Prevedere la povertà con le immagini satellitari (VIDEO)

Gli scienziati di Stanford combinano i dati satellitari e machine learning per mappare la povertà

[19 Agosto 2016]

Una delle più grandi sfide per portare aiuto a chi vive in condizioni di povertà è localizzarle. «La disponibilità di informazioni accurate e affidabili sulla posizione delle zone impoverite – dicono gli scienziati della Stanford University –  è sorprendentemente assente in gran parte del mondo, in particolare nel continente africano. gruppi di aiuto e di altre organizzazioni internazionali, spesso colmare le lacune con indagini porta a porta, ma queste possono essere costose e che richiede tempo per poterle condurre».

Per questo i ricercatori di Stanford hanno pubblicato su Science lo studio “Combining satellite imagery and machine learning to predict poverty”  nel quale propongono un metodo preciso per identificare la povertà in aree precedentemente prive di informazioni. I ricercatori hanno utilizzato il machine learning, l’apprendimento automatico attraverso algoritmi informatici, per raccogliere informazioni sulla povertà da immagini satellitari ad alta risoluzione.  Gli scienziati di Stanford si sono basati su precedenti metodi di machine learning per trovare aree impoverite in cinque paesi africani: Nigeria, Tanzania, Uganda, Malawi e  Rwanda

Uno degli autori dello studio, Marshall Burke, che insegna Earth system science alla Stanford ed è ricercatore presso il Center on food security and the environment, spiega: «Sulla povertà abbiamo un numero limitato di indagini condotte in villaggi sparsi in tutto il continente africano, ma per il resto abbiamo pochissime informazioni a livello locale. Allo stesso tempo, raccogliamo costantemente ogni sorta di altri dati – come immagini satellitari – in queste aree».

Partendo da qui, i ricercatori hanno cercato di capire se le immagini satellitari ad alta risoluzione – una fonte di dati non convenzionale ma subito disponibile – potrebbe consentire di realizzare delle stime sulla gente che vive in povertà. «La difficoltà era che, mentre gli approcci di apprendimento automatico in serie funzionano meglio quando possono accedere a grandi quantità di dati, in questo caso c’erano pochi dati sulla povertà per iniziare», sottolineano gli scienziati.

Il principale autore dello studio, Neal Jean, che fa un dottorato in informatica alla facoltà di Ingegneria della Stanford, evidenzia che «Ci sono pochi luoghi al mondo in cui siamo in grado di dire al computer con certezza se le persone che vi abitano sono ricche o povere. Questo rende difficile estrarre informazioni utili dall’enorme quantità di immagini satellitari diurne che sono disponibili». Per questo gli scienziati hanno pensato a un’altra possibilità: dato che le aree che sono più luminose  di notte di solito sono più sviluppate, hanno messo insieme le immagini ad alta risoluzione diurne con le immagini della Terra di notte e hanno utilizzato i dati “Nightlight” per identificare le caratteristiche nell’immagini diurne a più alta risoluzione che sono correlate allo sviluppo economico.

Jean spiega ancora: «Senza che venga detto cosa cercare, il nostro algoritmo di apprendimento automatico ha imparato a scegliere dalle immagini molte cose che sono facilmente riconoscibili dagli uomini:  cose come strade, aree urbane e terreni agricoli». I ricercatori hanno poi utilizzato queste caratteristiche dalle immagini diurne per prevedere la ricchezza a livello di villaggio, così come misurata nei dati delle inchieste disponibili.

Hanno così coperto che questo metodo funziona sorprendentemente bene nel prevedere la diffusione della povertà, meglio degli approcci esistenti, e dicono che «Queste mappe della povertà migliorate potrebbero aiutare le organizzazioni umanitarie e i politici distribuire i fondi in modo più efficiente e mettere in atto e valutare le politiche in modo più efficace».

Stefano Ermon , che insegna informatica e un collega per gentile concessione collabora con Stanford Woods institute for the environment  è convinto che «In questo contesto, il nostro studio dimostra la potenza del machine learning e, dal momento che è economico e scalabile – richiede solo immagini satellitari – potrebbe essere utilizzato per mappare la povertà in tutto il mondo in un modo a un costo molto basso»