Maskininlärning kan vägleda ansträngningar för livsmedelssäkerhet när primärdata inte är tillgänglig. Förutsägelser som skiljer sig från det observerade värdet med maximalt ± 5 prevalenspunkter klassificeras som korrekta. Förutspådd prevalens>40% (<40%) när den observerade prevalensen är <40% (>40%) klassificeras som hög överskattning (underskattning). Övriga regioner klassificeras som låg under- och överskattning. Den heldragna svarta linjen indikerar var punkterna skulle falla om alla förutsagda värden perfekt matchade de observerade, och de grå streckade diagonala linjerna indikerar ett avstånd på ± 5 prevalenspunkter från den. De grå streckade horisontella och vertikala linjerna indikerar 40 % prevalenströsklarna. Kredit:Nature Food (2022). DOI:10.1038/s43016-022-00587-8
Forskare av en nyligen publicerad artikel publicerad av Nature Food föreslå en metod som de hävdar kommer att göra det möjligt för beslutsfattare att fatta mer lägliga och informerade beslut om politik och program som är inriktade på kampen mot hunger.
År 2021 var 193 miljoner människor i 53 länder akut matosäkra. Detta antal har stadigt ökat under de senaste åren, även som en konsekvens av covid-19-pandemin. För att ta itu med denna globala fråga är det viktigt att övervaka situationen och dess utveckling.
Regeringar och humanitära organisationer utför matsäkerhetsbedömningar regelbundet genom ansikte mot ansikte och mobilundersökningar på distans. Dessa tillvägagångssätt har dock höga kostnader för både monetära och mänskliga resurser, och därför finns inte alltid primärdata om livsmedelssäkerhetssituationen tillgänglig för alla drabbade områden. Ändå är denna information nyckeln för regeringar och humanitära organisationer.
För att ta itu med denna fråga, forskare från Naturmat paper föreslår en maskininlärningsmetod för att förutsäga antalet personer med otillräcklig matkonsumtion när uppdaterade direkta mätningar inte är tillgängliga. "Vi föreslår också en metod för att identifiera vilka variabler som driver de förändringar som observeras i förutspådda trender, vilket är nyckeln till att göra förutsägelser användbara för beslutsfattare", säger biträdande professor Elisa Omodei (avdelningen för nätverks- och datavetenskap, CEU, Wien).
Den föreslagna metoden använder en maskininlärningsalgoritm för att uppskatta den aktuella matosäkerhetssituationen i ett givet område från data om de viktigaste drivkrafterna bakom matosäkerhet:konflikter, extrema väderförhållanden och ekonomiska chocker. Resultaten visar att den föreslagna metoden kan förklara upp till 81 % av variationen i otillräcklig matkonsumtion.
Forskare hävdar att deras tillvägagångssätt öppnar dörren till livsmedelsförsörjning i nästan realtid nu sändningar på global skala, vilket gör det möjligt för beslutsfattare att fatta mer lägliga och informerade beslut om policyer och program som är inriktade på kampen mot hunger, i ansträngningen att försöka uppnå SDG 2 i 2030 års agenda för hållbar utveckling. + Utforska vidare
