ทีมวิจัยจาก Stanford พัฒนาอัลกอริทึมแบบ machine learning ใช้ภาพถ่ายความละเอียดสูงจากดาวเทียมมาสร้างแผนที่ความยากจนที่มีข้อมูลแม่นยำขึ้นจากการใช้วิธีสร้างแบบเดิม

กล่าวถึงแผนที่ความยากจน (poverty map) กันก่อน โดยทั่วไปแล้วคือแผนที่แสดงว่าประชากรในแต่ละพื้นที่นั้นมีรายได้เฉลี่ยต่อคนในแต่ละวันเป็นเงินเท่าไหร่ แผนที่นี้ใช้ประโยชน์ในหลายด้าน ทั้งในแง่การบริหารปกครองของหน่วยงานภาครัฐท้องที่ต่างๆ เพื่อกระจายความเจริญให้ถึงแหล่งที่ต้องการอย่างแท้จริง รวมทั้งกำหนดนโยบายการบริหารทรัพยากรได้อย่างเหมาะสม ไม่เพียงเท่านั้น แผนที่ความยากจนยังเป็นข้อมูลสำคัญสำหรับหน่วยงานไม่แสวงหาผลกำไรอีกจำนวนมากที่ต้องการใช้เพื่อวางแผนการให้ความช่วยเหลือผู้คนทั่วทุกมุมโลกได้อย่างเหมาะสม

โดยทั่วไป การสร้างแผนที่ความยากจนที่ว่านี้มีทั้งการใช้ข้อมูลที่ได้จากการสำรวจโดยการลงพื้นที่สอบถามข้อมูลจากผู้คนในแต่ละท้องถิ่นซึ่งต้องทั้งเวลาและค่าใช้จ่ายในการดำเนินการสูงมาก ส่วนพื้นที่ซึ่งยังไม่มีข้อมูลจากการสำรวจก็ใช้การพยากรณ์เข้ามาช่วยซึ่งก็ไม่ได้แม่นยำมากนัก เนื่องจากการพยากรณ์ทางคณิตศาสตร์ที่มีฐานข้อมูลจริงจากการสำรวจให้อ้างอิงได้น้อยย่อมให้ผลการพยากรณ์ที่คลาดเคลื่อนได้มาก ลองนึกภาพว่าการสำรวจข้อมูลในทวีปแอฟริกาเพียง 5 ประเทศจะทำให้สามารถสร้างแผนที่ความยากจนสำหรับทั้งทวีปได้แม่นยำสักเพียงใดโดยไม่มีข้อมูลอื่นเข้ามาช่วยในการวิเคราะห์และพยากรณ์

ทีมวิจัยของ Stanford จึงตีโจทย์การทำแผนที่ความยากจนนี้เสียใหม่โดยการเอาข้อมูลที่มีทั่วถึงทุกพื้นที่ภูมิประเทศของโลกมาใช้ นั่นก็คือภาพถ่ายความละเอียดสูงจากดาวเทียม พร้อมกันนี้ทีมวิจัยได้พัฒนาอัลกอริทึมแบบ machine learning เข้ามาช่วยในการวิเคราะห์ภาพถ่ายจำนวนมากเหล่านั้นเพื่อสร้างแผนที่ความยากจนด้วย

ทีมวิจัยใช้ภาพถ่ายดาวเทียมทั้งเวลากลางวันและกลางคืน ภาพถ่ายจากนอกโลกแสดงให้เห็นว่าเมืองใหญ่ที่มีความเจริญจะมีแสงไฟส่องสว่างยามราตรีแตกต่างจากพื้นที่ห่างไกลที่แทบจะไม่มีจุดแสงไฟปรากฏให้เห็น ด้วยการประเมินขั้นต้นนี้ทำให้ระบบสามารถบ่งชี้พื้นที่ซึ่งมีความเจริญทางเศรษฐกิจสูงออกมาได้ แต่สำหรับพื้นที่มืดในภาพถ่ายนั้นระบบยังไม่สามารถเหมารวมได้ว่าทุกพื้นที่มืดเหล่านั้นมีความยากจนในระดับเดียวกันหมด

