消除貧困是各國政府和援助機構努力的目標,在規劃最佳政策及有效運用經費之前,有必要準確掌握貧困所在地。現在,科學家們創建新模式,利用衛星圖像和機器學習等技術,更精準繪製貧困地圖。

美國科技新聞網站The Verge報導,人們已經知道,夜間亮度可以反映貧富差異,越亮的地方表示相對富裕。不過,用夜間照明模式Night Light Model)來推測貧富仍有其局限性,只能知道大範圍面積的貧富差異,無法精準地評估特定區域的差異情形。

科學雜誌(Science)最新一期登載史丹佛大學(Stanford University)更精準分析貧富差異的研究報告,依其內容,研究人員創建轉移學習模式Transfer Learning Model)方法,分二步驟提供計算機三個數據:夜間照明圖像、白天圖像和實際調查數據,並構建運算法,計算特定面積範圍內的貧富差異。

報告的共同作者之一、史丹佛大學專研機器學習(machine learning)的博士生吉恩(Neal Jean)表示,衡量貧富差異最實際的方法是,透過人口普查搜集如家庭財富和資產等經濟數據,但在多數發展中國家,這是行不通的,因為調查成本太高。

吉恩說:我們的想法是,如果我們能建立正確的模型,這個模型會幫助我們預測無法進行普查的某個地區的貧富差異,這將有助於協助相關單位規劃援助方案。

史丹佛大學研究人員挑選非洲烏干達、坦尚尼亞、奈及利亞、馬拉威和盧達等五個國家作為研究對象,在轉移學習模式的第一個步驟,提供計算機這五個國家的衛星夜間圖像和白天圖像。

研究人員再透過深學習技術 (Deep Learning Technique),教計算機如何對照這些白天及晚間的圖像,學習由白天圖像判斷夜間情況,以及二者的關聯性。例如湖泊在晚上是漆黑一片,計算機透過學習會知道湖泊區域在晚上是黑的,因此在判斷夜間圖像時可以略去,不將之視為是貧困區域。

接下來轉移學習模式的第二個步驟,研究人員使用了嶺回歸模型(Ridge Regression Model)。此時計算機已知道辨別土地特徵和燈光之間的關聯性,科學家再給它這五個非洲國家曾有過的實際調查數據,如世界銀行生活水平衡量研究(World Bank Living Standards Measurement Study)。

計算機要根據這些調查數據學習推算,例如調查數據顯示,某個村莊總計有十戶家庭,每個家庭平均每一天的收入是2美元,如果在鄰近地區也有一個十戶家庭的村莊,那麼計算機透過運算會推定這些家庭的每天收入也是2美元。

相較於夜間照明模式轉移學習模式確實更能準確找出貧困區,準確度達八成以上,但其仍有限制。

倫敦經濟學院(London School of Economics)經濟研究人員富蘭克林(Simon Franklin)表示,轉移學習模式可以分辨貧富區域的差異,但無法用以估算在城市內的貧富差異。加州聖地亞哥大學經濟學家亞伯拉罕(Alexei Abrahams)表示,這個研究使用的是舊有的夜間圖像,建議未來可使用美國美國太空總署(NASA)2012年以後更精準的衛星圖像。

 吉恩表示,這個研究的另一個限制是,只研究非洲的五個國家,模式或許無法分析印度或中國的貧富差異,不過,模型的建立成本並不高,因為所有圖像都來自公共領域。

 

 

全站熱搜

Win Driver Blog 發表在 痞客邦 留言(0) 人氣()