دانشمندان سعی دارند مناطق محروم آفریقا را به وسیله تصاویر ماهواره‌ای شناسایی کنند

ترسیم نقشه فقر با تصاویر ماهواره‌ای

بهبود وضع اقشار ضعیف بویژه در آفریقا، تا حد زیادی به شناسایی جمعیت‌های فقیر و مناطق محروم بستگی دارد. سال گذشته، سازمان ملل متحد با راه‌اندازی کمپین جهانی مبارزه با فقر، اقدام به شناسایی مناطق زاغه‌نشین آفریقا کرد. با توجه به این که جمع‌آوری اطلاعات از طریق مشاهدات زمینی خطرناک، کند و هزینه‌بردار است، دانشمندان سعی دارند مناطق محروم آفریقا را با تصاویر ماهواره‌ای شناسایی کنند.

کد خبر: ۹۴۰۳۲۴

دوربین‌های با وضوح بالای تعبیه شده در ماهواره‌های مستقر در فراسوی زمین، پیوسته در حال تصویربرداری از سطح زمین هستند. به منظور شناسایی مختصات مکانی جمعیت‌های محروم، ابتدا تصاویر ماهواره‌ای از زمین در شب بررسی شدند. یکی از مزیت‌های تصاویر شب این است که به دلیل درخشش نورهای مصنوعی، مناطق توسعه ‌یافته و مناطق محروم را بخوبی از یکدیگر تفکیک می‌کنند. اما در این تصاویر، مرز بین توسعه‌‌نیافتگی اقتصادی متوسط و فقر مطلق قابل تشخیص نیست. طبق تعریف بانک جهانی، فقر مطلق یعنی زندگی با درآمد کمتر از 9/1 دلار (حدود 6750 تومان) در روز.

از این رو، جمعی از دانشمندان علوم اجتماعی و رایانه به سرپرستی مارشال بِرک، اقتصاددان در دانشگاه اِستَنفورد به بررسی تصاویر ماهواره‌ای از زمین در روز اقدام کردند. نتایج نشان داد در تصاویر روز نیز مرز میان فقر متوسط و فقر مطلق براحتی قابل تفکیک نیست. در تصاویر شب و روز می‌توان جاده‌های گِل‌آلود و آسفالت نشده‌ای را که از میان انبوه سکونتگاه‌های قوطی کبریتی رد شده‌اند، مشاهده کرد. اما تصاویر روز نشان‌دهنده شاخصه‌های ویژه‌ دیگری هستند که مشکل شناسایی دقیق مناطق محروم را تا حدی برطرف کرده است. مثلا فاصله با نزدیک‌ترین منبع آب یا مرکز خرید شهری و محل قرارگیری زمین‌های کشاورزی از‌جمله شاخصه‌هایی هستند که در محاسبه میزان توسعه‌یافتگی مناطقِ تحت بررسی نقش بسزایی دارند. اما بررسی این قبیل شاخصه‌ها حتی از توانایی کارکشته‌ترین کارشناسان نیز فراتر است و دقیقا اینجاست که یادگیری ماشینی در خدمت پژوهش‌های علمی درمی‌آید.

یکی از چالش‌های عمده در یادگیری ماشینی، تحلیل داده‌های بزرگ با متغیرهای مختلف است. در این موارد ابتدا داده‌هایی به رایانه داده می‌شوند که متغیر هدف‌شان (مثلا درآمد سرانه) معلوم است. سپس در زیرمجموعه همین داده‌های اولیه، مدلی آماری شکل می‌گیرد که به طور خودکار می‌تواند متغیر پنهان در بقیه داده‌ها را پیش‌بینی کند. اما در پژوهش فوق، بِرک و هم‌تیمی‌هایش از یک شیوه‌ نوین در یادگیری ماشینی موسوم به شبکه عصبی کانوُلوشِن استفاده کردند. این روش در تحلیل داده‌های بزرگ با متغیرهای مختلف دقیق‌تر از روش سنتی جواب می‌دهد. در این پژوهش، پنج کشور آفریقایی مورد بررسی قرار گرفتند: نیجریه، تانزانیا، اوگاندا، مالاوی و رواندا. جمعیت کثیری در این کشورها در فقر مطلق زندگی می‌کنند و با توجه به این که در مورد وضع کشورهای نام‌برده اطلاعات کافی در دسترس هست، دانشمندان توانستند پیش‌بینی‌های نرم‌افزارهای رایانه‌ای را با اطلاعات موجود مطابقت دهند. تحلیل داده‌ها به روش شبکه عصبی کانوُلوشِن نشان داد تصاویر ماهواره‌ای روز در مقایسه با تصاویر شب در ترسیم نقشه‌ مناطق محروم آفریقا کاربردی‌تر هستند. این تصاویر در شناسایی مناطق زیر خط فقر مطلق، 81 درصد از تصاویر شب دقیق‌تر بودند.

باید توجه داشت جمع‌آوری اطلاعات به روش زمینی در شناسایی مناطق محروم همچنان حائز اهمیت است. در حال حاضر، نقشه‌برداری ماهواره‌ای بیشتر در مناطقی که جمع‌آوری اطلاعات به روش زمینی دشوار یا غیرممکن است کارایی دارد. ترسیم نقشه فقر با تصاویر ماهواره‌ای نه فقط در آفریقا بلکه در سایر نقاط جهان نیز امکان‌پذیر است؛ البته با این تفاوت که در کشورهای غیرآفریقایی به مراتب دشوارتر خواهد بود. در بیشتر کشورهای آفریقایی هنوز هم بخش عمده جمعیت در مناطق روستایی زندگی می‌کنند، در حالی که در سایر کشورهای جهان، درصد جمعیت شهرنشین به طرز قابل توجهی بیشتر است و به همین علت تفکیک مناطق روستایی توسعه نیافته از مناطق توسعه یافته شهری، دقت عمل بیشتری می‌طلبد.