Wetenschap
Machine learning kan de inspanningen op het gebied van voedselzekerheid sturen wanneer primaire gegevens niet beschikbaar zijn. Voorspellingen die maximaal ± 5 prevalentiepunten afwijken van de waargenomen waarde worden als correct geclassificeerd. Voorspelde prevalentie>40% (<40%) wanneer de waargenomen prevalentie <40% (>40%) is, wordt geclassificeerd als hoge overschatting (onderschatting). De overige regio's zijn geclassificeerd als lage onder- en overschatting. De ononderbroken zwarte lijn geeft aan waar de punten zouden vallen als alle voorspelde waarden perfect overeenkwamen met de waargenomen waarden, en de grijze onderbroken diagonale lijnen geven een afstand van ± 5 prevalentiepunten aan. De grijze gestippelde horizontale en verticale lijnen geven de 40% prevalentiedrempels aan. Krediet:Natuurvoedsel (2022). DOI:10.1038/s43016-022-00587-8
Onderzoekers van een recent artikel gepubliceerd door Nature Food een methode voorstellen waarvan zij beweren dat deze besluitvormers in staat zal stellen tijdiger en beter geïnformeerde beslissingen te nemen over beleid en programma's die gericht zijn op de bestrijding van honger.
In 2021 waren 193 miljoen mensen in 53 landen acuut voedselonzeker. Dit aantal is de afgelopen jaren gestaag toegenomen, ook als gevolg van de COVID-19-pandemie. Om dit wereldwijde probleem aan te pakken, is het van cruciaal belang om de situatie en de evolutie ervan te volgen.
Overheden en humanitaire organisaties voeren regelmatig voedselzekerheidsbeoordelingen uit door middel van persoonlijke en externe mobiele telefoonenquêtes. Deze benaderingen brengen echter hoge kosten met zich mee, zowel in geld als in personele middelen, en daarom zijn primaire gegevens over de voedselzekerheidssituatie niet altijd beschikbaar voor alle getroffen gebieden. Toch is deze informatie van cruciaal belang voor regeringen en humanitaire organisaties.
Om dit probleem aan te pakken, hebben onderzoekers van het Nature Food paper stelt een machine learning-aanpak voor om het aantal mensen met onvoldoende voedselconsumptie te voorspellen wanneer actuele directe metingen niet beschikbaar zijn. "We stellen ook een methode voor om te identificeren welke variabelen de veranderingen in voorspelde trends aansturen, wat essentieel is om voorspellingen bruikbaar te maken voor besluitvormers", zegt assistent-professor Elisa Omodei (Department of Network and Data Science, CEU, Wenen).
De voorgestelde methode maakt gebruik van een machine learning-algoritme om de huidige voedselonzekerheidssituatie in een bepaald gebied in te schatten op basis van gegevens over de belangrijkste oorzaken van voedselonzekerheid:conflicten, extreme weersomstandigheden en economische schokken. De resultaten laten zien dat de voorgestelde methodologie tot 81% van de variatie in onvoldoende voedselconsumptie kan verklaren.
Onderzoekers beweren dat hun aanpak de deur opent naar voedselzekerheid die nu bijna in realtime op wereldwijde schaal wordt uitgezonden, waardoor besluitvormers tijdiger en beter geïnformeerde beslissingen kunnen nemen over beleid en programma's gericht op de strijd tegen honger, in een poging om SDG te bereiken 2 van de Agenda 2030 voor duurzame ontwikkeling. + Verder verkennen
Wetenschap © https://nl.scienceaq.com