Los investigadores de inteligencia artificial y los científicos de datos de Facebook han creado mapas de densidad de población. Lo que es tan especial es que son más precisos y con mayor resolución que cualquiera de sus predecesores. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov y Jason Sundram acudieron al blog de Facebook el martes para escribir sobre su trabajo.

Estos mapas están diseñados para un propósito importante:el mapeo de la ayuda humanitaria y el desarrollo. Piense en los trabajadores humanitarios en el control de enfermedades y la preparación para desastres.

"Sobre la base de nuestra publicación anterior de mapas de población de alta resolución similares para 22 países, ahora lanzamos nuevos mapas de la mayor parte del continente africano, y el proyecto eventualmente mapeará casi toda la población mundial ".

Ben Paynter en Empresa rápida expuso los tremendos desafíos que enfrentan los trabajadores para brindar ayuda a las personas que la necesitan y cómo los mapas pueden ayudar.

"Vacunas, insecticidas que combaten enfermedades, y los nuevos avances en la tecnología solar pueden ayudar a las personas en los países en desarrollo a mantenerse más saludables y tener una vida de mejor calidad. Es decir, si puede localizarlos. En muchos lugares, las comunidades más pequeñas se extienden por un terreno vasto y relativamente inexplorado ".

Esto fue desarrollado por el equipo World.AI de la compañía con sede en Boston. El equipo de Facebook tenía alguna evidencia de que sus mapas podrían lograr su propósito. Dijeron que en Malawi, Los mapas de Facebook se utilizaron para informar una campaña contra el sarampión y la rubéola. La Cruz Roja pudo desplegar voluntarios locales capacitados en áreas específicas necesitadas.

La tecnología que cumple su objetivo es una combinación de técnicas de aprendizaje automático, imágenes de satélite de alta resolución, y datos de población. (Escribieron que los mapas satelitales de este proyecto "se generaron utilizando imágenes satelitales disponibles comercialmente de DigitalGlobe, el mismo tipo de imágenes disponibles a través de servicios cartográficos de acceso público").

Su método implicó mapear "cientos de millones de estructuras" que se distribuyen en vastas áreas. Lo utilizaron para extrapolar la densidad de población local.

Otra publicación de blog de Facebook describió con más detalle el proceso. "Solo para África, por ejemplo, el sistema examinó 11.5 mil millones de imágenes individuales para determinar si contenían una estructura. Su enfoque encontró aproximadamente 110 millones de ubicaciones de estructuras en solo unos días ".

Para explicar cómo se desató la IA, una publicación de Karen Hao en "The Download" de Revisión de tecnología del MIT guió a los lectores.

"Primero, Un equipo del grupo World.AI de Facebook tuvo que entrenar una red neuronal para reconocer si un pedazo de tierra dentro de una imagen de satélite contenía una casa. Para hacer esto, Los investigadores crearon un conjunto de datos de entrenamiento superponiendo más de 100 millones de coordenadas de hogares de fuentes colaborativas de OpenStreetMap en imágenes de satélite. También utilizaron trucos de visión por computadora de la vieja escuela para verificar que las imágenes etiquetadas sin casas no contenían ningún objeto revelador en forma de polígono ".

Las imágenes de satélite del continente africano se dividieron en áreas de 100 pies por 100 pies. Utilizaron la red neuronal para crear una mapa de densidad de población de alta resolución.

Vale la pena leer los blogs, con seguridad, no solo para descubrir lo que lograron, sino para apreciar el gran desafío que acecha al mapeo de la población. Es un desafío, como ellos dijeron, adecuado para el aprendizaje profundo.

"El censo de un país muestra cuántas personas viven en un tramo censal en particular, pero no indica dónde vive la gente en estas áreas, ya veces las áreas abarcan cientos de millas cuadradas. África sola tiene 1.200 millones de personas en casi 16 millones de millas cuadradas; su sección censal más grande es 150, 000 millas cuadradas con 55, 000 personas. Si los investigadores supieran dónde están ubicadas las casas u otros edificios en estos tramos, podrían crear mapas de densidad extremadamente precisos asignando la población proporcionalmente a cada uno ".

Entonces, dado un "desequilibrio masivo, " ¿Que hicieron?

"La mayor parte de la tierra del mundo no contiene un edificio, por lo que a menudo nos hemos enfrentado a desequilibrios de clase de negativo a positivo de 100, 000 a 1. Usamos un paso de preprocesamiento utilizando técnicas clásicas de visión por computadora con una recuperación casi perfecta (a costa de una baja precisión) para descartar la mayoría de las áreas que no contenían un edificio. Esto nos dejó con parches candidatos de imágenes de satélite de ~ 30x30 metros (64x64 píxeles) ".

(Un título en el informe explica que "Nuestra canalización primero separa las ubicaciones que no pueden contener un edificio. Luego, la red neuronal clasifica cada ubicación restante de acuerdo con la probabilidad de que contenga un edificio").

Pasaron al siguiente desafío, ellos escribieron, y eso fue clasificar qué parches contenían un edificio. "Si bien se redujo en gran medida por el preprocesamiento, la proporción de casillas vacías con respecto a las que tenían edificios seguía siendo de 10 a 1 o incluso de 1, 000 a 1. Esto creó un problema de clasificación binaria desequilibrado, y, por lo tanto, evaluamos nuestros resultados utilizando la puntuación F1, que es la media armónica de la precisión y el recuerdo ".

"La resolución sin precedentes, escala, y la precisión de nuestras ofertas más recientes debe seguir ayudando a los esfuerzos de ayuda humanitaria y desarrollo en todo el mundo ".

El equipo ha hecho que el conjunto de datos esté disponible para su descarga.

Lo que sigue:planean publicar mapas de población de alta resolución de más lugares en los próximos meses. El proyecto tiene como objetivo seguir sumando nuevos continentes y países.

Mientras tanto, "The Download" se refería a algo llamado "Geografía profunda" y su resumen sugiere un interés científico general en la extracción de información de imágenes satelitales mediante el aprendizaje profundo. Uno de los ejemplos en la publicación fue de Microsoft, que el año pasado "entrenó un modelo de aprendizaje profundo para construir un conjunto de datos completo de todas las huellas de edificios en los Estados Unidos".

© 2019 Science X Network