图：仅仅凭借夜间的照明情况来推断经济状况的方法，用在贫困地区的分析上会影响效果。

据外媒报道，科研人员最近找到了一种能够精准预测贫穷现象的新方法。该方法通过对卫星图像的分析以及配合机器学习技术展开。这种成像技术能让救援组织更容易地知道哪里是需要他们提供资助的以及如何提供资助，另外它还能协助政府制定出更好的发展政策。

我们知道，在夜晚的时候，灯亮得更多的地方其富裕、发展程度就越高。于是，科研人员开始利用这种方法分析各个地方的贫穷现象。

不过这种“夜灯”分析法无法给出富裕地区跟贫穷地区的具体差距。为此，来自斯坦福大学的科学家们优化了这套分析方法，他们将夜晚光亮的照片、白天的照片以及实际调查数据一同输入到电脑中，然后通过一套算法预测出富裕地区或贫穷地区。这种方法的相关研究成果已于日前发表在《科学》期刊上。

实际上想要知道发展中地区的贫穷程度非常困难，最好的办法就是观察它们的经济数据，像通过家庭调查收集到的家庭财富与资产。然而据研究报告联合作者Neal Jean披露，由于这样的调查成本太高，所以在平常的研究中，这方面的数据较难获取，所以他们才开发了这样一套算法，希望借此来帮助援助机构解决这方面的问题。

图：机器学习被用于预测尼日利亚，坦桑尼亚，乌干达，马拉维和卢旺达五个国家各地区的支出情况。

科研人员通过一个被称为“转移学习”的两步处理法构建出目标算法。首先，他们向神经网络展示乌干达、坦桑尼亚、尼日利亚、马拉维、卢旺达这5个非洲国家的白天和黑夜卫星图。通过深度学习技术，他们让该网络具备将黑夜卫星图和白天卫星图匹配起来的技能。打个比方，如果某个地方建有大量的房子，那么该地区在夜晚的时候就很有可能会发生更多的光。然后，科研人员使用另外一种模型--岭回归模型为图片提供更多的信息：来自人口健康服务(Demographic Health Services)和世界银行生活水平衡量研究的实际调查数据。

为了让读者更好地理解“转移学习”处理过程，Jean拿了《冰上轻驰》电影打了比方。“影片主要讲述了关于一支想要参加雪橇比赛的牙买加团队，但他们那里没有冰，所以为了备战奥运，他们在一座土山上进行训练。虽然土（和冰）不一样，但他们却从中学习到了能在实际雪橇比赛中使用的技能。”这种方法是预测家庭平均消费和村庄财富最精准的一种。

不过它也有它的局限性。虽然它能分析出城市地区和农村地区的不同，但它在衡量某座城市内的贫穷地区时就显得没多大实用性了。此外，由于目前这套模型针对的仅仅只是非洲的5个国家，所以当它更换分析目标之后其准确率就可能会大大下降。

文章链接：

Neal Jean, et al, "Combining satellite imagery and machine learning to predict poverty,"  Science  19 Aug 2016: Vol. 353, Issue 6301, pp. 790-794, DOI: 10.1126/science.aaf7894

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页