Use machine learning to map poverty

งานวิจัยนี้ เป็นอีกตัวอย่างของ Geoinformatic สมัยใหม่ ที่ใช้เรื่อง data science และ machine learning มาใช้ ได้เป็นอย่างดี

ทีมวิจัยของ Stanford ได้แก่ Neal Jean, Marshall Burke, Michael Xie,W. Matthew Davis,David B. Lobell, Stefano Ermon ได้พัฒนาระบบ พยากรณ์และสร้างแผนที่ติดตามความยากจน (poverty map) ขึ้นมา

โดยโจทย์ ต้องการติดตาม การพัฒนาเศรษฐกิจ ความเป็นอยู่ของสังคม ชุมชนในประเทศด้อยพัฒนา เพื่อให้ได้ information สำหรับใช้ติดตามการแก้ปัญหาความยากจน การสนับสนุน หลักการก็คือ ทีมวิจัย ใช้ ข้อมูลจาก ภาพถ่ายดาวเทียม เพื่อประมวลผล หาพื้นที่โซน ชุมชนยากจน โดยเทียบภาพถ่ายดาวเทียม high-resolution daytime กับ nightlight image ภาพกลางวัน รายละเอียดสูง

ทำให้จำแนกเขต ชุมชน เมือง ได้ จากอาคาร ถนน และรูปทรงของพื้นที่การทำเกษตร จากนั้น ติดตาม กิจกรรมกลางคืน จากแสงสว่างด้วยภาพถ่ายดาวเทียม เพื่อเปรียบเทียบ พื้นที่ยากจน หรือขาดแคน ส่วนมากจะ ไม่มีไฟฟ้า และชุมชน จะไม่มีกิจกรรม ในตอนกลางคืน เหมือนเมืองที่เจริญ

ทีมวิจัย ใช้ข้อมูลเศรษฐกิจ และการสำรวจอื่นๆ เช่น ฐานข้อมูล The Living Standards Measurement Study — Integrated Surveys on Agriculture (LSMS-ISA) ของ world bank เป็น feature ร่วม ในการ training ตัว machine learning ด้วยเทคนิคการจำแนกแบบ convolutional neural network เพื่อให้มันสามารถจำแนกโซน พื้นที่ขาดแคลน เพื่อทำแผนที่ชุมชนที่ยากจน ออกมาอัตโนมัติ รวมถึงพยากรณ์ตัวเลขกิจกรรมทางเศรษฐกิจ จากข้อมูลภาพถ่ายดาวเทียม และข้อมูลประกอบอีกด้วย

ลองเข้าไปอ่าน paper ฉบับเต็มได้ จะเห็นแนวทางการพัฒนาระบบ GIS และ remote sensing ยุคใหม่ ที่ใช้ machine learning มาเพิ่มความสามารถในการ พัฒนาระบบ การวิเคราะห์ขั้นสูง(มากกว่าคนทั่วไปแปลความเองได้)

link ตัวอย่าง Vdo อธิบายโครงการ
https://www.youtube.com/watch?v=DafZSeIGLNE

อ้างอิงบทความเต็ม

http://news.stanford.edu/2016/08/18/combining-satellite-data-machine-learning-to-map-poverty/

ดาวน์โหลด paper
http://science.sciencemag.org/content/353/6301/790