ขั้นตอนถัดมา อัลกอริทึมของ Stanford จะพิจารณาภาพถ่ายดาวเทียมเวลากลางวันของพื้นที่เจริญ และเรียนรู้สิ่งบ่งชี้ในภาพที่มาควบคู่กับเมืองที่เจริญนั้นๆ อาทิ ความหนาแน่นและขนาดของถนน, จำนวนและขนาดแหล่งน้ำ, พื้นที่เพาะปลูก, เขตชุมชนเมืองที่อยู่อาศัย, พื้นที่ป่าและสิ่งแวดล้อมตามธรรมชาติ ซึ่งถึงจุดนี้ระบบก็พอจะไล่เรียงได้ว่าบริเวณที่มีความมั่งคั่งระดับไหนที่จะมีสิ่งบ่งชี้ประเภทใดอยู่บ้างและมีมากน้อยเพียงใด

หลังจากนั้นระบบของ Stanford ก็จะวิเคราะห์พื้นที่ห่างไกล (ส่วนที่เป็นพื้นที่มืดในภาพถ่ายเวลากลางคืน) เพื่อประเมินว่าแท้จริงแล้วพื้นที่เหล่านั้นมีระดับความมั่งคั่งแตกต่างกันขนาดไหน โดยใช้สิ่งบ่งชี้จากภาพถ่ายกลางวันเป็นตัวตัดสิน ยกตัวอย่างเช่น ใน 2 พื้นที่กลางทวีปแอฟริกาที่มีภาพถ่ายกลางคืนมืดสนิทเหมือนกันหมด เมื่อเปรียบเทียบภาพถ่ายกลางวันของ 2 พื้นที่นั้น ก็อาจเห็นขนาดของพื้นที่การเกษตรที่แตกต่างกัน, จำนวนและขนาดของถนนที่ทอดผ่านพื้นที่แตกต่างกัน, ขนาดของชุมชนสิ่งปลูกสร้างที่อยู่อาศัยที่หนาแน่นแตกต่างกัน เช่นนี้แล้วระบบก็จะสามารถประเมินได้ว่า 2 พื้นที่แท้จริงแล้วมีระดับความยากจนที่ไม่เท่ากัน

ทีมวิจัยของ Stanford ได้ใช้วิธีการดังที่กล่าวมาสร้างแผนที่ความยากจนในทวีปแอฟริกาขึ้น และตรวจสอบเทียบกับข้อมูลที่ได้จากการสำรวจจริงใน 4 ประเทศของทวีป อันได้แก่ อูกันดา, แทนซาเนีย, ไนจีเรีย และมาลาวี พวกเขาพบว่าแผนที่ความยากจนที่ได้จากอัลกอริทึมการวิเคราะห์ภาพถ่ายดาวเทียมใน 4 ประเทศเหล่านี้ มีความแม่นยำตรงกันกับผลสำรวจจริงใน 4 ประเทศดังกล่าว นั่นทำให้พวกเขามั่นใจว่าผลงานวิจัยนี้มีความน่าเชื่อถือที่ดีพอจะนำไปใช้ประโยชน์จริง

ผู้ที่สนใจข้อมูลโครงการวิจัยนี้สามารถดูรายละเอียดเพิ่มเติมได้จากเว็บไซต์ของโครงการ ซึ่งนอกจากการสร้างแผนที่ความยากจนแล้ว ทีมวิจัยนี้ยังมีโครงการวิเคราะห์ผลผลิตการเกษตรโดยใช้โมเดลการคำนวณทางคอมพิวเตอร์ที่อยู่ในระหว่างการศึกษาอีกด้วย

ที่มา - Stanford News