفورد، ایالات متحده، راه جدیدی برای بدست آوردن رایانه ها و ماهواره ها برای دریافت این جزئیات ارائه کردند.

طبق گزارش The Bulletin، قدرت پیش‌بینی مدل کامپیوتری آن‌ها حداقل به اندازه روش‌هایی است که بر داده‌های نظرسنجی‌های قدیمی متکی هستند.

رویکرد استنفورد به چند عنصر کلیدی نیاز دارد. نوعی از داده‌ها که تک تک مکان‌هایی را که مردم در آن زندگی می‌کنند پوشش می‌دهد، مقدار کمتری از داده‌هایی که می‌دانید بسیار دقیق هستند و رایانه‌ای قدرتمند که می‌تواند گنجینه داده‌های “پر سر و صدا” را به مقدار کمتری از داده‌های قابل اعتماد کالیبره کند.

محققان سیستم خود را با پنج کشور آفریقایی: نیجریه، تانزانیا، اوگاندا، مالاوی و رواندا آزمایش کردند و با تصاویر شبانه شروع کردند. گمان می‌رود مکان‌هایی که در شب روشن‌تر بودند نسبت به مکان‌هایی که کم نور بودند، از نظر اقتصادی توسعه‌یافته‌تر هستند.

سپس آنها از برنامه کامپیوتری خود خواستند که تصاویر شبانه را با تصاویر با وضوح بالاتر در روز از طریق Google Static Maps مقایسه کند. این برنامه قادر به تشخیص اشکال خاصی در تصاویر در طول روز بود که با توسعه اقتصادی مرتبط بودند.

نیل جین، نویسنده ارشد این مطالعه، دانشجوی فارغ التحصیل علوم کامپیوتر، “بدون اینکه به ما گفته شود به دنبال چه چیزی بگردید، الگوریتم یادگیری ماشینی ما یاد گرفت که از تصاویر بسیاری از چیزهایی را که به راحتی برای انسان قابل تشخیص است – چیزهایی مانند جاده ها، مناطق شهری و زمین های کشاورزی انتخاب کند.” در دانشکده مهندسی استنفورد، در بیانیه ای گفت.

دیگر ویژگی های قابل تشخیص شامل آبراه ها و ساختمان ها بود. بر اساس این مطالعه، رایانه حتی یاد گرفت که سقف های فلزی را از سقف های ساخته شده از چمن، کاهگل یا گل تشخیص دهد.

تیم استنفورد از روش های آماری برای تعیین چگونگی وجود (یا عدم وجود) موارد شناسایی شده در تصاویر روزانه مربوط به داده های درآمد جمع آوری شده در نظرسنجی ها استفاده کرد. به عنوان مثال، نوع مصالح سقف در ساختمان به طور مستقیم با درآمد مرتبط بود. فاصله یک مکان از یک منطقه شهری نیز همینطور بود.

ژان و همکارانش تنها کسانی نیستند که از چشم انداز استفاده از ماهواره و رایانه برای مبارزه با فقر هیجان زده هستند.

در مقاله ای که همراه با این مطالعه است، جاشوا بلومن استاک از آزمایشگاه علم داده و تجزیه و تحلیل داده ها در دانشگاه کالیفرنیا برکلی گفت که استفاده از داده های ماهواره ای در طول روز، که حاوی اطلاعات بسیار بیشتری نسبت به تصاویر شبانه است، می تواند «تمایز بین مناطق فقیر و فوق العاده فقیر را امکان پذیر کند. ” این می تواند اطمینان حاصل کند که منابع به کسانی که بیشترین نیاز را دارند می رسد.

–