Bij de bestrijding van armoede, zoals elk gevecht, het is goed om de locaties van uw doelen te kennen.

Dat is waarom Stanford-geleerden Marshall Burke, David Lobell en Stefano Ermon hebben de afgelopen vijf jaar een team van onderzoekers geleid op een efficiënte manier om verarmde zones in heel Afrika te vinden en op te sporen.

De krachtige tool die ze hebben ontwikkeld combineert gratis, openbaar toegankelijke satellietbeelden met kunstmatige intelligentie om het armoedeniveau in Afrikaanse dorpen en veranderingen in hun ontwikkeling in de loop van de tijd in te schatten. Door eerdere en huidige gegevens te analyseren, het meetinstrument kan nuttige informatie bieden aan organisaties, overheidsinstanties en bedrijven die diensten en benodigdheden leveren aan de armen.

Details van hun onderneming werden onthuld in het nummer van 22 mei van Natuurcommunicatie .

"Onze grote motivatie is om beter instrumenten en technologieën te ontwikkelen waarmee we vooruitgang kunnen boeken op echt belangrijke economische kwesties. En vooruitgang wordt beperkt door een gebrek aan mogelijkheden om resultaten te meten, " zei Burke, een faculteitsgenoot aan het Stanford Institute for Economic Policy Research (SIEPR) en een assistent-professor aardsysteemwetenschap in de School of Earth, Energie- en milieuwetenschappen (Stanford Earth). "Hier is een hulpmiddel waarvan we denken dat het kan helpen."

Lobel, een senior fellow bij SIEPR en een professor in Aardsysteemwetenschap aan Stanford Earth, zegt dat terugkijken van cruciaal belang is om trends en factoren te identificeren die mensen helpen om aan armoede te ontsnappen.

"Verbazingwekkend, er is niet echt een goede manier geweest om te begrijpen hoe armoede op lokaal niveau in Afrika verandert, " zei Lobel, die ook de directeur is van het Center on Food Security and the Environment en de William Wrigley Fellow aan het Stanford Woods Institute for the Environment. "De tellingen zijn niet frequent genoeg, en huis-aan-huis-enquêtes komen zelden bij dezelfde mensen terug. Als satellieten ons kunnen helpen een geschiedenis van armoede te reconstrueren, het zou veel ruimte kunnen scheppen om de armoede op het continent beter te begrijpen en te verlichten."

Het meetinstrument maakt gebruik van satellietbeelden van zowel de nacht als de dag. 's Nachts, lichten zijn een indicator van ontwikkeling, en overdag, afbeeldingen van menselijke infrastructuur zoals wegen, landbouw, dakbedekking materialen, woningbouw en waterwegen, kenmerken die verband houden met ontwikkeling.

Vervolgens past de tool de technologie van deep learning toe - computeralgoritmen die zichzelf voortdurend trainen om patronen te detecteren - om een ​​model te creëren dat de beeldgegevens analyseert en een index vormt voor activarijkdom, een economische component die vaak door landmeters wordt gebruikt om het vermogen van huishoudens in ontwikkelingslanden te meten.

De onderzoekers testten de nauwkeurigheid van het meetinstrument voor ongeveer 20, 000 Afrikaanse dorpen met bestaande vermogensgegevens uit enquêtes, daterend uit 2009. Ze ontdekten dat het goed presteerde bij het meten van de armoedeniveaus van dorpen over verschillende perioden, volgens hun studie.

Hier, Burke, die ook een center fellow is bij het Stanford Woods Institute for the Environment en het Freeman Spogli Institute for International Studies, bespreekt het maken van de tool en zijn potentieel om het welzijn van de armen in de wereld te helpen verbeteren.

Waarom ben je enthousiast over deze nieuwe technologische hulpbron?

Voor de eerste keer, deze tool laat zien dat we economische vooruitgang kunnen meten en armoede-interventies kunnen begrijpen, zowel op lokaal niveau als op brede schaal. Het werkt in heel Afrika, over veel verschillende jaren. Het werkt verdomd goed, en het werkt in veel zeer verschillende soorten landen.

