Tecnologia Científica

Usando satélites e IA para ajudar a combater a pobreza na África
Uma nova ferramenta combina imagens de satélite acessíveis ao público com IA para rastrear a pobreza nas aldeias africanas ao longo do tempo.
Por Adam Gorlick - 22/05/2020

EM MAIO WONG

No combate à pobreza, como qualquer luta, é bom conhecer a localização de seus alvos.

Os pesquisadores de Stanford criaram uma nova ferramenta poderosa que
pode ajudar a estimar o nível de pobreza nas aldeias africanas e as
mudanças em seu desenvolvimento ao longo do tempo.
(Crédito da imagem: Getty Images)

É por isso que os estudiosos de Stanford, Marshall Burke , David Lobell e Stefano Ermon , passaram os últimos cinco anos levando uma equipe de pesquisadores a encontrar uma maneira eficiente de encontrar e rastrear zonas empobrecidas em toda a África.

A ferramenta poderosa que eles desenvolveram combina imagens de satélite gratuitas e acessíveis ao público com inteligência artificial para estimar o nível de pobreza nas aldeias africanas e as mudanças em seu desenvolvimento ao longo do tempo. Ao analisar dados passados ​​e atuais, a ferramenta de medição poderia fornecer informações úteis para organizações, agências governamentais e empresas que prestam serviços e necessidades aos pobres.

Detalhes do empreendimento foram revelados na edição de 22 de maio da Nature Communications .

“Nossa grande motivação é desenvolver melhor ferramentas e tecnologias que nos permitam progredir em questões econômicas realmente importantes. E o progresso é limitado pela falta de capacidade de medir resultados ”, disse Burke, professor do Instituto Stanford de Pesquisa de Política Econômica (SIEPR) e professor assistente de ciência dos sistemas terrestres na Escola de Ciências da Terra, Energia e Meio Ambiente ( Stanford Earth). "Aqui está uma ferramenta que achamos que pode ajudar."

Lobell, um membro sênior do SIEPR e professor de ciência dos sistemas terrestres em Stanford Earth, diz que olhar para trás é fundamental para identificar tendências e fatores que ajudam as pessoas a escapar da pobreza.

"Surpreendentemente, não há realmente nenhuma boa maneira de entender como a pobreza está mudando em nível local na África", disse Lobell, que também é diretor do Centro de Segurança Alimentar e Meio Ambiente e do Companheiro William Wrigley no Instituto Stanford Woods para o Meio Ambiente. “Os censos não são frequentes o suficiente e as pesquisas porta a porta raramente retornam às mesmas pessoas. Se os satélites puderem nos ajudar a reconstruir uma história de pobreza, poderá abrir muito espaço para melhor entender e aliviar a pobreza no continente. ”

A ferramenta de medição usa imagens de satélite tanto de noite quanto de dia. À noite, as luzes são um indicador do desenvolvimento e, durante o dia, imagens da infraestrutura humana, como estradas, agricultura, materiais de cobertura, estruturas habitacionais e cursos de água, fornecem características correlatas ao desenvolvimento.

Em seguida, a ferramenta aplica a tecnologia do aprendizado profundo - algoritmos de computação que se treinam constantemente para detectar padrões - para criar um modelo que analisa os dados das imagens e forma um índice para a riqueza de ativos, um componente econômico comumente usado pelos pesquisadores para medir a riqueza da família no desenvolvimento nações.

Os pesquisadores testaram a precisão da ferramenta de medição em cerca de 20.000 vilarejos africanos que possuíam dados de riqueza de ativos de pesquisas desde 2009. Eles descobriram que ele teve um bom desempenho na aferição dos níveis de pobreza das vilas durante diferentes períodos de tempo, de acordo com seu estudo.

Aqui, Burke - que também é membro do centro do Instituto de Meio Ambiente de Stanford Woods e do Instituto de Estudos Internacionais Freeman Spogli - discute a criação da ferramenta e seu potencial para ajudar a melhorar o bem-estar dos pobres do mundo.
 

Por que você está animado com este novo recurso tecnológico?

