2016年8月22日

斯坦福研究人员结合高分辨率卫星影像和强有力的机器学习算法对尼日利亚、乌干达、坦萨尼亚、卢旺达和马拉维5个非洲国家的贫困程度进行预测。

图片提供：Neal Jean等；

需要更大图片请见：http://www.eurekalert.org/multimedia/pub/122068.php

　　对贫困地区人员扶贫工作的最大挑战之一是对贫困区域进行定位。世界很多地方，尤其是非洲大陆的贫困区精确和可靠的位置信息惊人地缺乏。扶贫小组和其他国际组织经常需要通过挨家挨户的实地调查来填补此项空白，但这种做法执行成本高昂，耗费时间。

　　斯坦福研究人员在本期的《科学》期刊中提出一种确定这些贫困地区（之前缺少有价值调查信息）的精确方法。研究人员利用机器学习手段—从数据学习中进行计算机算法设计的科学—从高分辨率卫星影像中提取贫困信息。在这一案例研究中，研究人员应用早期机器学习方法对5个非洲国家贫困地区进行定位研究。

　　斯坦福地球系统科学系副教授、食品安全与环境中心科研人员、论文联合作者Marshall Burke提出，研究人员在非洲大陆分散村落进行的调查非常有限，除此之外，研究人员几乎没有地方层面的贫困信息。同时，研究人员持续收集这些地区的其他各种数据（如，卫星影像）。

　　研究人员寻找是否可以通过高分辨率卫星影像（一种容易获取数据来源的非传统手段）解决贫困人口生活地区位置判别的方法。困难在于，虽然标准机器学习方法可以与大量数据一起完美工作，但是在这一案例研究情况下，几乎没有获得贫困问题方面的数据来开始机器识别工作。

　　斯坦福大学工程学院计算机科学博士研究生、论文第一作者Neal Jean提出，研究人员很难告诉计算机在世界范围内存在富人区或贫困区的明确位置。这使得从大量的日间卫星影像中提取有用信息变得非常困难。

　　由于越发达地区夜晚灯光一般会更明亮。通过将高分辨率日间影像与夜间影像进行结合的研究方法，研究人员使用“夜光”数据对与经济发展相关的更高分辨率日间影像特征进行识别。

　　Jean指出，在没有被告知要寻找什么事物的情况下，机器学习算法学会从影像中挑出人类易识别的许多事物，如，公路、城市区域和耕地。基于这些日间影像特征，研究人员利用可测量的数据对村级富裕程度进行预测，当作调查获取的数据。

　　研究人员发现该方法在贫困分布预测工作上较之现有方法取得了很好的效果。这些改进的贫困分布地图可以帮助扶贫机构和决策者更高效地进行资金分配，更有效地实施政策和进行政策评估。

　　斯坦福大学计算机学院副教授、斯坦福伍兹环境研究所客座研究员、论文联合作者Stefano Ermon表示，该论文展示了机器学习在贫困地区识别方面的相关能力，由于其具备成本低和可扩展的特性，所以仅基于卫星影像，它就可以通过较低成本的途径对世界贫困地区进行制图。

　　题为《结合卫星影像和机器学习手段进行贫困问题预测》一文的论文联合作者还包括斯坦福计算机科学系Michael Xie，地球科学学院能源与环境科学和食品安全和环境中心David Lobell和W. Matthew Davis。

　　原文题目：Stanford scientists combine satellite data and machine learning to map poverty

　　资料来源：http://news.stanford.edu/2016/08/18/combining-satellite-data-machine-learning-to-map-poverty/

　　（王化编译，殷永元审核）