فقر جوامع ، یکی از بزرگترین معضلات دنیای امروزی است.فقر نشانه های بسیاری دارد اما شاید برایتان جال باشد که بدانید یکی از روش های جدید برای شناخت مناطق محروم، بررسی چهره این مانطق از فضا است.چیزی که به خوبی در تصاویر ماهواره ای پدیدار است.

مناطق کم نور زمین از فضا، یکی از نشانه‌های محرومیت و فقر جوامع آن مناطق است

همه می‌دانند که هر چه مناطق بیشتری در شب از نور برخوردار باشند، توسعه‌یافته‌تر و غنی‌تر هستند. محققان از این شیوه برای تخمین فقر در مناطقی استفاده کردند که داده‌های دقیقی از آن‌ها در دست نیست. البته برآوردها بر اساس نور شب بیشتر بر پایه حدس هستند و اطلاعات زیادی در مورد تفاوت ثروت در میان اقشار بسیار فقیر ارائه نمی‌کنند. این تکنیک تصویربرداری می‌تواند کار سازمان‌های امدادرسانی را برای شناسایی مناطق نیازمند کمک تسهیل کرده و حتی به دولت‌ها برای توسعه سیاست‌های بهتر کمک کند.

دانشمندان دانشگاه استنفورد به یک رایانه، سه منبع داده شامل تصاویر نور شب، تصاویر روز و اطلاعات پیمایشی واقعی را ارائه کردند تا الگوریتمی را برای پیش‌بینی میزان غنی یا فقیر بودن مناطق ایجاد کنند. این روش که در مجله ساینس منتشر شده، توانسته فقر را به جزئیات بیشتری نسبت به روش‌های پیشین برآورد کند.

ساخت این الگوریتم شامل یک فرآیند دومرحله‌ای موسوم به “یادگیری انتقال” بود. در مرحله اول، دانشمندان تصاویر روز و شب پنج کشور آفریقایی اوگاندا، تانزانیا، نیجریه، مالاوی و رواندا را به یک شبکه عصبی رایانه‌ای نشان دادند. آن‌ها با استفاده از تکنیک‌های یادگیری عمیق، به رایانه آموزش دادند تا محل نورهای شبانه را با نگاه کردن به تصاویر روز و جستجو برای ارتباط آنها پیش‌بینی کنند.

این مدل برای مثال یاد گرفت که اگر تعداد خانه بیشتری در یک منطقه باشد، احتمالا نور بیشتری در شب تولید می‌کند.محققان با آموزش دادن به رایانه‌ها در مورد اینکه کدام ویژگیهای روز با نور شبانه مرتبط است، می‌توانند پیش‌بینی بهتری در مورد مناطق فقیر داشته باشند.

آن‌ها در مرحله دوم از یک مدل متفاوت موسوم به مدل رگرسیون خط الراس استفاده کردند. این مدل از قبل ارتباط  بین ویژگی‌های منطقه و نور را می‌داند. دانشمندان سپس اطلاعات بیشتری به آن ارائه کردند که شامل داده‌های پیمایشی واقعی از خدمات بهداشت جمعیتی و مطالعه ارزیابی استانداردهای زندگی بانک جهانی بودند. البته این مدل به تنهایی برای سنجش فقر در یک شهر سودمند نبود.

گام بعدی محققان، آموزش این الگوریتم برای بررسی کشورهای دیگر به منظور نقشه‌برداری بهتر از فقر جوامع در سراسر جهان است.