中国社会科学报综合外媒报道 2月24日,美国斯坦福大学官网登载文章表示,该校一支跨专业研究团队通过对一个区域昼夜间光线变化的卫星图像进行比较分析,成功寻找到了剖析全球贫困分布区域的新方法。

　　扶贫问题最大的挑战之一是缺乏可靠的信息数据。为了帮助贫困人群,扶贫机构需要明确贫困地区的规模,以确认基础设施和服务机构的设置。但是在世界许多极度贫困地区,这些信息十分匮乏。斯坦福大学地球系统科学助理教授马歇尔·伯克(Marshall Burke)表示,能够为学者提供研究信息的数据库很少,“我们的调查仅仅覆盖数量有限的个别国家的个别家庭。对于世界其他难以触及的偏远角落,如撒哈拉以南非洲的部分地区,展开新的调查非常耗时且费用昂贵”。

　　对此,该校地球系统科学、计算机科学、电机工程学等学科的多名跨专业研究人员合作开发了一种新式贫困区域测绘方法。这项技术的基础是数百万张可能变成贫困地区的高分辨率卫星图像,研究人员利用机器学习(Machine Learning)方法进行分析。在机器学习过程中,科学家提供原始数据和计算模式,但不会将需要解决的问题直接编程,而是设计出算法,使计算机学会在没有直接人工干预的情况下,通过数据梳理解决难题。该校计算机科学助理教授斯特凡诺·艾莫(Stefano Ermon)表示,研究人员为机器学习系统提供不同区域日间和夜间的卫星图像,要求系统依据光亮变化探寻贫困区域分布,然后由系统自主学习,通过比较两组图像差异得出针对性解决方法。

　　研究人员认为,这种模式未来可以取代目前用于贫困测绘的昂贵且费时的地面调查。伯克表示,“这为廉价、可扩展、精确的贫困测度提供了机会,而运用这些巨大、可自主进化的数据集的好处在于随着信息积累越来越多,模型工作完成得越来越好。”同时,信息的可用性是一项限制性因素。目前贫困地区的卫星覆盖参差不齐,该系统需要更加形象、精确并且一致的信息基础,以实现下一步预测,分析被调查地区是已逐渐走向繁荣还是在贫困中越陷越深。

　　(王硕/编译)