用机器学习加卫星，斯坦福大学从太空中就能识别贫困地区

消除贫困的一个重要前提是识别贫困。但在经济落后国家和地区，政府很难承担高昂的经济情况调研费用，其中某些地区甚至仍处于政治动荡之中，有关贫困的数据高度缺失。这给一些国际援助组织及有心帮助民众脱困的政府带来了不小障碍。

不过，这样的状况目前有机会得到改观。来自斯坦福大学计算机研究中心的科学家们近日找到了一种精准识别贫穷区域的新方法（发表于8月18日的《科学》杂志），利用机器学习结合卫星图片的方式，成功标识了非洲五个国家的经济状况。

就衡量一个地区的经济活动水平而言，对夜间灯光密集程度的考察并不是一个时髦的指标。但对于赤贫地区来说，很难直接从夜间照明情况下手来做判断。因为从卫星图片上来看，在非洲的绝大多数极端贫困区域，夜晚都是如出一辙的一片漆黑。

而斯坦福这项研究的新颖之处在于：采用了一种被称为“迁移学习”的机器学习技术，分两步标识贫困情况。首先，通过机器深度学习高分辨率的白天卫星图像中大约4096个与经济有关的指标，包括道路、市区和水道等，建立模型，对这些区域晚间的照明情况进行预测。然后，再结合人口卫生组织以及世界银行已有的一些研究，对模型进行一定的修正，完成对贫困情况的标识。

在论文中，科学家们利用上述模型对尼日利亚，坦桑尼亚，乌干达，马拉维和卢旺达这五个国家的消费和资产水平进行了标识，标识结果相较于对比试验来说更加准确有效。

相较于传统的挨门挨户的调查方式，机器学习结合卫星图像的方法大大降低了调查成本，再加之数据获取渠道几乎都来自于公开信息，让这种方法更易于推广和复制。

当然，斯坦福的这项研究也并非是完美无缺的。至少，当调查的坐标区域具体缩小到某一座城市，面对同一座城市中不同地方贫困水平的差异，这种模型就很难再发挥有效的作用。此外，也有经济学家指出这篇论文中所采用的图片信息不是最新的，需要通过使用NASA更新的卫星图片来获得更加准确的数据。

对这项新方法来说，当前最需要做的就是尽可能将其应用更多的区域中，以形成更完整精确的贫困地图。