23-08-2016 07:15 | Door: Hidde Middelweerd

Onderzoekers van Stanford University hebben een methode ontwikkeld waarmee arme gebieden in de wereld gemakkelijk en snel herkend kunnen worden. De onderzoekers maken hierbij gebruik van big data, machine learning en satellietbeelden.

Betrouwbare informatie over de locaties van arme zones in de wereld is verassend schaars, stelt Stanford University, zeker in Afrika. Om dit toch in kaart te brengen, maken hulporganisaties momenteel gebruik van deur-tot-deur enquêtes: een dure en tijdrovende klus.

De nieuwe methode van Stanford University moet armoede gemakkelijker en goedkoper in kaart brengen, zodat hulporganisaties hun fondsen bijvoorbeeld effectiever kunnen distribueren.

Satellietbeelden

Het team van onderzoekers maakt hierbij gebruik van big data, satellietbeelden en machine learning. Machine learning houdt in dat er computeralgoritmes worden ingezet, die patronen kunnen ontdekken in big data en daarvan leren. In dit geval wordt machine learning ingezet om relevante data uit satellietbeelden te halen.

De methode vergelijkt satellietbeelden die overdag en ’s nachts geschoten zijn, omdat rijke gebieden ’s nachts doorgaans beter verlicht zijn. Op die manier worden tekenen van economische ontwikkeling herkend, waardoor de mate van welvaart in een bepaald gebied voorspeld kan worden. “Ons algoritme is volledig zelfstandig in staat om bruggen, wegen, stedelijke gebieden en landbouw te herkennen”, zegt hoofdonderzoeker Neal Jean in een persbericht.

De kracht van machine learning

“Ons onderzoek laat de kracht van machine learning zien”, zegt Stefano Ermon, coauteur van het onderzoek. “Het is een hele goedkope en schaalbare methode om armoede in kaart te brengen, want je hebt er alleen satellietbeelden voor nodig.”

Big data

Aan de hand van big data kunnen processen versneld, verbeterd en verduurzaamd worden. Het kan bijvoorbeeld ingezet worden om zorgverlening te verbeteren, de infrastructuur van steden optimaal te benutten of efficiënter transport te realiseren.

Bron: Stanford University