Wo auf der Erde leben die ärmsten Menschen? Und wo ist Wohlstand anzutreffen? Um diese Fragen dreht sich die Arbeit von Wissenschaftlern der Stanford University: In der aktuellen Ausgabe von Science stellt das Team um Neal Jean ein neues Verfahren vor, das Armut mithilfe von hochauflösenden Satellitenbildern und Machine Learning voraussagen kann.
Satellitenbilder, auf denen man die Beleuchtung während der Nacht erkennt, galten bisher schon als recht sicherer Indikator, dass in einer Region Armut beziehungsweise Wohlstand herrscht. Das Verfahren der Stanford-Forscher baut auf dieser Annahme auf. Sie werteten zunächst nächtliche Satellitenaufnahmen aus und stellten einen Zusammenhang zwischen Lichtintensität und Armut einer Region her.
Da diese Methode den Wissenschaftlern zufolge am unteren Ende der Armutsskala jedoch nicht mehr aussagekräftig genug ist, weil die Bilder dort gleichmäßig dunkel sind, zogen sie tagsüber entstandene Satellitenaufnahmen von Nigeria, Tansania, Uganda, Malawi und Ruanda heran. Auf diesen kann man Merkmale wie Metalldächer, Zustände von Straßen und Wegen sowie landwirtschaftliche Strukturen erkennen, die mit Wohlstandsverhältnissen verknüpft sind.
Die Forscher entwickelten einen lernenden Algorithmus, der selbstständig einen Zusammenhang zwischen diesen Tag-Merkmalen mit dem Grad der nächtlichen Beleuchtung herstellt – etwa wie sich Siedlungsgrößen und natürliche Ressourcen auf die Beleuchtung bei Nacht auswirken. Diese Ergebnisse wurden mit Einkommensstatistiken von Staaten und der Weltbank kombiniert. Anschließend lernte der Computer ohne den Umweg über das Lichtkriterium vorauszusagen, wie arm oder reich ein Gebiet ist.
Die Prognosen des Stanford-Algorithmus erreichten eine Trefferquote zwischen 81 und 99 Prozent. Dabei sind die Voraussagen für ländliche Regionen präziser als für dicht besiedelte Städte. Die Wissenschaftler wollen den Algorithmus nun auf weitere Länder anwenden. Auf diese Weise könnten laut den Forschern detaillierte „Karten der Armut“ entstehen, die Hilfsorganisationen und politische Entscheidungsträger sinnvoll bei der Planung von Hilfsmaßnahmen unterstützen.
„Unsere Arbeit demonstriert die Power von Machine Learning in diesem Kontext“, sagt Stefano Ermon, einer der Co-Autoren der Studie. „Und da unser Verfahren billig und erweiterbar ist – es benötigt nur Satellitenbilder –, könnte es genutzt werden, um die Armut auf der ganzen Welt auf kostengünstige Art und Weise zu kartografieren.“
+++ Mehr von WIRED regelmäßig ins Postfach? Hier für den Newsletter anmelden +++
