Бедность, карты и машинное обучение
Как известно ООН хочет к 2030 году полностью искоренить бедность во всем мире и для них чрезвычайно важно контролировать прогресс в достижении этой благородной цели.
Логично, что самый простой путь для контроля – это проведение наземных исследований. Однако, команда Стэнфордского университета предложила другой путь.
В статье с названием “Transfer Learning from Deep Features for Remote Sensing and Poverty Mapping” группа исследователей предложила новый подход, основанный на компьютерном анализе спутниковых снимков.
Африка
Исследователи Стэнфордского университета используют достижения машинного обучения для того, что бы сравнивать ночные и дневные спутниковые снимки. Ночные огни являются основными показателями экономической активности, а отсутствие искусственного освещения в ночное время является основным признаком бедности. При этом одновременно со спутниковыми снимками используются и данные, которые были получены традиционным способом. Совмещение обоих типов данных позволяет находить достаточно интересные особенности, которые впоследствии могут использованы для картографирования бедных районов.
Данная научно-исследовательская работа была номинирована на премию NVIDIA’s 2016 Global Impact Award.
От себя хотелось бы добавить одно интересное изображение: спутниковый снимок, который запечатлел Корейский полуостров в ночное время. На этом снимке очень хорошо видно как отличаются между собой Южная Корея и Северная Корея (думаю пояснять где из них какая на снимке не стоит).
Корейский полуостров ночью
Спасибо за интересную новость Geoawesomeness.
