Combinando imagens de satélite e aprendizado de máquina para prever a pobreza

Dados confiáveis sobre meios de subsistência econômicos continuam escassos no mundo em desenvolvimento, dificultando esforços para estudar esses resultados e para desenhar políticas que os melhorem. Aqui demonstramos um método preciso, econômico e escalável para estimar gastos de consumo e riqueza de ativos a partir de imagens de satélite de alta resolução. Usando dados de pesquisa e de satélite de cinco países africanos—Nigéria, Tanzânia, Uganda, Malawi e Ruanda—mostramos como uma rede neural convolucional pode ser treinada para identificar características de imagem que podem explicar até 75% da variação nos resultados econômicos em nível local. Nosso método, que exige apenas dados públicos disponíveis, poderia transformar os esforços para monitorar e direcionar a pobreza em países em desenvolvimento. Ele também demonstra como técnicas poderosas de aprendizado de máquina podem ser aplicadas em um contexto com dados de treinamento limitados, sugerindo uma ampla aplicação potencial em muitos domínios científicos.