La información precisa y fiable sobre la ubicación de las zonas empobrecidas es muy escasa en gran parte del mundo. La aplicación de aprendizaje automático de las imágenes de satélite podría identificar regiones empobrecidas en África.

Uno de los mayores retos en la prestación de socorro a las personas que viven en la pobreza es la localización de los mismos. La disponibilidad de información precisa y fiable sobre la ubicación de las zonas empobrecidas es sorprendentemente escasa en los países del tercer mundo, en particular en el continente africano. Las ONGs suelen llenar los vacíos de información con las encuestas de puerta a puerta, pero éstas pueden ser costosas y consumen mucho tiempo.

Losinvestigadores de Stanford proponen una forma precisa para identificar la pobreza en áreas sin información por encuesta . Los investigadores utilizaron la “máquina de aprendizaje” – algoritmos informáticos que aprender de los datos – para extraer información acerca de la pobreza a partir de  imágenes de satélite de alta esolución. En este caso, los investigadores construyeron en los métodos de aprendizaje automático para encontrar áreas empobrecidas a través de cinco países africanos.

“Tenemos un número limitado de encuestas realizadas en aldeas dispersas en todo el continente africano, pero por lo demás tenemos muy poca información a nivel local sobre la pobreza”, dijo el coautor del estudio Marshall Burke , profesor asistente de ciencias del sistema terrestre en Stanford y una investigador del Centro para la Seguridad Alimentaria y Medio Ambiente . “Al mismo tiempo, recogemos todo tipo de datos en estas áreas – como las imágenes de satélite – constantemente.”

Los investigadores trataron de entender si las imágenes de satélite de alta resolución – una fuente de datos no convencional, pero fácilmente disponible – podría informar a las estimaciones de donde viven las personas empobrecidas. La dificultad era que, si bien los enfoques de aprendizaje de máquina estándar funcionan mejor cuando pueden acceder a grandes cantidades de datos, en este caso hubo pocos datos sobre la pobreza para empezar.

“Hay pocos lugares en el mundo donde podemos indicar al ordenador con certeza si las personas que viven allí son ricos o pobres”, dijo el autor principal del estudio Neal Jean, un estudiante de doctorado en ciencias de la computación de la Facultad de Ingeniería de la Universidad de Stanford. “Esto hace que sea difícil extraer información útil a partir de la enorme cantidad de imágenes de satélite durante el día que está disponible.”

Debido a que las zonas que son más brillantes en la noche por lo general son más desarrolladas, la solución implicó la combinación de las imágenes durante el día de alta resolución con imágenes de la Tierra en la noche. Los investigadores utilizaron los datos de “luz nocturna” para identificar las características de las imágenes durante el día de mayor resolución que se correlacionan con el desarrollo económico.

“Nuestro algoritmo de aprendizaje automático aprendió a seleccionar las imágenes de muchas cosas que son fácilmente reconocibles para los seres humanos – cosas como carreteras, áreas urbanas y tierras de cultivo,” dijo Jean. Luego, los investigadores utilizaron estas características de las imágenes durante el día para predecir la riqueza de las aldeas, como se mide en los datos del estudio disponibles.

Ellos encontraron que este método ha hecho un trabajo sorprendentemente bueno para predecir la distribución de la pobreza, superando los enfoques existentes. Estos mapas mejorados de pobreza podrían ayudar a las organizaciones de ayuda y los políticos distribuir los fondos de manera más eficiente y poner en práctica y evaluar las políticas de manera más eficaz.

“Nuestro trabajo demuestra el poder de la máquina de aprendizaje en este contexto”, dijo el coautor del estudio Stefano Ermon , profesor asistente de ciencias de la computación y un compañero de cortesía al Stanford Woods Institute para el medio ambiente . “Y ya que es barato y escalable – que requiere sólo las imágenes de satélite – que podría ser utilizado para mapear la pobreza en todo el mundo de una manera muy bajo costo.”

Los co-autores del estudio, titulado “La combinación de imágenes de satélite y la máquina de aprendizaje para predecir la pobreza”, incluyen a Michael Xie, del Departamento de Ciencias de la Computación y David Lobell y W. Matthew Davis de Stanford de la Facultad de Ciencias de la Tierra, Energía y Medio Ambiente y el Centro de Stanford sobre la Seguridad Alimentaria y Medio Ambiente. Para obtener más información, visite el sitio web del grupo de investigación en sustain.stanford.edu.

Fuente: http://sustain.stanford.edu

Tsygal_cartografia