EM MAIO WONG

No combate a  pobreza, como qualquer luta, ébom conhecer a localização de seus alvos.

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

A ferramenta poderosa que eles desenvolveram combina imagens de satanãlite gratuitas e acessa­veis ao paºblico com inteligaªncia artificial para estimar onívelde pobreza nas aldeias africanas e asmudanças em seu desenvolvimento ao longo do tempo. Ao analisar dados passados ​​e atuais, a ferramenta de medição poderia fornecer informações aºteis para organizações, agaªncias governamentais e empresas que prestam servia§os e necessidades aos pobres.

Detalhes do empreendimento foram revelados na edição de 22 de maio da Nature Communications .

“Nossa grande motivação édesenvolver melhor ferramentas e tecnologias que nos permitam progredir em questões econa´micas realmente importantes. E o progresso élimitado pela falta de capacidade de medir resultados ”, disse Burke, professor do Instituto Stanford de Pesquisa de Pola­tica Econa´mica (SIEPR) e professor assistente de ciência dos sistemas terrestres na Escola de Ciências da Terra, Energia e Meio Ambiente ( Stanford Earth). "Aqui estãouma ferramenta que achamos que pode ajudar."

Lobell, um membro saªnior do SIEPR e professor de ciência dos sistemas terrestres em Stanford Earth, diz que olhar para trás éfundamental para identificar tendaªncias e fatores que ajudam as pessoas a escapar da pobreza.

"Surpreendentemente, não hárealmente nenhuma boa maneira de entender como a pobreza estãomudando emnívellocal na áfrica", disse Lobell, que também édiretor do Centro de Segurança Alimentar e Meio Ambiente e do Companheiro William Wrigley no Instituto Stanford Woods para o Meio Ambiente. “Os censos não são frequentes o suficiente e as pesquisas porta a porta raramente retornam a s mesmas pessoas. Se os satanãlites puderem nos ajudar a reconstruir uma história de pobreza, podera¡ abrir muito espaço para melhor entender e aliviar a pobreza no continente. ”

A ferramenta de medição usa imagens de satanãlite tanto de noite quanto de dia. Anoite, as luzes são um indicador do desenvolvimento e, durante o dia, imagens da infraestrutura humana, como estradas, agricultura, materiais de cobertura, estruturas habitacionais e cursos de a¡gua, fornecem caracteri­sticas correlatas ao desenvolvimento.

Em seguida, a ferramenta aplica a tecnologia do aprendizado profundo - algoritmos de computação que se treinam constantemente para detectar padraµes - para criar um modelo que analisa os dados das imagens e forma um a­ndice para a riqueza de ativos, um componente econa´mico comumente usado pelos pesquisadores para medir a riqueza da familia no desenvolvimento nações.

Os pesquisadores testaram a precisão da ferramenta de medição em cerca de 20.000 vilarejos africanos que possua­am dados de riqueza de ativos de pesquisas desde 2009. Eles descobriram que ele teve um bom desempenho na aferição dos na­veis de pobreza das vilas durante diferentes períodos de tempo, de acordo com seu estudo.

Aqui, Burke - que também émembro do centro do Instituto de Meio Ambiente de Stanford Woods e do Instituto de Estudos Internacionais Freeman Spogli - discute a criação da ferramenta e seu potencial para ajudar a melhorar o bem-estar dos pobres do mundo.

Pela primeira vez, essa ferramenta demonstra que podemos medir o progresso econa´mico e entender as intervenções de pobreza emnívellocal e em larga escala. Funciona em toda a áfrica, em muitos anos diferentes. Funciona muito bem e funciona em muitos tipos diferentes depaíses.

Se queremos entender a eficácia de um programa antipobreza, ou se uma ONG deseja direcionar um produto especa­fico para tipos específicos de indiva­duos, ou se uma empresa deseja entender onde o mercado estãocrescendo - todos esses dados requerem dados sobre resultados econa´micos . 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.

Nosso trabalho inicial de mapeamento da pobreza , publicado em 2016, foi realizado em cincopaíses, usando um ano de dados. Baseava-se em imagens caras e de alta resolução em uma escala piloto muito menor. Agora, este trabalho abrange cerca de duas daºzias depaíses - cerca da metade dospaíses da áfrica - usando muitos mais anos de dados de alta dimensão. Isso forneceu conjuntos de dados de treinamento subjacentes para desenvolver os modelos de medição e permitiu validar se os modelos estãofazendo boas estimativas de pobreza.

Estamos confiantes de que podemos aplicar essa tecnologia e essa abordagem para obter estimativas confia¡veis ​​para todos ospaíses da áfrica.

A principal diferença em relação ao trabalho anterior éque agora estamos usando imagens de satanãlite totalmente disponí­veis ao paºblico que remontam ao tempo - e são gratuitas, o que acho que democratiza essa tecnologia. E estamos fazendo isso em uma escala espacial abrangente e massiva.

Estamos desenvolvendo rápidos desenvolvimentos no campo da ciência da computação - do aprendizado profundo - que ocorreram nos últimos cinco anos e que realmente transformaram a maneira como extraa­mos informações das imagens. Nãoestamos dizendo a  ma¡quina o que procurar nas imagens; em vez disso, estamos apenas dizendo: “Aqui éum lugar rico. Aqui éum lugar ruim. Entender."

O computador estãoclaramente escolhendo áreas urbanas, áreas agra­colas, estradas, vias navega¡veis ​​- caracteri­sticas da paisagem que vocêpode pensar que teriam algum poder preditivo em poder separar áreas ricas de áreas pobres. O computador diz: 'Encontrei esse padra£o' e podemos atribuir um significado sema¢ntico a ele.

Essas caracteri­sticas mais amplas, examinadas noníveldas aldeias, acabam sendo altamente relacionadas a  riqueza média das fama­lias naquela regia£o.

Agora que temos esses dados, queremos usa¡-los para tentar aprender algo sobre desenvolvimento econa´mico. Essa ferramenta nos permite abordar questões que não pudemos fazer um ano atrás, porque agora temos medições emnívellocal dos principais resultados econa´micos em larga escala espacial e ao longo do tempo.

Podemos avaliar por que alguns lugares estãose saindo melhor do que outros. Podemos perguntar: Como são os padraµes de crescimento nos meios de subsistaªncia? A maior parte da variação éentrepaíses ou dentro depaíses? Se hávariação dentro de umpaís, isso já nos diz algo importante sobre os determinantes do crescimento. Provavelmente éalgo acontecendo localmente.

Eu sou economista, então esses são os tipos de perguntas que me empolgam. O desenvolvimento tecnola³gico não éum fim em si mesmo. a‰ um facilitador para a ciência social que queremos fazer.