Бедность – одна из главных мировых проблем на нашей планете, которая оказывает разрушительное воздействие на страны третьего мира. В этой статье мы поговорим о новом способе прогнозирования бедности. Теперь мы можем использовать комбинацию спутниковых снимков и машинного обучения, отображаемую новым Статья опубликована в журнале Science. Этот метод особенно полезен для прогнозирования бедности в отдаленных регионах, для которых мало или вообще нет данных.
Давно установлено, что ночное освещение в регионе примерно указывает на его богатство и хорошую инфраструктуру. Тем не менее, этот метод является грубым и неэффективным для областей без власти вообще. Этот новый метод, разработанный Джин и его коллегами, включает использование ночных изображений, дневных изображений и доступных данных опроса, чтобы научить операционную систему приблизительным расчетам богатства или бедности конкретной области.
Кредиты: Крейг Мэйхью и Роберт Симмон, НАСА GSFC.Это было сделано с использованием алгоритма, который включает в себя два этапа. Во-первых, они передавали дневные и ночные спутниковые снимки пяти стран: Танзании, Нигерии, Руанды, Уганды и Малави через нейронную сеть, чтобы определить города и населенные пункты, где они ожидали ночного освещения, например, система предсказывает, что присутствие Дома в регионе означают светиться ночью.
Второй шаг алгоритма заключался в вводе данных для экономического обследования регионов. Хотя данные для большинства областей были неполными, они по-прежнему давали системе некоторую детализацию и контекст для работы. Теперь, когда компьютер уже может распознать город или город, данные экономического опроса подскажут вам средний доход домохозяйства для этого района. Таким образом, компьютер может распознать подобный район или близлежащий город без доступных данных и оценить средний доход домохозяйства для нового района. Посмотрите видео метода ниже:
В документе говорится, что этот двухэтапный процесс предлагает более точный прогноз богатства или бедности, чем одностадийный процесс ночной съемки на 81 – 99% Погода.
Несмотря на всю полезность, у этой модели прогнозирования есть определенные ограничения. Хотя это полезно для оценки разницы в доходах между отдаленными городами и городскими городами, оно не столь эффективно для выявления небольших различий в разных районах в пределах густонаселенных городских городов.
В настоящее время эта модель тестируется только в 5 африканских странах, упомянутых выше, но систему сначала научат наблюдать и анализировать остальной мир, такой как Индия и Китай, и с большей легкостью и точностью наносить на карту районы, затронутые бедностью. ,
