No combate à pobreza, como qualquer luta, é bom saber a localização de seus alvos.

É por isso que os estudiosos de Stanford Marshall Burke, David Lobell e Stefano Ermon passaram os últimos cinco anos liderando uma equipe de pesquisadores para descobrir uma maneira eficiente de encontrar e rastrear zonas empobrecidas em toda a África.

A ferramenta poderosa que desenvolveram combina gratuitamente, imagens de satélite publicamente acessíveis com inteligência artificial para estimar o nível de pobreza nas aldeias africanas e as mudanças em seu desenvolvimento ao longo do tempo. Ao analisar dados anteriores e atuais, a ferramenta de medição pode fornecer informações úteis para as organizações, agências governamentais e empresas que fornecem serviços e necessidades aos pobres.

Os detalhes de seu empreendimento foram revelados na edição de 22 de maio da Nature Communications .

"Nossa grande motivação é desenvolver melhor ferramentas e tecnologias que nos permitam avançar em questões econômicas realmente importantes. E o progresso é limitado pela falta de capacidade de medir resultados, "disse Burke, um membro do corpo docente do Instituto de Stanford para Pesquisa de Política Econômica (SIEPR) e um professor assistente de ciência do sistema terrestre na Escola da Terra, Energia e Ciências Ambientais (Stanford Earth). "Aqui está uma ferramenta que achamos que pode ajudar."

Lobell, um membro sênior do SIEPR e um professor de ciência do sistema terrestre em Stanford Earth, diz que olhar para trás é fundamental para identificar tendências e fatores que ajudem as pessoas a escapar da pobreza.

"Surpreendentemente, não tem havido uma boa maneira de entender como a pobreza está mudando em nível local na África, "disse Lobell, que também é diretor do Center on Food Security and the Environment e William Wrigley Fellow do Stanford Woods Institute for the Environment. "Os censos não são frequentes o suficiente, e as pesquisas de porta em porta raramente retornam às mesmas pessoas. Se os satélites podem nos ajudar a reconstruir uma história de pobreza, poderia abrir muito espaço para melhor compreender e aliviar a pobreza no continente. "

A ferramenta de medição usa imagens de satélite noturnas e diurnas. À noite, luzes são um indicador de desenvolvimento, e durante o dia, imagens de infraestrutura humana, como estradas, agricultura, materiais de cobertura, estruturas habitacionais e hidrovias, fornecer características correlacionadas com o desenvolvimento.

Em seguida, a ferramenta aplica a tecnologia de aprendizagem profunda - algoritmos de computação que se treinam constantemente para detectar padrões - para criar um modelo que analisa os dados de imagens e forma um índice de riqueza de ativos, um componente econômico comumente usado por pesquisadores para medir a riqueza das famílias em países em desenvolvimento.

Os pesquisadores testaram a precisão da ferramenta de medição por cerca de 20, 000 aldeias africanas que tinham dados de riqueza de ativos existentes de pesquisas, datando de 2009. Eles descobriram que ele teve um bom desempenho na medição dos níveis de pobreza das aldeias em diferentes períodos de tempo, de acordo com seu estudo.

Aqui, Burke - que também é bolsista do Stanford Woods Institute for the Environment e do Freeman Spogli Institute for International Studies - discute a fabricação da ferramenta e seu potencial para ajudar a melhorar o bem-estar dos pobres do mundo.

Por que você está animado com este novo recurso tecnológico?

Pela primeira vez, esta ferramenta demonstra que podemos medir o progresso econômico e compreender as intervenções contra a pobreza em nível local e em larga escala. Funciona em toda a África, em muitos anos diferentes. Funciona muito bem, e funciona em vários tipos de países.

Você pode dar exemplos de como essa nova ferramenta seria usada?

Se quisermos entender a eficácia de um programa anti-pobreza, ou se uma ONG deseja direcionar um produto específico para tipos específicos de indivíduos, ou se uma empresa deseja entender onde um mercado está crescendo - tudo isso exige dados sobre resultados econômicos. Em muitas partes do mundo, simplesmente não temos esses dados. Agora, estamos usando dados de toda a África Subsaariana e treinando esses modelos para coletar todos os dados para medir resultados específicos.

Como este novo estudo se baseia em seu trabalho anterior?

Nosso trabalho inicial de mapeamento da pobreza, publicado em 2016, foi em cinco países usando um ano de dados. Era caro, imagens de alta resolução em um formato muito menor, escala de piloto. Agora, este trabalho cobre cerca de duas dúzias de países - cerca de metade dos países da África - usando muitos mais anos de dados de alta dimensão. Isso forneceu conjuntos de dados básicos de treinamento para desenvolver os modelos de medição e nos permitiu validar se os modelos estão fazendo boas estimativas de pobreza.

Estamos confiantes de que podemos aplicar essa tecnologia e essa abordagem para obter estimativas confiáveis ​​para todos os países da África.

Uma diferença importante em comparação com o trabalho anterior é que agora estamos usando imagens de satélite totalmente disponíveis publicamente que remontam no tempo - e são gratuitas, que eu acho que democratiza essa tecnologia. E estamos fazendo isso de uma forma abrangente, escala espacial massiva.

Como você usa imagens de satélite para obter estimativas de pobreza?

Estamos construindo um rápido desenvolvimento no campo da ciência da computação - de aprendizado profundo - que aconteceu nos últimos cinco anos e que realmente transformou a forma como extraímos informações de imagens. Não estamos dizendo à máquina o que procurar nas imagens; em vez de, estamos apenas contando, "Este é um lugar rico. Aqui é um lugar pobre. Descubra."

O computador está claramente identificando áreas urbanas, áreas agrícolas, estradas, hidrovias - características na paisagem que você pode pensar que teriam algum poder de previsão na capacidade de separar áreas ricas de áreas pobres. O computador diz:'Eu encontrei este padrão' e podemos então atribuir um significado semântico a ele.

Essas características mais amplas, examinado ao nível da aldeia, revelaram-se altamente relacionados com a riqueza média das famílias naquela região.

Qual é o próximo?

Agora que temos esses dados, queremos usá-los para tentar aprender algo sobre o desenvolvimento econômico. Essa ferramenta nos permite responder a perguntas que não éramos capazes de fazer há um ano, porque agora temos medições em nível local dos principais resultados econômicos em geral, escala espacial e ao longo do tempo.

Podemos avaliar por que alguns lugares estão se saindo melhor do que outros. Podemos perguntar:como são os padrões de crescimento dos meios de subsistência? A maior parte da variação ocorre entre os países ou dentro dos países? Se houver variação dentro de um país, isso já nos diz algo importante sobre os determinantes do crescimento. Provavelmente é algo acontecendo localmente.

Eu sou economista, então esse é o tipo de pergunta que me deixa animado. O desenvolvimento tecnológico não é um fim em si mesmo. É um facilitador para as ciências sociais que queremos fazer.