Kunt u voorbeelden geven van hoe deze nieuwe tool zou worden gebruikt?

Als we de effectiviteit van een armoedebestrijdingsprogramma willen begrijpen, of als een NGO een specifiek product wil richten op specifieke soorten individuen, of als een bedrijf wil weten waar een markt groeit - voor al deze gegevens zijn gegevens over economische resultaten nodig. In veel delen van de wereld, we hebben die gegevens gewoon niet. Nu gebruiken we gegevens uit Afrika bezuiden de Sahara en trainen we deze modellen om alle gegevens op te nemen om te meten voor specifieke resultaten.

Hoe bouwt deze nieuwe studie voort op uw eerdere werk?

Ons eerste werk om armoede in kaart te brengen, gepubliceerd in 2016, was op vijf landen die gegevens van één jaar gebruikten. Het berustte op kostbare, hoge resolutie beelden op een veel kleinere, piloot schaal. Nu bestrijkt dit werk ongeveer twee dozijn landen - ongeveer de helft van de landen in Afrika - met nog veel meer jaren aan hoog-dimensionale gegevens. Dit leverde onderliggende trainingsdatasets op om de meetmodellen te ontwikkelen en stelde ons in staat te valideren of de modellen goede armoedeschattingen maken.

We zijn ervan overtuigd dat we deze technologie en deze aanpak kunnen toepassen om betrouwbare schattingen te krijgen voor alle landen in Afrika.

Een belangrijk verschil met het eerdere werk is dat we nu volledig openbaar beschikbare satellietbeelden gebruiken die teruggaan in de tijd - en het is gratis, die volgens mij deze technologie democratiseert. En we doen het op een uitgebreide, enorme ruimtelijke schaal.

Hoe gebruik je satellietbeelden om armoedeschattingen te krijgen?

We bouwen voort op snelle ontwikkelingen op het gebied van computerwetenschap - van diep leren - die de afgelopen vijf jaar hebben plaatsgevonden en die de manier waarop we informatie uit afbeeldingen halen echt hebben veranderd. We vertellen de machine niet waar ze naar moeten zoeken in afbeeldingen; in plaats daarvan, we vertellen het gewoon, "Hier is een rijke plaats. Hier is een arme plaats. Zoek het uit."

De computer pikt duidelijk stedelijke gebieden uit, landbouwgebieden, wegen, waterwegen - kenmerken in het landschap waarvan je zou denken dat ze een voorspellende kracht zouden hebben om rijke gebieden van arme gebieden te kunnen scheiden. De computer zegt, 'Ik heb dit patroon gevonden' en we kunnen er dan een semantische betekenis aan toekennen.

Deze bredere kenmerken, op dorpsniveau onderzocht, blijken sterk gerelateerd te zijn aan het gemiddelde vermogen van de huishoudens in die regio.

Wat is het volgende?

Nu we deze gegevens hebben, we willen ze gebruiken om iets te leren over economische ontwikkeling. Met deze tool kunnen we vragen beantwoorden die we een jaar geleden niet konden stellen, omdat we nu metingen op lokaal niveau hebben van de belangrijkste economische resultaten in het algemeen, ruimtelijke schaal en in de tijd.

We kunnen evalueren waarom sommige plaatsen het beter doen dan andere. We kunnen ons afvragen:hoe zien groeipatronen in levensonderhoud eruit? Is het grootste deel van de variatie tussen landen of binnen landen? Als er variatie is binnen een land, dat zegt ons al iets belangrijks over de determinanten van groei. Waarschijnlijk is er iets lokaal aan de hand.

ik ben een econoom, dus dat zijn het soort vragen waar ik opgewonden van word. De technologische ontwikkeling is geen doel op zich. Het is een enabler voor de sociale wetenschappen die we willen doen.