Pela primeira vez, essa ferramenta demonstra que podemos medir o progresso econômico e entender as intervenções de pobreza em nível local e em larga escala. Funciona em toda a África, em muitos anos diferentes. Funciona muito bem e funciona em muitos tipos diferentes de países.
 

Você pode dar exemplos de como essa nova ferramenta seria usada?

Se queremos entender a eficácia de um programa antipobreza, ou se uma ONG deseja direcionar um produto específico para tipos específicos de indivíduos, ou se uma empresa deseja entender onde o mercado está crescendo - todos esses dados requerem dados sobre resultados econômicos . Em muitas partes do mundo, simplesmente não temos esses dados. Agora, estamos usando dados de toda a África subsaariana e treinando esses modelos para coletar todos os dados para medir resultados específicos.
 

Como esse novo estudo se baseia em seu trabalho anterior?

Nosso trabalho inicial de mapeamento da pobreza , publicado em 2016, foi realizado em cinco países, usando um ano de dados. Baseava-se em imagens caras e de alta resolução em uma escala piloto muito menor. Agora, este trabalho abrange cerca de duas dúzias de países - cerca da metade dos países da África - usando muitos mais anos de dados de alta dimensão. Isso forneceu conjuntos de dados de treinamento subjacentes para desenvolver os modelos de medição e permitiu validar se os modelos estão fazendo boas estimativas de pobreza.

Estamos confiantes de que podemos aplicar essa tecnologia e essa abordagem para obter estimativas confiáveis ​​para todos os países da África.

A principal diferença em relação ao trabalho anterior é que agora estamos usando imagens de satélite totalmente disponíveis ao público que remontam ao tempo - e são gratuitas, o que acho que democratiza essa tecnologia. E estamos fazendo isso em uma escala espacial abrangente e massiva.
 

Como você usa imagens de satélite para obter estimativas de pobreza?

Estamos desenvolvendo rápidos desenvolvimentos no campo da ciência da computação - do aprendizado profundo - que ocorreram nos últimos cinco anos e que realmente transformaram a maneira como extraímos informações das imagens. Não estamos dizendo à máquina o que procurar nas imagens; em vez disso, estamos apenas dizendo: “Aqui é um lugar rico. Aqui é um lugar ruim. Entender."

O computador está claramente escolhendo áreas urbanas, áreas agrícolas, estradas, vias navegáveis ​​- características da paisagem que você pode pensar que teriam algum poder preditivo em poder separar áreas ricas de áreas pobres. O computador diz: 'Encontrei esse padrão' e podemos atribuir um significado semântico a ele.

Essas características mais amplas, examinadas no nível das aldeias, acabam sendo altamente relacionadas à riqueza média das famílias naquela região.


Qual é o próximo?

Agora que temos esses dados, queremos usá-los para tentar aprender algo sobre desenvolvimento econômico. Essa ferramenta nos permite abordar questões que não pudemos fazer um ano atrás, porque agora temos medições em nível local dos principais resultados econômicos em larga escala espacial e ao longo do tempo.

Podemos avaliar por que alguns lugares estão se saindo melhor do que outros. Podemos perguntar: Como são os padrões de crescimento nos meios de subsistência? A maior parte da variação é entre países ou dentro de países? Se há variação dentro de um país, isso já nos diz algo importante sobre os determinantes do crescimento. Provavelmente é algo acontecendo localmente.

Eu sou economista, então esses são os tipos de perguntas que me empolgam. O desenvolvimento tecnológico não é um fim em si mesmo. É um facilitador para a ciência social que queremos fazer.

Além de Burke, Lobell e Ermon, professor de ciência da computação, os co-autores do estudo publicado são Christopher Yeh e Anthony Perez, estudantes de graduação em ciência da computação e assistentes de pesquisa no Stanford King Center on Global Development; Anne Driscoll, analista de dados de pesquisa, e George Azzari, estudioso afiliado, ambos no Centro de Segurança Alimentar e Meio Ambiente de Stanford; e Zhongyi Tang, ex-analista de dados de pesquisa do King Center.

Esta pesquisa foi apoiada pela iniciativa Data for Development no Stanford King Center on Global Development e pelo USAID Bureau of Food Security.

 

.
.

Leia mais a seguir