Сателитни снимки и изкуствен интелект помагат да се справим с бедността

Снимка: НАСА

Първата стъпка към заличаването на бедността е иденфицирирането на регионите, които са най-тежко засегнати от нея, пише Ананя Бхатачрая в анализ за Quarz.

Още по темата:

През 2015 г. целите на ООН за устойчиво развитие поставиха 17 световни мисии. Една от най-амбициозните от тях е заличаването на бедността до 2030 г. Но настоящите икономически измерители са оскъдни, а понякога напълно ненадеждни в бедните държави, които нямат ресурсите да съберат точна информация за състоянието си.

По-голямата част от данните за държавите от Субсахарска Африка не са добре документирани, обработени и достъпни за широката общественост, сочи доклад на Световната банка.

„Как ще разберем дали сме елиминирали бедността, ако не сме събрали нужните данни? Това е като да си поставиш цел за сваляне на килограми, но да нямаш кантар, който да ти покаже дали прогресираш“, казва Маршъл Бърк, професор в Станфорд.

Едното адекватно решение на проблема може да бъде да използваме сателитен изглед над планетата. Поглеждайки надолу от Космоса, местата, които изглеждат най-ярки нощем обикновено са най-развити. В бедните райони нивата на осветеност са значително по-малки.

Световната банка преди е използвала нощните светлини от сателитни снимки, за да измерва регионалното неравенство и неравенството в доходите в Африка. Ползвайки светлината като показател за икономическо благосъстояние, Бърк и екип от учени са разработили алгоритъм, за който твърдят, че е по-добър в прогнозирането на бедност от всички съществуващи методи.

За да създадат модела, изследователите са вкарали три показателя в компютърна програма – нощна осветеност, дневни изображения с висока резолюция и актуални данни за измерване на разходи за потребление и лични активи, като автомобили, телевизори и други притежавани стоки. Те избират пет държави от континента, които имат най-подробни и актуални данни за домакинствата си – Нигерия, Танзания, Уганда, Малави и Руанда.

Процес с две фази, наречен „трансферно учене“ се използва за „обучаване“ на алгоритъма. Първо, данните за нощните светлини и дневните снимки се комбинират. Компютърът започва да картографира неща като пътища, градски райони, водни пътища и земеделски площи. След това, моделът търси корелации.Например в район с къщи и автомобили е по-вероятно да има светлина, отколкото в безплодните региони.

По-късно моделът поема реалните данни от проучвания и ги съотнася с корелациите. Така от районите с повече автомобили се очаква да са регистрирани по-големи домакински разходи. Накрая моделът обединява всички данни и използва картата, за да прави прогнози и да запълва празнини за местата, за които няма подробни данни.

До момента изследователите успешно са оценили потреблението на домакинствата и активите им правилно в повече от половината от случаите. Те казват, че системата им е по-ефективна от използването на сателитни снимки или данни от проучвания поотделно, или всеки друг съществуващ метод.

Другото важно нещо за този инструмент е цената. Реално увеличаването на мащабите му в други държави би излязло почти безплатно. Всички изображения с висока резолюция, използвани в проекта, са безплатни и са част от Google Maps. Програмата е с отворен код, така че всеки може да я свали и модифицира. Тъй като скоро се очаква Европейската космическа агенция също да публикува сателитните си снимки, модифицираните модели могат да правят периодични прогнози за различни региони от света.

В момента според Бърк системата може да направи моментна картина на състоянието на бедност. Но за правенето на прогнози за бъдещето са нужни множество картини, за да се види как нещата се променят с времето. В обозримото бъдеще екипът се надява да направи карти, които може да обновява постоянно.

Новият метод за проследяване на бедността може да замени проучванията на домакинствата от врата на врата, които обикновено са скъпи и изпитват институционални затруднения, тъй като много правителства не виждат полза от документиране на слабото си представяне.

В крайна сметка Бърк и екипа му се надяват, че правителства и организации по света вече няма да залагат на сляпо, когато разработват политиките си срещу бедността.

„Те могат да използват модела като инструмент за оценка на програмите за справяне с бедността. В момента това не се случва, основно заради липса на данни“, казва той.