Maskinlæring kan vejlede indsatsen for fødevaresikkerhed, når primære data ikke er tilgængelige. Forudsigelser, der afviger fra den observerede værdi med maksimalt ± 5 prævalenspunkter, klassificeres som korrekte. Forudsagt prævalens>40 % (<40 %), når den observerede prævalens er <40 % (>40 %), klassificeres som høj overestimering (underestimering). De øvrige regioner er klassificeret som lav under- og overvurdering. Den optrukne sorte linje angiver, hvor punkterne ville falde, hvis alle forudsagte værdier passede perfekt til de observerede, og de grå stiplede diagonale linjer angiver en afstand på ± 5 prævalenspunkter fra den. De grå stiplede vandrette og lodrette linjer angiver tærsklerne for 40 % prævalens. Kredit:Nature Food (2022). DOI:10.1038/s43016-022-00587-8
Forskere i et nyligt papir udgivet af Nature Food foreslå en metode, som de hævder vil give beslutningstagere mulighed for at træffe mere rettidige og informerede beslutninger om politikker og programmer orienteret mod sultbekæmpelse.
I 2021 var 193 millioner mennesker i 53 lande akut fødevareusikre. Dette antal har været støt stigende i løbet af de sidste par år, også som følge af COVID-19-pandemien. For at løse dette globale problem er det vigtigt at overvåge situationen og dens udvikling.
Regeringer og humanitære organisationer udfører regelmæssigt fødevaresikkerhedsvurderinger gennem ansigt-til-ansigt og fjernundersøgelser af mobiltelefoner. Disse tilgange har imidlertid høje omkostninger i både penge og menneskelige ressourcer, og derfor er primære data om fødevaresikkerhedssituationen ikke altid tilgængelige for alle berørte områder. Alligevel er denne information nøglen til regeringer og humanitære organisationer.
For at tackle dette problem har forskere fra Naturfødevarer papiret foreslår en maskinlæringstilgang til at forudsige antallet af mennesker med utilstrækkeligt fødevareforbrug, når opdaterede direkte målinger ikke er tilgængelige. "Vi foreslår også en metode til at identificere, hvilke variabler der driver ændringerne observeret i forudsagte tendenser, hvilket er nøglen til at gøre forudsigelser anvendelige for beslutningstagere," siger adjunkt Elisa Omodei (Department of Network and Data Science, CEU, Wien).
Den foreslåede metode bruger en maskinlæringsalgoritme til at estimere den aktuelle fødevareusikkerhedssituation i et givet område ud fra data om de vigtigste årsager til fødevareusikkerhed:konflikt, ekstreme vejrforhold og økonomiske chok. Resultaterne viser, at den foreslåede metode kan forklare op til 81 % af variationen i utilstrækkeligt fødevareforbrug.
Forskere hævder, at deres tilgang åbner døren til fødevaresikkerhed næsten-realtid nucasting på global skala, hvilket giver beslutningstagere mulighed for at træffe mere rettidige og informerede beslutninger om politikker og programmer orienteret mod bekæmpelse af sult i bestræbelserne på at forsøge at nå SDG 2 i 2030-dagsordenen for bæredygtig udvikling. + Udforsk yderligere