Forskere udnytter satellitbilleder og kunstig intelligens til at hjælpe med at bekæmpe fattigdom i Afrika

I kampen mod fattigdom, som enhver kamp, det er godt at kende placeringen af ​​dine mål.

Det er derfor, Stanford-forskerne Marshall Burke, David Lobell og Stefano Ermon har brugt de sidste fem år på at lede et team af forskere hjem på en effektiv måde at finde og spore fattige zoner i hele Afrika.

Det kraftfulde værktøj, de har udviklet, kombinerer gratis, offentligt tilgængelige satellitbilleder med kunstig intelligens til at estimere niveauet af fattigdom på tværs af afrikanske landsbyer og ændringer i deres udvikling over tid. Ved at analysere tidligere og nuværende data, måleværktøjet kunne give nyttige oplysninger til organisationer, offentlige myndigheder og virksomheder, der leverer tjenester og fornødenheder til de fattige.

Detaljer om deres forehavende blev afsløret i 22. maj-udgaven af Naturkommunikation .

"Vores store motivation er bedre at udvikle værktøjer og teknologier, der giver os mulighed for at gøre fremskridt på virkelig vigtige økonomiske spørgsmål. Og fremskridt er begrænset af manglende evne til at måle resultater, " sagde Burke, en fakultetsstipendiat ved Stanford Institute for Economic Policy Research (SIEPR) og en assisterende professor i jordsystemvidenskab ved School of Earth, Energi- og miljøvidenskab (Stanford Earth). "Her er et værktøj, som vi tror kan hjælpe."

Lobell, en senior fellow ved SIEPR og en professor i jordsystemvidenskab ved Stanford Earth, siger, at tilbageblik er afgørende for at identificere tendenser og faktorer, der hjælper folk med at flygte fra fattigdom.

"Utroligt nok, der har ikke rigtig været nogen god måde at forstå, hvordan fattigdom ændrer sig på lokalt niveau i Afrika, " sagde Lobell, som også er direktør for Center for Fødevaresikkerhed og Miljø og William Wrigley Fellow ved Stanford Woods Institute for the Environment. "Fællinger er ikke hyppige nok, og dør-til-dør-undersøgelser vender sjældent tilbage til de samme personer. Hvis satellitter kan hjælpe os med at genopbygge en historie med fattigdom, det kunne åbne en masse plads til bedre at forstå og afhjælpe fattigdom på kontinentet."

Måleværktøjet bruger satellitbilleder både fra nat- og dagtimerne. Om natten, lys er en indikator for udvikling, og i løbet af dagen, billeder af menneskelig infrastruktur såsom veje, landbrug, tagmaterialer, boligkonstruktioner og vandveje, give egenskaber korreleret med udvikling.

Derefter anvender værktøjet teknologien til dyb læring - computeralgoritmer, der konstant træner sig selv i at opdage mønstre - til at skabe en model, der analyserer billeddataene og danner et indeks for aktivets rigdom, en økonomisk komponent, der almindeligvis bruges af landinspektører til at måle husholdningernes velstand i udviklingslande.

Forskerne testede måleværktøjets nøjagtighed i omkring 20, 000 afrikanske landsbyer, der havde eksisterende formuedata fra undersøgelser, går tilbage til 2009. De fandt ud af, at den klarede sig godt med at måle fattigdomsniveauet i landsbyer over forskellige tidsperioder, ifølge deres undersøgelse.

Her, Burke – som også er centerstipendiat ved Stanford Woods Institute for the Environment og Freeman Spogli Institute for International Studies – diskuterer fremstillingen af ​​værktøjet og dets potentiale til at hjælpe med at forbedre velfærden for verdens fattige.

Hvorfor er du begejstret for denne nye teknologiske ressource?

For første gang, dette værktøj viser, at vi kan måle økonomiske fremskridt og forstå fattigdomsindgreb på både lokalt niveau og i bred skala. Det virker i hele Afrika, gennem mange forskellige år. Det fungerer skide godt, og det virker i mange meget forskellige typer lande.

Kan du give eksempler på, hvordan dette nye værktøj vil blive brugt?

Hvis vi ønsker at forstå effektiviteten af ​​et anti-fattigdomsprogram, eller hvis en NGO ønsker at målrette et specifikt produkt til bestemte typer individer, eller hvis en virksomhed ønsker at forstå, hvor et marked vokser – alle disse kræver data om økonomiske resultater. I mange dele af verden, vi har bare ikke de data. Nu bruger vi data fra hele Afrika syd for Sahara og træner disse modeller til at tage alle de data ind, der skal måles for specifikke resultater.

Hvordan bygger dette nye studie på dit tidligere arbejde?

Vores første arbejde med kortlægning af fattigdom, udgivet i 2016, var på fem lande ved hjælp af et års data. Det beroede på dyre, billeder i høj opløsning på en meget mindre, pilotskala. Nu dækker dette arbejde omkring to dusin lande - omkring halvdelen af ​​landene i Afrika - og bruger mange flere år med højdimensionelle data. Dette gav underliggende træningsdatasæt til at udvikle målemodellerne og gav os mulighed for at validere, om modellerne laver gode fattigdomsestimater.

Vi er sikre på, at vi kan anvende denne teknologi og denne tilgang til at få pålidelige estimater for alle landene i Afrika.

En vigtig forskel i forhold til det tidligere arbejde er, at vi nu bruger fuldstændigt offentligt tilgængelige satellitbilleder, der går tilbage i tiden - og det er gratis, som jeg mener demokratiserer denne teknologi. Og vi gør det på en omfattende, massiv rumlig skala.

Hvordan bruger du satellitbilleder til at få estimater af fattigdom?

Vi bygger videre på den hurtige udvikling inden for datalogi – af deep learning – der er sket i de sidste fem år, og som virkelig har ændret den måde, vi udvinder information fra billeder på. Vi fortæller ikke maskinen, hvad den skal kigge efter på billeder; i stedet, vi fortæller det bare, "Her er et rigt sted. Her er et fattigt sted. Find ud af det."

Computeren udvælger tydeligt byområder, landbrugsområder, veje, vandveje - træk i landskabet, som du måske tror ville have en vis forudsigelseskraft i at kunne adskille rige områder fra fattige områder. Computeren siger, 'Jeg fandt dette mønster', og vi kan derefter tildele det semantisk betydning.

Disse bredere egenskaber, undersøgt på landsbyniveau, viser sig at være stærkt relateret til den gennemsnitlige formue for husholdningerne i den pågældende region.

Hvad er det næste?

Nu hvor vi har disse data, vi vil bruge dem til at forsøge at lære noget om økonomisk udvikling. Dette værktøj gør det muligt for os at besvare spørgsmål, som vi ikke var i stand til at stille for et år siden, fordi vi nu har lokalt niveau målinger af nøgleøkonomiske resultater på bred front, rumlig skala og over tid.

Vi kan vurdere, hvorfor nogle steder klarer sig bedre end andre steder. Vi kan spørge:Hvordan ser vækstmønstrene i levebrød ud? Er det meste af variationen mellem landene eller inden for landene? Hvis der er variation inden for et land, det fortæller os allerede noget vigtigt om vækstens determinanter. Det er nok noget, der foregår lokalt.

Jeg er økonom, så det er den slags spørgsmål, der gør mig begejstret. Den teknologiske udvikling er ikke et mål i sig selv. Det er en muliggører for samfundsvidenskaben, som vi ønsker at gøre.