斯坦福大学的创新研究：利用卫星绘制全球贫困图

斯坦福大学研究人员创建新模式，利用卫星图像和机器学习等技术，更精准绘制贫困地图。

消除贫困是各国政府和援助机构努力的目标，在规划最佳政策及有效运用经费之前，有必要准确掌握贫困所在地。现在，科学家们创建新模式，利用卫星图像和机器学习等技术，更精准绘制贫困地图。

美国科技新闻网站The Verge 8月18日报导， 人们已经知道，夜间亮度可以反映贫富差异，越亮的地方表示相对富裕。不过，用“夜间照明模式”（Night Light Model）来推测贫富仍有其局限性，只能知道大范围面积的贫富差异，无法精准地评估特定区域的差异情形。

科学杂志（Science）18日最新一期登载斯坦福大学（Stanford University）更精准分析贫富差异的研究报告，依其内容，研究人员创建“转移学习模式”（Transfer Learning Model）方法，分二步骤提供计算机三个数据：夜间照明图像、白天图像和实际调查数据，并构建运算法，计算特定面积范围内的贫富差异。

报告的共同作者之一、斯坦福大学专研机器学习（machine learning）的博士生吉恩（Neal Jean）表示，衡量贫富差异最实际的方法是，通过人口普查搜集如家庭财富和资产等经济数据，但在多数发展中国家，这是行不通的，因为调查成本太高。

吉恩说：“我们的想法是，如果我们能建立正确的模型，这个模型会帮助我们预测无法进行普查的某个地区的贫富差异，这将有助于协助相关单位规划援助方案。”

斯坦福大学研究人员挑选非洲乌干达、坦桑尼亚、尼日利亚、马拉维和卢旺达等五个国家作为研究对象，在“转移学习模式”的第一个步骤，提供计算机这五个国家的卫星夜间图像和白天图像。

研究人员再通过“深学习技术”（Deep Learning Technique），教计算机如何对照这些白天及晚间的图像，学习由白天图像判断夜间情况，以及二者的关联性。例如湖泊在晚上是漆黑一片，计算机透过学习会知道湖泊区域在晚上是黑的，因此在判断夜间图像时可以略去，不将之视为是贫困区域。

接下来“转移学习模式”的第二个步骤，研究人员使用了岭回归模型（Ridge Regression Model）。此时计算机已知道辨别土地特征和灯光之间的关联性，科学家再给它这五个非洲国家曾有过的实际调查数据，如世界银行生活水平衡量研究。

计算机要根据这些调查数据学习推算，例如调查数据显示，某个村庄总计有十户家庭，每个家庭平均每一天的收入是2美元，如果在邻近地区也有一个十户家庭的村庄，那么计算机透过运算会推定这些家庭的每天收入也是2美元。

相较于“夜间照明模式”，“转移学习模式”确实更能准确找出贫困区，准确度达八成以上，但其仍有限制。

伦敦经济学院（London School of Economics）经济研究人员富兰克林（Simon Franklin）表示，“转移学习模式”可以分辨贫富区域的差异，但无法用以估算在城市内的贫富差异。加州圣地亚哥大学经济学家亚伯拉罕（Alexei Abrahams）表示，这个研究使用的是旧有的夜间图像，建议未来可使用美国宇航局2012年以后更精准的卫星图像。

吉恩表示，这个研究的另一个限制是，只研究非洲的五个国家，模式或许无法分析印度或中国的贫富差异，不过，模型的建立成本并不高，因为所有图像都来自公共领域。