机器学习帮你了解这世界最晦暗的战乱和贫困 这张图刺痛世界

整个人类似乎发展地很好：互联网经济、奥林匹克运动会、火箭发射、太空漫游......然而这样繁荣的图景并不是人类的全部，世界上还依然充满了贫困和战乱。就像这个在叙利亚战乱刚刚遭遇空袭的5岁小男孩Omran Daqneesh，出人意料地安静、麻木和茫然，不哭不闹地擦掉自己脸上的血，而谁又知道他经历了怎样的残酷！人们乐于分享幸福与富裕，而战乱和贫困地区人的日常和生活水平，我们很难得知

整个人类似乎发展地很好：互联网经济、奥林匹克运动会、火箭发射、太空漫游......

然而这样繁荣的图景并不是人类的全部，世界上还依然充满了贫困和战乱。就像这个在叙利亚战乱刚刚遭遇空袭的5岁小男孩Omran Daqneesh，出人意料地安静、麻木和茫然，不哭不闹地擦掉自己脸上的血，而谁又知道他经历了怎样的残酷！

人们乐于分享幸福与富裕，而战乱和贫困地区人的日常和生活水平，我们很难得知。尽管有那么多国际机构声称要去要去帮助，去改变，然而由于无法了解基本信息，很难对症下药。

他们的夜晚连灯光都没有

长久以来，研究人员会有一个评估某一地区的发展程度的指标：夜晚灯光的亮度和密度。但是这个方法有个局限，那就是它只能看到亮着的地区，而对于那些夜晚的黑暗之地，我们只能判断它们大致是贫困的，而究竟贫困到什么程度，就不得而知。

“非洲最穷的地方，是我们最关心的。但在晚上，那里几乎全部都是黑暗之地。”斯坦福大学的电子工程与计算机科学博士Neal Jean说道。

两个村庄，一个靠近湖边，一个靠近森林，在灯光分布图里都可能是全暗的，但是它们临近不同的自然资源，富裕程度不一样。

而且，一般来说，了解一个地区的经济水平，需要进行调研，而这一方法在战乱和冲突地区是无法展开的，而恰巧这些地区就是世上最穷之地。

为什么要知道哪里是最穷的？

国际组织和当地政府决策者最在乎这些数据。比如，一个公益性国际组织要对不发达地区进行资金援助，资金是有限的，他们就需要确切知道哪些地区的需求最恳切，所谓“把钱花在刀刃上”。

对于政策制定者而言，了解本国个地区的经济发展状况是一项必须进行的工作，因为这样才能制定出针对性的发展方案。但事实是什么呢？世界银行数据显示，在2000-20010年的十年时间里，59个非洲国家中，有39个国家只进行了不到2次的贫困水平调查。

新的方法：更聪明、更便宜

斯坦福大学的这拨以Jean为领导的研究人员，他们采取的是现在很流行的卷积神经网络的机器学习算法，所用的数据分白天的和晚上的，白天的数据来自卫星拍摄的地球高清图像，夜晚的数据就是灯光分布图。

整个的算法分两步。第一步叫做“迁移学习”（Transfer Learning），研究人员把五个国家的白天和夜晚的数据“喂给"系统，包括尼日利亚、坦桑尼亚、乌干达、马拉维、卢旺达这五个非洲国家。计算机需要学习卫星照片上的物体与夜晚灯光亮度的关系。

比如系统可以学习到：一片湖区和一片森林，他们在晚上应当是黑暗的，这与该地区是否贫困并无关联；但是，一个房屋聚集的村庄，理应夜晚亮度比较高，如果这片区域是黑暗的，那么极有可能就是贫困地区。

通过这样的学习，系统将贫困地区的数据都提取出来。接下来，就进行第二步，叫做“岭回归模型”（Ridge Regression Model）。研究人员将经过真实调查的数据指标再次“喂给”系统，比如世界银行生活水平测量研究等。

这次，系统会把未经过调查统计的地区的大致贫困程度预测出来。比如，系统已经知道一个10户房屋的村庄A的夜晚大致灯光亮度，而调查报告里有一个与A村地理位置相近，而且灯光亮度相似的10户村庄B的信息，报告显示B村的家庭收入水平是1.9美元/天。那么系统通过交叉对比，就可以判断出A村与B村有着相似的经济水平。

这个分两步走的算法系统比单一的依靠灯光预测的方法更为准确，在具体的实验里，其准确率达到81%-99%。

另外，由于该系统使用的数据都是来自公共机构，比如卫星图像和灯光分布图就是来自NASA，而调查报告来自于美国政府和国际组织，所以整个系统的花费并不昂贵，可供有需要的公众和机构免费使用。

Jean表示，系统目前数据只是来自非洲的五个国家，下一步的工作就是用其他国家的数据来训练，以绘制出全球贫困地图，帮助政府和机构更好地减轻世界贫困。