跳到内容 跳到导航

Research & Ideas

站内搜索

可以学习机放贫困地区在地图上回来?

通过卫星图像挑剔的模式,研究人员希望能够帮助国家领导人和国际机构帮助贫困地区。

Satellite image of Africa 和 Europe at night

卫星图像的光之间读数。 |美国宇航局戈达德太空飞行中心提供图片

卫星图片揭示的CQ9电子游戏迎面而来的飓风,军事调兵,并转移到极地冰盖大量信息。

这要部分归功于CQ9电子游戏的计算机科学家的工作 斯特凡诺ermon,他们还可以帮助我们了解并最终帮助世界各地的贫困社区。他最近开始一项为期两年的研究,建立在其他的团队在从卫星影像社区一级建立机器学习模型准确地推断贫困和丰富的研究。模型中使用的东西像夜间光照强度,在白天以及可见的特征,如道路,高楼,甚至游泳池,准确预测的家园是否用上了电,自来水和卫生设施。该计划还预测,在收获时农作物产量,并可能帮助确定今年到一年的变化,让农民认识和适应气候变化。

ermon的做法开始通过分析其中有坚实的实地调查资料镇的图像。该程序然后教导本身找到视觉图案,从颜色强度到边缘,即与财富或获得自来水相关。随着时间的推移,该方案获得在那些没有调查数据领域取得社会和经济状况的预测更好。

它往往很难解释为什么系统“看到”它做什么,因为它看起来的模式,而不是景观的特定功能。该计划是从来没有教识别游泳池,例如,但它仍然教本身游泳池被捆绑到财富并把它们纳入其映射贫困模型。

“机器学习的美妙之处,我们不知道到底该计划将寻找什么,但它在某种程度上计算出正确的事情,” ermon说。

“无论它的型号是捡了相关因素非常好,在地面上,我们有调查数据的真实性。”

ermon说,这项工作已经涉及,CQ9电子游戏的学生和研究人员,地球科学家之间的跨学科的努力 戴维·罗贝尔 和 马歇尔·伯克,政治学家 杰里米·温斯坦 和经济学家 帕斯卡利娜dupas.

在时间ermon希望学习机可以使用卫星图像和实地数据几乎从字面上把世界上最贫穷的社区在地图上回来。这很重要,因为有许多偏远社区没有准确的或目前的经济数据。一些国家政府甚至不希望提供它。这使得它很难知道哪些地方需要帮助,甚至哪些程序是有效的。工作的例子包括:

贫穷和经济增长

夜间光照强度的卫星图像提供的贫困和财富的粗略指标,但它们可能会产生误导。是暗区密集,但贫困村或一个庞大的房地产由一个富有的家庭拥有的?以获得更准确的测量,ermon和他的同事利用机器学习的线索从夜间光照强度与白天的图像数据相结合。它开始通过分析对此有很好的调查数据和识别视觉线索与财富相关区域的图像。总体而言,该系统映射财富变化下到村一级。这也使研究人员能够分析哪些地区出现上升或下降的财富。在肯尼亚,例如,它表明财富内罗毕周边的省会城市高度集中,但它已大幅南部地区坦桑尼亚边界附近增加。

访问关键基础设施

干净的水和卫生设施是改善健康,预防疾病和降低儿童死亡率的关键。对于许多贫困地区,然而,在实地了解供水和污水处理基础设施的数据往往是有限的或过时的。管道是很难通过卫星看到的,尤其是当它涉及到连接到个人家庭管道。但通过将来自数据丰富社区信息到它的模式,使计算机能够“学习”CQ9电子游戏学习来推断以惊人的准确性管道存在的世界,ermon的其他部分和他的同事们用机 - 中的情况下,86%污水线和水管74%。

机器学习系统还改进了估计用上电电流的方法。即使夜间灯光强度直接关系到电力,它并没有提供太多的细微差别。光可能表明电力为商业区域,例如,而不是按户。通过更多的线索拼凑什么特定的语言环境看起来白天卫星图像一样,新系统产生的生活在地面上更细致入微的看法。

食品安全

多少食物可以在现场产生?可可用农业用地产生足够支持当地居民? ermon的机器学习系统训练的自身基础上的卫星图像显示的字段的颜色强度来预测农业生产力。例如,它可以通过在生长季节分析颜色强度,水含量和温度预测在收获时作物产量。而这仅仅是开始。随着时间的推移,他说,这应该是可能的作物疾病和气候变化可能影响农业的映射。这将允许农民积极主动地转移到农作物更好地适应新的环境。

这项工作是由CQ9电子游戏的支持 王中心 在全球发展。