اسکن ماشینی از عکس‌های ماهواره‌ای برای نقشهبرداری از فقر
دانشمندان به کمک تصاویر ماهواره‌ای موفق به ساخت روش نوینی در یادگیری ماشینی شده‌اند که راهی کم‌هزینه‌تر و راحت‌تر در نقشهبرداری از مناطق فقیرنشین در سراسر جهان به شمار می‌رود.
به گزارش گروه علم و فناوری آنا به نقل از Futurity، یکی از بزرگترین چالش‌ها در مبارزه با فقر، عدم وجود اطلاعات قابل اعتماد است. به منظور کمک‌رسانی به فقرا، سازمان‌ها نیاز دارند از ابعاد مناطق فقیر نقشهبرداری کنند؛ وجود و عدم وجود زیرساخت‌ها و خدمات‌ها را شناسایی کنند اما در بسیاری از مناطق فقیرنشین جهان این دستیابی به چنین اطلاعاتی بسیار دشوار است.
مارشال بورک، پروفسور علوم سیستم زمین در دانشگاه استنفورد، در این‌باره گفت: «مجموعه اطلاعات کمی از آنچه نیاز به دانستنش داریم، در دسترس قرار دارد. در بعضی از کشورها بررسی‌هایی از تعداد محدودی از خانوارها داریم و این کل اطلاعات ماست. همچنین انجام بررسی‌های جدید در نقاط دوردست جهان مانند بخش‌هایی از کشورهای جنوبی صحرای آفریقا می‌تواند بسیار وقت گیر و پرهزینه باشد».
روش جدیدی برای نقشهبرداری از مناطق فقیرنشین پیشنهاد شده که به نظر امیدوار کننده می‌رسد. این روش براساس هزاران تصویر ماهواره‌ای با وضوح بالا از مناطق فقیرنشین است. دانشمندان برای تجزیه و تحلیل این عکس‌ها از یادگیری ماشینی، رشته‌ای از زمینه وسیع هوش مصنوعی، استفاده کردند.
در یادگیری ماشینی، محققان یک مدل محاسباتی با داده‌های پردازش نشده و یک هدف فراهم می‌کنند اما به صورت مستقیم سیستم را برای حل مشکل برنامه ریزی نمی‌کنند. در عوض، ایده اصلی طراحی الگوریتمی است که از طریق ترکیب داده‌ها و بدون دخالت مستقیم انسان می‌آموزد که چگونه می‌توان مشکل را حل کرد.
دانشمندان با دانستن این موضع که نورهای شب هنگام پروکسی عالی برای فعالیت‌های اقتصادی محسوب می‌شوند چراکه نشان‌دهنده وجود برق و رفاه موجود در آن منطقه هستند، پروژه نقشه‌کشی از مناطق فقیر را آغاز کردند. این امر شامل نیمی از اطلاعات پردازش‌نشده‌ای می‌شود که سیستم به آن نیاز دارد.
استفانو ارمون، پروفسور علوم کامپیوتری، در این‌باره گفت: «اساسا، تصاویر ماهواره‌ای از روز و شب را به سیستم یادگیری ماشینی ارائه دادیم و خواستار پیش‌بینی مناطق فقیرنشین شدیم. در نهایت این سیستم با مقایسه این دو سری عکس یاد گرفت که چگونه مشکل را حل کند».
تصویری از اروپا، آفریقا و خاورمیانه در شب که توسط ماهواره ناسا در سال 2012 گرفته شده است
این روش شکلی از یادگیری ماشینی به نام «یادگیری انتقالی» است. ارمون این روش را به اینکه چگونه یادگیری مهارت رانندگی با ماشین قابل انتقال به سواری با موتورسیکلت است، تشبیه می‌کند. در مورد نقشهبرداری از مناطق فقیرنشین، مدل از تصاویر روز برای پیش‌بینی توزیع و شدت نور در زمان تاریکی و درنتیجه رفاه نسبی استفاده می‌کند.
سپس این اطلاعات به آنچه وظیفه پیش‌بینی فقر را دارد منتقل می‌شود. این امر با ساخت فیلترهایی مرتبط با انواع مختلف زیرساخت صورت می‌گیرد که در تخمین فقر مفید واقع می‌شوند. سیستم این کار را انجام داده و دوباره به مقایسه و پیش‌بینی تصاویر روز و شب می‌پردازد و به طور پیوسته نظریه‌های آنالیزی حدس زده شده ماشینی خود را با جزئیات جمع‌آوری‌شده از داده‌ها تطبیق می‌دهد.
دیوید لوبل، پروفسور علوم سیستم زمین، در این‌باره گفت: «وقتی که نمونه در حال آموزش است، هرآنچه با افزایش نور در تصاویر شب مرتبط است را انتخاب می‌کند و با تصاویر روز همان منطقه مقایسه می‌کند، سپس مشاهدات خود را با اطلاعات به دست آمده از مناطق میدانی بررسی شده جفت و جور می‌کند و در آخر قضاوت می‌کند».
