I kampen mot fattigdom, som vilken kamp som helst, det är bra att veta var dina mål finns.

Det är därför Stanford-forskarna Marshall Burke, David Lobell och Stefano Ermon har ägnat de senaste fem åren åt att leda ett team av forskare på ett effektivt sätt att hitta och spåra fattiga områden över hela Afrika.

Det kraftfulla verktyget de har utvecklat kombinerar gratis, offentligt tillgängliga satellitbilder med artificiell intelligens för att uppskatta fattigdomsnivån i afrikanska byar och förändringar i deras utveckling över tid. Genom att analysera tidigare och nuvarande data, mätverktyget kan ge användbar information till organisationer, statliga myndigheter och företag som levererar tjänster och förnödenheter till de fattiga.

Detaljer om deras åtagande avslöjades i numret den 22 maj av Naturkommunikation .

"Vår stora motivation är att bättre utveckla verktyg och tekniker som gör att vi kan göra framsteg i riktigt viktiga ekonomiska frågor. Och framsteg begränsas av bristande förmåga att mäta resultat, sa Burke, en fakultetsstipendiat vid Stanford Institute for Economic Policy Research (SIEPR) och en biträdande professor i jordsystemvetenskap vid School of Earth, Energi- och miljövetenskaper (Stanford Earth). "Här är ett verktyg som vi tror kan hjälpa."

Lobell, en senior fellow vid SIEPR och en professor i jordsystemvetenskap vid Stanford Earth, säger att det är avgörande att se tillbaka på trender och faktorer för att hjälpa människor att fly från fattigdom.

"Otroligt, det har inte riktigt funnits något bra sätt att förstå hur fattigdomen förändras på lokal nivå i Afrika, sa Lobell, som också är chef för Center on Food Security and the Environment och William Wrigley Fellow vid Stanford Woods Institute for the Environment. "Folkräkningar är inte tillräckligt frekventa, och dörr-till-dörr-undersökningar återkommer sällan till samma personer. Om satelliter kan hjälpa oss att rekonstruera en historia av fattigdom, det kan öppna upp mycket utrymme för att bättre förstå och lindra fattigdomen på kontinenten."

Mätverktyget använder satellitbilder både från nattetid och dagtid. På natten, lampor är en indikator på utveckling, och under dagen, bilder av mänsklig infrastruktur som vägar, lantbruk, takmaterial, bostäder och vattendrag, ge egenskaper som är korrelerade med utveckling.

Sedan tillämpar verktyget tekniken för djupinlärning – datoralgoritmer som ständigt tränar sig själva för att upptäcka mönster – för att skapa en modell som analyserar bilddata och bildar ett index för tillgångsrikedom, en ekonomisk komponent som vanligtvis används av lantmätare för att mäta hushållens förmögenhet i utvecklingsländer.

Forskarna testade mätverktygets noggrannhet i cirka 20, 000 afrikanska byar som hade befintliga tillgångsförmögenhetsdata från undersökningar, går tillbaka till 2009. De fann att det fungerade bra när det gäller att mäta fattigdomsnivåerna i byar under olika tidsperioder, enligt deras studie.

Här, Burke – som också är centerstipendiat vid Stanford Woods Institute for the Environment och Freeman Spogli Institute for International Studies – diskuterar tillverkningen av verktyget och dess potential att hjälpa till att förbättra välbefinnandet för världens fattiga.

Varför är du entusiastisk över denna nya tekniska resurs?

För första gången, detta verktyg visar att vi kan mäta ekonomiska framsteg och förstå fattigdomsinsatser på både lokal nivå och bred skala. Det fungerar över hela Afrika, under många olika år. Det fungerar jävligt bra, och det fungerar i många olika typer av länder.

Kan du ge exempel på hur detta nya verktyg skulle användas?

Om vi ​​vill förstå effektiviteten av ett program mot fattigdom, eller om en NGO vill rikta en specifik produkt till specifika typer av individer, eller om ett företag vill förstå var en marknad växer – alla dessa kräver data om ekonomiska utfall. I många delar av världen, vi har helt enkelt inte dessa uppgifter. Nu använder vi data från hela Afrika söder om Sahara och tränar dessa modeller för att ta in all data för att mäta för specifika resultat.

Hur bygger denna nya studie på ditt tidigare arbete?

Vårt första arbete med att kartlägga fattigdom, publicerades 2016, var på fem länder med ett års data. Det förlitade sig på kostsamma, högupplösta bilder med mycket mindre, pilotskala. Nu täcker detta arbete omkring två dussin länder – ungefär hälften av länderna i Afrika – och använder många fler år av högdimensionell data. Detta gav underliggande utbildningsdatauppsättningar för att utveckla mätmodellerna och gjorde det möjligt för oss att validera om modellerna gör bra fattigdomsuppskattningar.

Vi är övertygade om att vi kan tillämpa denna teknik och detta tillvägagångssätt för att få tillförlitliga uppskattningar för alla länder i Afrika.

En viktig skillnad jämfört med det tidigare arbetet är att vi nu använder helt allmänt tillgängliga satellitbilder som går tillbaka i tiden – och det är gratis, vilket jag tror demokratiserar denna teknik. Och vi gör det på ett omfattande, massiv rumslig skala.

Hur använder du satellitbilder för att få uppskattningar av fattigdom?

Vi bygger vidare på den snabba utvecklingen inom datavetenskap – av djupinlärning – som har hänt under de senaste fem åren och som verkligen har förändrat hur vi extraherar information från bilder. Vi talar inte om för maskinen vad den ska leta efter i bilder; istället, vi bara berättar det, "Här är ett rikt ställe. Här är ett fattigt ställe. Ta reda på det."

Datorn plockar tydligt ut stadsområden, jordbruksområden, vägar, vattenvägar — särdrag i landskapet som du kanske tror skulle ha viss förutsägande kraft när det gäller att kunna skilja rika områden från fattiga områden. Datorn säger, "Jag hittade det här mönstret" och vi kan sedan tilldela det semantisk betydelse.

Dessa bredare egenskaper, granskas på bynivå, visar sig vara starkt relaterad till hushållens genomsnittliga förmögenhet i den regionen.

Vad kommer härnäst?

Nu när vi har dessa uppgifter, vi vill använda dem för att försöka lära oss något om ekonomisk utveckling. Det här verktyget gör det möjligt för oss att ta itu med frågor som vi inte kunde ställa för ett år sedan eftersom vi nu har mätningar på lokal nivå av viktiga ekonomiska resultat i stort, rumslig skala och över tid.

Vi kan utvärdera varför vissa platser går bättre än andra. Vi kan fråga:Hur ser tillväxtmönster i försörjningsmöjligheter ut? Är det mesta av variationen mellan länder eller inom länder? Om det finns variationer inom ett land, som redan säger oss något viktigt om tillväxtens bestämningsfaktorer. Det är förmodligen något som pågår lokalt.

Jag är ekonom, så det är den typen av frågor som gör mig upphetsad. Den tekniska utvecklingen är inget självändamål. Det är en möjliggörare för samhällsvetenskapen som vi vill göra.