En la lucha contra la pobreza, como cualquier pelea, es bueno conocer las ubicaciones de sus objetivos.

Es por eso que los eruditos de Stanford Marshall Burke, David Lobell y Stefano Ermon han pasado los últimos cinco años dirigiendo a un equipo de investigadores para encontrar una forma eficiente de encontrar y rastrear zonas empobrecidas en África.

La poderosa herramienta que han desarrollado combina gratis, Imágenes satelitales de acceso público con inteligencia artificial para estimar el nivel de pobreza en las aldeas africanas y los cambios en su desarrollo a lo largo del tiempo. Analizando datos pasados ​​y actuales, la herramienta de medición podría proporcionar información útil a las organizaciones, agencias gubernamentales y empresas que brindan servicios y necesidades a los pobres.

Los detalles de su empresa se dieron a conocer en la edición del 22 de mayo de Comunicaciones de la naturaleza .

"Nuestra gran motivación es desarrollar mejor las herramientas y tecnologías que nos permitan avanzar en cuestiones económicas realmente importantes. Y el progreso se ve limitado por la falta de capacidad para medir los resultados, "dijo Burke, miembro de la facultad del Instituto de Stanford para la Investigación de Políticas Económicas (SIEPR) y profesor asistente de ciencias del sistema terrestre en la Escuela de la Tierra, Energía y Ciencias Ambientales (Stanford Earth). "Aquí hay una herramienta que creemos que puede ayudar".

Lobell, investigador senior en SIEPR y profesor de ciencia del sistema terrestre en Stanford Earth, dice que mirar hacia atrás es fundamental para identificar tendencias y factores que ayuden a las personas a salir de la pobreza.

"Asombrosamente, Realmente no ha habido una buena manera de comprender cómo está cambiando la pobreza a nivel local en África, "dijo Lobell, quien también es el director del Centro de Seguridad Alimentaria y Medio Ambiente y William Wrigley Fellow en el Instituto Stanford Woods para el Medio Ambiente. "Los censos no son lo suficientemente frecuentes, y las encuestas puerta a puerta rara vez regresan a las mismas personas. Si los satélites pueden ayudarnos a reconstruir una historia de pobreza, podría abrir mucho espacio para comprender mejor y aliviar la pobreza en el continente ".

La herramienta de medición utiliza imágenes de satélite tanto de día como de noche. Por la noche, las luces son un indicador de desarrollo, y durante el dia, imágenes de infraestructura humana como carreteras, agricultura, materiales para techos, estructuras de vivienda y vías fluviales, proporcionar características correlacionadas con el desarrollo.

Luego, la herramienta aplica la tecnología de aprendizaje profundo (algoritmos informáticos que se entrenan constantemente para detectar patrones) para crear un modelo que analiza los datos de las imágenes y forma un índice de riqueza de activos. un componente económico comúnmente utilizado por los topógrafos para medir la riqueza de los hogares en los países en desarrollo.

Los investigadores probaron la precisión de la herramienta de medición durante aproximadamente 20, 000 pueblos africanos que tenían datos de riqueza de activos existentes de encuestas, que se remonta a 2009. Descubrieron que funcionaba bien en la medición de los niveles de pobreza de las aldeas durante diferentes períodos de tiempo, según su estudio.

Aquí, Burke, quien también es becario de centro en el Instituto Stanford Woods para el Medio Ambiente y el Instituto Freeman Spogli para Estudios Internacionales, analiza la creación de la herramienta y su potencial para ayudar a mejorar el bienestar de los pobres del mundo.

¿Por qué está entusiasmado con este nuevo recurso tecnológico?

Por primera vez, Esta herramienta demuestra que podemos medir el progreso económico y comprender las intervenciones contra la pobreza tanto a nivel local como a gran escala. Funciona en toda África, a lo largo de muchos años diferentes. Funciona bastante bien y funciona en muchos tipos de países muy diferentes.

¿Puede dar ejemplos de cómo se utilizaría esta nueva herramienta?

Si queremos comprender la eficacia de un programa de lucha contra la pobreza, o si una ONG quiere orientar un producto específico a tipos específicos de personas, o si una empresa quiere saber dónde está creciendo un mercado, todos requieren datos sobre resultados económicos. En muchas partes del mundo, simplemente no tenemos esos datos. Ahora estamos usando datos de toda África subsahariana y entrenando estos modelos para incorporar todos los datos para medir resultados específicos.

¿Cómo se basa este nuevo estudio en su trabajo anterior?

Nuestro trabajo inicial de mapeo de la pobreza, publicado en 2016, estaba en cinco países utilizando un año de datos. Se basó en costosos, imágenes de alta resolución a un tamaño mucho más pequeño, escala piloto. Ahora, este trabajo cubre alrededor de dos docenas de países, aproximadamente la mitad de los países de África, utilizando muchos años más de datos de alta dimensión. Esto proporcionó conjuntos de datos de capacitación subyacentes para desarrollar los modelos de medición y nos permitió validar si los modelos están haciendo buenas estimaciones de pobreza.

Confiamos en que podemos aplicar esta tecnología y este enfoque para obtener estimaciones fiables para todos los países de África.

Una diferencia clave en comparación con el trabajo anterior es que ahora estamos usando imágenes satelitales completamente disponibles al público que se remontan en el tiempo, y son gratis, que creo que democratiza esta tecnología. Y lo estamos haciendo a un nivel integral escala espacial masiva.

¿Cómo se utilizan las imágenes de satélite para obtener estimaciones de pobreza?

Nos basamos en los rápidos avances en el campo de la informática (del aprendizaje profundo) que se han producido en los últimos cinco años y que realmente han transformado la forma en que extraemos información de las imágenes. No le estamos diciendo a la máquina qué buscar en las imágenes; en lugar de, solo lo estamos contando, "Aquí hay un lugar rico. Aquí es un lugar pobre. Averígualo".

La computadora claramente está seleccionando áreas urbanas, áreas agrícolas, carreteras, Vías fluviales:características del paisaje que podría pensar que podrían tener cierto poder de predicción para poder separar las áreas ricas de las áreas pobres. La computadora dice "Encontré este patrón" y luego podemos asignarle un significado semántico.

Estas características más amplias, examinado a nivel de aldea, resultan estar altamente relacionados con la riqueza promedio de los hogares en esa región.

¿Que sigue?

Ahora que tenemos estos datos, queremos utilizarlos para intentar aprender algo sobre el desarrollo económico. Esta herramienta nos permite abordar preguntas que no pudimos hacer hace un año porque ahora tenemos mediciones a nivel local de los resultados económicos clave en general, escala espacial y en el tiempo.

Podemos evaluar por qué a algunos lugares les va mejor que a otros. Podemos preguntar:¿Cómo son los patrones de crecimiento en los medios de vida? ¿Es la mayor parte de la variación entre países o dentro de los países? Si hay variaciones dentro de un país, eso ya nos dice algo importante sobre los determinantes del crecimiento. Probablemente sea algo que esté sucediendo a nivel local.

Soy economista así que ese es el tipo de preguntas que me emocionan. El desarrollo tecnológico no es un fin en sí mismo. Es un facilitador de las ciencias sociales que queremos hacer.