تشخیص مناطق فقیر با ماهواره ها!

مجله دیجی کالا - زهرا غلامی: طبق گزارش «گروه بانک جهانی» (World Bank Group)، تقریبا ۹۰۰ میلیون نفر در سراسر جهان تنها با کمتر از ۱٫۹ دلار در روز زندگی می‌کنند. علیرغم وجود این مشکل بزرگ در جهان، هیچ داده‌ی ملموسی از مکان دقیق مناطق فقرنشین وجود ندارد.

حالا محققان دانشگاه استنفورد روشی پیدا کرده‌اند که می‌تواند در این زمینه اطلاعاتی فراهم کند. آنها تصویر‌های ثبت شده با ماهواره‌ها را به یک الگوریتم یادگیری ماشینی می‌دهند تا مناطق فقرزده را در قاره آفریقا تشخیص دهد.

برای بسیاری از مناطق فقیرنشین در سراسر جهان، از جمله بخش‌هایی از آفریقا، اطلاعات خیلی کمی درباره فقر وجود دارد. این اطلاعات در سطح محلی هستند و از طریق نظرسنجی جمع‌آوری شده‌اند. این روش بسیار زمان‌بر و هزینه‌بردار است و در نهایت نتیجه آن هم اطلاعات بسیار کم و محدودی است. اما ماهواره‌ها همیشه به طور پیوسته تصاویر باکیفیت و پرجزییاتی از این مناطق می‌گیرند و احتمالا روش بسیار موثرتری برای شناسایی مناطق فقرزده هستند.

البته تصاویر ماهواره‌ها به تنهایی نشان‌دهند‌ی پراکندگی فقر نیستند، محققان راهی پیدا کردند تا بتوانند از این تصاویر برای چنین منظوری استفاده کنند. آنها متوجه شدند که تصاویر روز روشن به تنهایی نمی‌توانند اطلاعات کافی ارایه دهند. این محققان به کمک یک الگوریتم خاص یادگیری ماشینی و عکس‌های ماهواره‌ای در طول روز و شب توانستند به تصویر واضح‌تری برسند.


عکس‌هایی که هنگام شب گرفته‌ شده‌اند بخش مهمی از این معادله هستند چون مناطق درخشان‌تر نشان‌دهنده‌ی رونق اقتصادی بیشتر هستند. سیستم یادگیری ماشینی با کنار هم قرار دادن این اطلاعات و عکس‌های گرفته شده در طول روز توانست ویژگی‌های خاصی مثل جاده‌ها و مناطق شهری را که به توسعه اقتصادی مربوط می‌شود، تشخیص دهد. سپس محققان توانستند از این اطلاعات برای پیش‌بینی دقیق میزان ثروت و دارایی یک منطقه استفاده کنند.

«نیل جان»، نویسنده‌ی اصلی این پژوهش می گوید: «الگوریتم یادگیری ماشینی ما، بدون اینکه به آن بگوییم به دنبال چه چیزی بگردد، یاد گرفت از این تصاویر اطلاعات زیادی را استخراج کند که به راحتی برای انسان قابل تشخیص هستند، اطلاعاتی مربوط به جاده‌ها، مناطق شهری و زمین‌های زراعی.»

محققان از این روش برای آنالیز داده‌های ماهواره‌ای مربوط به اوگاندا، نیجریه، تانزانیا، رواندا و مالاوی استفاده کردند. آنها می‌گویند این سیستم با دقت خوبی پراکندگی فقر را پیش‌بینی کرد و عملکردش از روش‌های دیگر بهتر بود.