組織經常進行挨家挨戶的調查，以確定生活的人貧困，但不利的一面是這些調查通常很耗時且昂貴。
確實，對於研究人員來說，找到貧困的環境仍然是一個具有挑戰性的過程，並且仍然缺乏準確信息的可用性。
現在，在一項新的研究中，斯坦福大學的科學家提出了一種更可靠的方法，可以通過結合衛星圖像並利用機器學習來繪製以前無數據的貧困。
新方法
在斯坦福計算機科學博士生尼爾·吉恩（Neal Jean）的帶領下，研究人員試圖確定高衛星圖像和機器學習的組合（設計算法的科學（從數據中學習的算法）是否可以預測貧困人口居住的領域的估計。
具體來說，他們從這些衛星圖像中提取了有關貧困的信息，並建立在以前的機器學習算法上，以檢測非洲五個國家的貧困地區。
具有挑戰性的是，儘管標準機器學習可以訪問大量數據時可以正常工作，但在這種情況下，關於貧困的數據很少。
讓說，世界上有幾個地方可以說明人們是貧窮還是富人，這使得很難從可用的白天衛星圖像中提取信息。
夜燈數據
研究人員說，衛星圖像中顯示的區域在晚上更明亮。
然後，該解決方案產生了另一種組合：將高質量的白天衛星圖像和夜間地球圖像放在一起。這些稱為“夜燈”數據。
Jean及其同事使用夜燈數據來檢測與經濟發展有關的高分辨率圖像中的特徵。
讓說，如果沒有被告知要尋找的東西，那台機器學會了從圖像中挑選出人類可以識別的許多東西，包括城市地區，農田和道路。然後，這些功能被用來預測鄉村級別的財富，如可用的調查數據中所述。
最後，斯坦福大學的科學家發現，這種方法在預測貧困分佈方面足夠有效，甚至超過了現有方法。
改善的貧困圖可以幫助決策者和組織更有效地分配援助和資金，並更有效地評估和製定政策。
“我們的論文在這種情況下展示了機器學習的力量，”說Stefano Ermont，該研究的合著者，計算機科學助理教授。
Ermont說，由於新方法便宜且可擴展，因此可以以低成本的方式應用於全世界的貧困。
新報告的詳細信息是出版在日記中科學。
觀看下面的視頻。