ارمون نیز در این باره اظهار داشت: «این قضاوت‌ها فوق العاده دقیق هستند. وقتی که پیش‌بینی‌های صورت گرفته مدلمان را با اطلاعات میدانی جمع‌آوری شده از طریق روش کنونی و گران‌قیمت مقایسه کردیم، متوجه شدیم که سطح اجرایی بسیار نزدیک بهم است».
جایگزینی برای نقشه‌برداری‌های زمینی گران قیمت
مدل‌های موثر یادگیری ماشینی می‌توانند بسیار پیچیده باشند. نمونه‌ای که تیم توسعه داده بیش از 50 میلیون پارامتر اطلاعات یادگیری قابل تنظیم دارد. بنابراین با وجود این که محققان می‌دانند مدل نقشهبرداری آنها چه کار می‌کند اما دقیقا نمی‌دانند که چگونه این کار را می‌دهد.
لوبل بیشتر توضیح می‌دهد: «تا سطح بسیار بالایی تنها یک حس بصری از آنچه نمونه انجام می‌داد، داشتیم. نمی‌توانیم با اطمینان بگوییم که چه ارتباطاتی را برقرار می‌کند یا دقیقا چرا و چگونه این ارتباطات را می‌سازد».
در نهایت، دانشمندان معتقدند که این نمونه می‌تواند جایگزین روش نقشهبرداری پرهزینه و وقت‌گیر زمینی شود که در حال حاضر از آن برای نقشهبرداری از فقر استفاده می‌شود.
بورک در این‌باره گفت: «این یک فرصت باورنکردنی برای اندازه گیری فوق‌العاده دقیق فقر است که در عین حال ارزان و مقیاس‌پذیر هم است. زیبایی همراه با توسعه و کار با این مجموعه اطلاعات عظیم این است که این مدل با جمع‌آوری اطلاعات بیشتر و بیشتر، بهتر نیز کار می‌کند».
فقدان تصاویر ماهواره‌ای کافی
در دسترس بودن یا نبودن اطلاعات بخشی از یک عامل محدود کننده محسوب می‌شود. در حال حاضر پوشش ماهواره‌ای از نواحی فقیرنشین یکدست نیست. دانشمندان به تصاویر بیشتری، که دستاورد یک پایه منسجم‌تر باشد، نیاز دارند که به عنوان اطلاعات خام به سیستم‌شان بدهند تا قادر به برداشتن گام بعدی باشند و پیش‌بینی کنند آیا در آینده این مناطق ذره ذره به سمت رفاه پیش می‌روند یا بیشتر در بدبختی گیر می‌کنند.
اما چنین محدودیت اطلاعاتی به زودی برداشته می‌شود یا حداقل کاهش می‌یابد.
بورک در ادامه می‌افزاید: «تعداد زیادی عکس ماهواره‌ای جدید با وضوح بالا وجود دارد که همین حالا هم در حال ثبت شدن هستند و تا 18 ماه آینده در دسترس قرار خواهند گرفت. این امر به ما کمک می‌کند زمان را نیز در کنار فضا پیش‌بینی کنیم. همچنین، چندین کمپانی ماهوراه‌های کوچک نیز قصد دارند تا به صورت روزانه تصاویری از سیاره فراهم کنند و حالا به اندازه کافی ماهواره داریم تا این کار را انجام دهیم. فکر نمی‌کنم زیاد طول بکشد تا قادر به نقشهبرداری ارزان، مقیاس‌پذیر و دقیق در بعد زمانی مانند بعد مکانی باشیم».
با وجود اینکه دانشمندان برآورد کرده‌اند به کمک تصاویر ماهواره‌ای فراوان‌تر قادر به انجام چه کارهایی هستند، در حال حاضر در نظر دارند که کشف کنند با اطلاعات اولیه متفاوتی، مانند فعالیت‌های تلفن همراه، از پس چه کارهایی برخواهند آمد.
به گفته بورک، شکبه‌های گوشی همراه در سراسر دنیای در حال توسعه وجود دارد. وی می‌تواند راهکارهایی را به منظور اعمال سیستم یادگیری ماشینی پیش‌بینی کند تا طیف گسترده‌ای از شاخص‌های رفاهی را شناسایی کنند.
لوبل در این‌باره گفت: «تا وقتی که شروع به تلاش نکنیم، نتیجه معلوم نیست. در کل زیبایی یادگیری ماشینی این است: این روش در یافتن چیزی که در میان یک میلیون مورد دیگر کار می‌کند، بسیار مفید واقع می‌شود. ماشین‌ها در این موارد بسیار خوب و کاربردی هستند».
گزارش: هانا حیدری
انتهای پیام/
با استفاده مجدد از زبالههای زیستی:
