الگوریتم یادگیری ماشین با استفاده از تصویربرداری ماهواره‌ای برای نقشه‌برداری بهتر از نواحی فقیر جهان

بر اساس گزارش گروه بانک جهانی، تقریبا 900 میلیون نفر در سراسر جهان با درآمد روزانه کمتر از 1.90 دلار زندگی می کنند. با وجود چنین مشکل جهانی بزرگی، درواقع عملیات زیادی در مورد مکان دقیق نواحی فقیر جهان صورت نگرفته است. پژوهشگران دانشگاه استندفورد روشی را توسعه داده اند که می تواند برخی شکاف ها را پر کرده، از تصویربرداری ماهواره ای برای تامین داده های یک الگوریتم یادگیری ماشین برای شناسایی نواحی فقیر قاره افریقا استفاده نمایند. با بهترین ها در زمین همراه باشید.

برای نواحی فقیر دنیا مانند بخش هایی از افریقا، اطلاعات بسیار محدود و محلی وجود دارند که از طریق ارزیابی های زمینی جمع آوری شدند. درحالیکه این روش زمان بر و گران بوده و منجر به داده های محدودی می شود، تصویربرداری ماهواره ای از چنین مناطقی شیوه ای کارآمدتر است.

درحالیکه تصویربرداری ماهواره ای در شکل خام خود نمی تواند میزان توزیع فقر را مشخص کند، پژوهشگران به شیوه ای برای استفاده از این اطلاعات دست یافتند. آنها به این نتیجه رسیده که تصویربرداری از روز به تنهایی موجب تامین اطلاعات مفید نمی شود، اما با استفاده از یک الگوریتم یادگیری ماشین طراحی خاص و ترکیبی از تصاویر روز و شب می تواند برای ارائه ی تصویری واضح تر بکار رود.

تصویربرداری شب بخش عظیمی از معادلات را تشکیل می دهد، زیرا نواحی روشن تر همواره نواحی متمدن تر را نشان می دهند. با ترکیب این اطلاعات با تصاویر گرفته شده در طول روز، سیستم یادگیری ماشین قادر به تعیین ویژگی های کلیدی مرتبط با توسعه ی اقتصادی مانند جاده ها و نواحی شهری است. سپس پژوهشگران می توانند از این اطلاعات برای پیشبینی دقیق رفاه منطقه استفاده کنند.

پژوهشگر ارشد این پروژه، نیل جین، می گوید: "الگوریتم یادگیری ماشین ما بدون راهنمایی خاصی قادر به جمع آوری تصویرات از بسیاری از موارد قابل شناسایی برای انسان ها است، مواردی مانند جاده ها، نواحی شهری و مزارع."

پژوهشگران از این روش برای تحلیل داده های ماهواره ای پوشش دهنده ی اوگاندا، نیجریه، تانزانیا، روآندا و مالاوی استفاده کرده و نتایج خوبی را گزارش نموده اند.

این گروه نتایج تحقیقات خود را به صورت آنلاین در ژورنال Science منتشر نمودند.