Pesquisadores de inteligência artificial e cientistas de dados do Facebook criaram mapas de densidade populacional. O que é tão especial é que eles são mais precisos e com maior resolução do que qualquer um de seus antecessores. Derrick Bonak, Derrick Bonafilia, James Gill, Danil Kirsanov e Jason Sundram consultaram o blog do Facebook na terça-feira para escrever sobre seu trabalho.

Esses mapas são projetados para um propósito significativo - mapeamento para ajuda humanitária e desenvolvimento. Pense nos trabalhadores humanitários no controle de doenças e preparação para desastres.

"Com base em nossa publicação anterior de mapas populacionais de alta resolução semelhantes para 22 países, agora estamos lançando novos mapas da maior parte do continente africano, e o projeto acabará mapeando quase toda a população mundial. "

Ben Paynter em Fast Company expôs os terríveis desafios para os trabalhadores levarem ajuda às pessoas que dela precisam e como os mapas podem ajudar.

"Vacinas, inseticidas de combate a doenças, e novos avanços na tecnologia solar podem ajudar as pessoas nos países em desenvolvimento a se manterem mais saudáveis ​​e com melhor qualidade de vida. Isso é, se você puder localizá-los. Em muitos lugares, comunidades menores estão espalhadas por um terreno vasto e relativamente desconhecido. "

Isso foi desenvolvido pela equipe World.AI, sediada em Boston. A equipe do Facebook tinha algumas evidências de que seus mapas poderiam cumprir seu propósito. Disseram que no Malawi, os mapas do Facebook foram usados ​​para informar uma campanha de sarampo e rubéola. A Cruz Vermelha conseguiu enviar voluntários locais treinados para áreas carentes específicas.

A tecnologia que atende a esse objetivo é uma mistura de técnicas de aprendizado de máquina, imagens de satélite de alta resolução, e dados populacionais. (Eles escreveram que os mapas de satélite neste projeto "foram gerados usando imagens de satélite disponíveis comercialmente da DigitalGlobe - o mesmo tipo de imagem disponibilizada por meio de serviços de mapeamento de acesso público.")

Seu método envolveu o mapeamento de "centenas de milhões de estruturas" que estão distribuídas por vastas áreas. Eles usaram isso para extrapolar a densidade populacional local.

Outra postagem no blog do Facebook descreveu com mais detalhes o processo. "Só para a África, por exemplo, o sistema examinou 11,5 bilhões de imagens individuais para determinar se continham uma estrutura. A abordagem deles encontrou aproximadamente 110 milhões de localizações de estruturas em apenas alguns dias. "

Para explicar como a IA foi desencadeada, uma postagem de Karen Hao em "The Download" de MIT Technology Review acompanhou os leitores.

"Primeiro, uma equipe do grupo World.AI do Facebook teve que treinar uma rede neural para reconhecer se um pedaço de terra dentro de uma imagem de satélite continha uma casa. Para fazer isso, os pesquisadores criaram um conjunto de dados de treinamento sobrepondo mais de 100 milhões de coordenadas crowdsourced de casas do OpenStreetMap em imagens de satélite. Eles também usaram truques de visão de computador da velha escola para verificar se as imagens marcadas sem casas não continham nenhum objeto em forma de polígono revelador. "

Imagens de satélite do continente africano foram divididas em áreas de 30 por 30 metros. Eles usaram a rede neural para criar um sistema preciso, mapa de densidade populacional de alta resolução.

Vale a pena ler os blogs, com certeza, não apenas para descobrir o que eles alcançaram, mas para avaliar o grande desafio que envolve o mapeamento populacional. É um desafio, como eles disseram, adequado para aprendizagem profunda.

"O censo de um país mostra quantas pessoas vivem em um determinado setor censitário, mas não indica onde as pessoas vivem nessas áreas - e às vezes as áreas abrangem centenas de quilômetros quadrados. A África sozinha tem 1,2 bilhão de pessoas em quase 16 milhões de milhas quadradas; seu maior setor censitário é 150, 000 milhas quadradas com 55, 000 pessoas. Se os pesquisadores soubessem onde as casas ou outros edifícios estavam localizados nesses setores, eles poderiam criar mapas de densidade extremamente precisos ao alocar a população proporcionalmente a cada um. "

Então, dado um "grande desequilíbrio, " O que eles fizeram?

"A maior parte das terras do mundo não contém uma construção, por isso, frequentemente lidamos com desequilíbrios de classe de negativo para positivo de 100, 000 para 1. Usamos uma etapa de pré-processamento usando técnicas clássicas de visão computacional com recall quase perfeito (ao custo de baixa precisão) para descartar a maioria das áreas que não continham um edifício. Isso nos deixou com amostras candidatas de imagens de satélite de aproximadamente 30 x 30 metros (64 x 64 pixels). "

(Uma legenda no relatório explica que "Nosso pipeline primeiro separa locais que não poderiam conter uma construção. Em seguida, a rede neural classifica cada local restante de acordo com a probabilidade de que contenha uma construção.")

Eles seguiram para o próximo desafio, eles escreveram, e isso classificava quais remendos continham um edifício. "Embora bastante reduzido pelo pré-processamento, a proporção de quadrados vazios para aqueles com edifícios ainda era de 10 para 1 ou mesmo 1, 000 para 1. Isso criou um problema de classificação binária desequilibrada, e, portanto, avaliamos nossos resultados usando a pontuação F1, que é a média harmônica da precisão e recall. "

"A resolução sem precedentes, escala, e a precisão de nossas ofertas mais recentes deve continuar a ajudar na ajuda humanitária e nos esforços de desenvolvimento em todo o mundo. "

A equipe disponibilizou o conjunto de dados para download.

O que vem a seguir:eles planejam lançar mapas populacionais de alta resolução de mais lugares nos próximos meses. O projeto tem como objetivo continuar adicionando novos continentes e países.

"The Download", por sua vez, referia-se a algo chamado "Deep Geography" e seu resumo sugere um interesse científico geral em extrair informações de imagens de satélite usando aprendizado profundo. Um dos exemplos da postagem foi da Microsoft, que no ano passado "treinou um modelo de aprendizado profundo para construir um conjunto de dados abrangente de todas as bases de construção nos EUA".

© 2019 Science X Network