机器学习可有效锁定贫困地区

美国《国家地理》(National Geographic)杂志发表文章称，机器学习可以帮助有效锁定贫困地区。

斯坦福大学地球、能源与环境科学学院的研究人员在一份新闻声明中表示，研究人员利用机器学习技术从高分辨率卫星影像中提取信息，正确地确定了五个非洲国家的贫困地区。该声明表示：“向生活在贫困中的人们提供救助的最大挑战之一是找到他们。对世界上的大部分地区来说，关于其贫困区域位置的准确、可靠的信息是非常不可靠的，特别是在非洲大陆上。救援组织和其他国际组织经常通过上门调查的方式来核准信息，但这可能是非常昂贵和费时的方式。”在近期的《科学》(Science)杂志上，斯坦福的研究人员提出了一种准确的方法来确定在那些以前没有进行过有效调查的地区的贫困信息。

斯坦福大学地球系统科学助理教授、斯坦福食品与环境安全中心研究员、该项研究的合作者Marshall Burke说：“我们在整个非洲大陆一些分散的村庄做了有限数量的调查，但我们拥有的地方层面的贫困信息很少。与此同时，我们连续地收集了这些区域的各种其他数据，如卫星图像等。”

根据斯坦福大学的消息，研究人员试图了解高分辨率的卫星图像——一个非常规的、但随时可用的数据源——是否能够帮助估计贫困人口的生活区域。“困难在于，标准的机器学习方法在可以访问大量数据的情况下获得最好的表现，但在这个问题上，却几乎没有关于贫困的数据可以利用。”

文章的第一作者、斯坦福大学工程学院计算机科学专业的博士生Neal Jean说：“在世界上只有很少的地方，我们可以肯定地告诉计算机生活在那里的人是富人还是穷人。这导致很难从可用的大量日间卫星图像中提取到有用的信息。”由于晚上更明亮的区域通常是更发达的区域，该解决方案将高分辨率日间图像与夜间地球图像结合起来。研究人员利用“夜光(nightlight)”数据来识别高分辨率日间图像中与经济发展相关的特征。Neal Jean说：“在没有被告知搜索目标的情况下，我们的机器学习算法将从图像中提取出许多容易被人类识别的东西，如道路、城市和农田等。”然后研究人员利用这些特征从日间图像预测村级财富状况，正如已有调查数据中的调查情况。

他们发现，这种方法对贫困情况分布的预测效果出奇的好，大大优于现有的方法。这些改进的贫困地图可以帮助援助组织和政策制定者更有效地分配资金，并更有效地制定和评估政策。