只有当你告诉他们在哪里时，才能解决问题这个世界上的问题。例如，这也就是为什么对联合国（UN）而言，在非洲追踪贫穷至关重要UN在2015年发动了一项在全球杯葛贫穷的运动。然而在地面上收集数据往往是危险性、较慢及便宜的。

如今，一项研究利用卫星图像及机器学习得出了一个新的自由选择从太空绘制贫穷地图。　　人造卫星上装载的高性能照相机仍然在大大捕猎地球的照片，并且科学家寻思，否可以通过分析图像来调查贫穷问题。　　科学家所作的第一种此类尝试依赖夜晚摄制的地球图像。

电灯收到的灯光绘制了一个地区基础设施的闪烁图，粗略地表明了富人和穷人都生活在哪里。但是在晚上，有助于的经济欠发达地区看上去与意味著贫困地区依据世界银行的定义每天花销严重不足1.9美元的地区并没过于大的差异。　　因此由美国加利福尼亚州帕洛阿尔托市斯坦福大学经济学家MarshallBurke带领的一个社会学家和计算机科学家研究团队，对卫星日间图像展开了检验。这些图像也意味着表明出有了意味著贫困地区和中等贫困地区之间的一些细微差别。

两者都具备泥泞的、坑坑洼洼的道路，蜿蜒地伸延到一个个小村庄。但白天的图像还包括了其他一些关键指标：与最近的水源或最近的城市市场有多近？农田在哪里？　　从这些微小的似乎得出结论甚至打破了一名训练有素的专家的能力范畴但有可能难不倒一台计算机。

　　使具备多个变量的大数据集显得有意义是机器学习领域的一个经典挑战。其策略大体如下：首先获得一个目标变量是未知的数据集，在这种情况下一般来说为人均收入。

随后，在这些数据的一个子集的基础上训练计算机，从而创立一个统计资料模型，需要精确预测其余数据中的隐蔽变量。　　Burke的研究小组用于一种被称作卷积神经网络的机器学习技术，彻底改变了机器视觉领域。研究人员专心于5个非洲国家尼日利亚、坦桑尼亚、乌干达、马拉维和卢旺达。

这些国家都有相当大比例的人口生活在意味著贫困地区，并且来自地面的较好调查数据为计算机做出的任何预测获取了依据。　　研究人员认为，对于绘制非洲贫穷状况来说，白天的卫星图像比夜晚图像好得多。

与后者比起，前者预测某一地区正处于意味著贫困线以下情况的准确率为81%，并且在预测收益严重不足这一数字一半的某些地区时的准确率为99%。　　研究人员在8月19日出版发行的美国《科学》杂志上报告了这一研究成果。　　未参予该项研究的纽约州帕利塞兹市哥伦比亚大学地球研究所政治学家MarcLevy回应，仍然必须用地面调查来建构及检验这一工具。

但他说道，这项研究指出卫星图像再加地面调查将比任何一种分开方式更加强劲，特别是在那些展开地面调查很艰难甚至不有可能的地区。　　Levy特别强调，将这项技术推广到全世界其他地区也将具备最重要意义。

与作为一个整体与世界其他地区比起，这5个国家彼此之间更加相近。他说道，例如，非洲是最后一个抵抗城市化趋势的地区这里的大多数人仍然生活在农村。在其他城市化国家用于这项研究所牵涉到的技术有可能要绝佳多，尽管它仍然需要奏效。

本文来源：开云真人-www.sxing56.com