電腦將分析衛(wèi)星圖像中的道路和屋頂，確定當?shù)氐慕洕鸂顩r。

　　研究人員讓計算機學習分析白天、夜間的衛(wèi)星圖像以及實地調查數(shù)據(jù)。

　　通過夜間燈光衛(wèi)星圖，我們很容易判斷某個國家或地區(qū)的財富。不過，夜間燈光衛(wèi)星圖無法告訴我們，哪些區(qū)域的居民處于極端貧困狀態(tài)，而這卻是決策者在實施經濟發(fā)展計劃中最需要的信息。

為了解決這個難題，美國斯坦福大學最近開發(fā)出一種計算機學習算法，讓計算機學習分析白天、夜間的衛(wèi)星圖片以及實地調查數(shù)據(jù)，精確地判斷出某個地區(qū)的家庭消費與資產財富。（靈犀）

據(jù)《科學》期刊報道，在一些數(shù)據(jù)難以收集或不公開的區(qū)域，國際組織將利用一個更高效的系統(tǒng)來判斷這些地區(qū)的貧窮程度。

這個復雜的系統(tǒng)由美國斯坦福大學開發(fā)，研究人員創(chuàng)建了一個機器學習運算系統(tǒng)，讓計算機學習偵查數(shù)百萬幅衛(wèi)星圖像中可識別的貧困跡象（如道路或房屋），從而準確識別出一些非洲國家的經濟狀況?！霸谶^去，我們通過家庭調查來收集貧困信息，如今我們可以用數(shù)據(jù)來指導我們的扶貧行動，”斯坦福大學研究員瑪莎·伯克說，“而且，在往常難以收集數(shù)據(jù)的地區(qū)，這個系統(tǒng)將發(fā)揮大作用?！?/p>

以非洲為例，根據(jù)世界銀行的數(shù)據(jù)，在21世紀第一個十年里，59個非洲國家中只有39個開展過貧困調查，而且均不多于兩次；還有14個國家從未開展過任何調查，這使得外界不可能了解非洲的貧困狀況?！斑@就要求我們發(fā)起‘數(shù)據(jù)革命’，變革收集數(shù)據(jù)的方式。”伯克指出。

計算機自主學習判斷

夜間衛(wèi)星圖片被認為是辨別某地區(qū)是否貧困最好的方法，燈火明亮的地方往往開發(fā)程度較高。世界銀行先前也用“夜間燈光”地圖來測量非洲各地區(qū)的貧富情況。不過，斯坦福大學電氣工程研究員奧尼爾·吉恩指出，夜間衛(wèi)星圖片可能存在欺騙性。“有可能貧窮人口聚集的地方反而燈火通明，而富人會選擇住在人口稀少的區(qū)域”。

因此，吉恩的團隊開發(fā)了一種比現(xiàn)有方法能更準確判斷貧窮與否的機器學習運算。首先，他們將谷歌的白天衛(wèi)星照片、從美國國家海洋和大氣管理局拿到的夜間衛(wèi)星數(shù)據(jù)以及從世界銀行拿到的實地調查數(shù)據(jù)輸入電腦。實地調查數(shù)據(jù)包括家庭消費支出與汽車、電視機等資產財富。

接著，吉恩用“移轉學習法”訓練計算機運算：先分析道路和屋頂?shù)刃畔⒏黠@的白天衛(wèi)星照片，計算機會自動繪制道路、城市、水道、農地分布，根據(jù)這些信息來初步判斷該地區(qū)的經濟情況；接著，計算機將結合夜間衛(wèi)星數(shù)據(jù)，進一步判斷該地區(qū)的貧困程度；緊接著，計算機將消化實地調查數(shù)據(jù)，和之前的調查結果對照核實，比如汽車較多的地方可能就是實地調查中家庭收入更高的地方；最后，計算機將綜合所有資料，配合地圖作出預測，補足數(shù)據(jù)漏洞。

“只要向計算機提供足夠多的數(shù)據(jù)，計算機就會找出我們想要的東西，”吉恩說，“我們擁有海量的衛(wèi)星圖，需要做的就是讓計算機學習從這種非結構化的數(shù)據(jù)中提取有用的信息?！?/p>

有效節(jié)省經費和時間

此前也有科學家通過數(shù)據(jù)分析的方式來判斷某地區(qū)是否貧困。加州大學伯克利分校的數(shù)據(jù)科學家約書亞·布拉門斯托克就曾和世界銀行合作，通過分析盧旺達等國家居民的手機呼叫模式，判斷貧困社區(qū)中多少居民有工作?？偛课挥诩~約的一家非營利機構也通過礦業(yè)衛(wèi)星圖像來決定誰更應該拿到捐款，他們在研究中發(fā)現(xiàn)住在茅草屋頂下的人比住在鐵皮屋頂下的人更窮。

不過，斯坦福團隊的算法更全面。第一，他們使用的都是公開的數(shù)據(jù)，不需要再花費成本收集；第二，他們對一個地區(qū)是否處于貧困的判斷并非單單基于計算機算法從白天的衛(wèi)星照片中辨別出的一兩個貧困元素?！跋鄬τ诎ぜ野舻剡M行田野調查，這個系統(tǒng)將有效地節(jié)省調查時間和經費，”布拉門斯托克說，“而相對于完全依靠夜間衛(wèi)星圖片或手機數(shù)據(jù)的調查方式，吉恩的方法更有利于準確判定哪些地區(qū)處于貧困狀態(tài)?！?/p>

關于需求的準確信息將直接影響國際機構的援助方向，決定在哪些地區(qū)建設道路或醫(yī)院。從更深遠的層面上說，該計算機算法還能幫助國際機構在未來追蹤扶貧舉措是否達到效果。

判斷準確率超過50%

迄今為止，在評估某些地區(qū)的家庭消費與資產財富時，這種計算機算法的準確率已經超過50%。研究人員目前正在分析尼日利亞、坦桑尼亞、烏干達、盧旺達和馬拉維等5個國家的貧困程度，他們希望之后將評估范圍擴大到撒哈拉以南的非洲地區(qū)，甚至所有的欠發(fā)達國家。

不過，這種計算機算法在被使用前還需要進一步提升。接下來，吉恩的團隊將試圖從不同分辨率的照片中提煉更多信息——從低分辨率的圖片中分析出大的結構，從高分辨率的圖片中找出屋頂和道路。

吉恩的團隊還將著眼于某些區(qū)域過去的衛(wèi)星圖像，讓計算機學習預測該區(qū)域未來經濟可能的發(fā)展情況?！叭绻幸惶煳覀兡苡糜嬎銠C算法為這個世界建立一個模型，那就太酷了?！奔髡f。