【大紀元2016年08月19日訊】（大紀元記者吳英編譯報導）消除貧困是各國政府和援助機構努力的目標，在規劃最佳政策及有效運用經費之前，有必要準確掌握貧困所在地。現在，科學家們創建新模式，利用衛星圖像和機器學習等技術，更精準繪製貧困地圖。
美國科技新聞網站The Verge 8月18日報導， 人們已經知道，夜間亮度可以反映貧富差異，越亮的地方表示相對富裕。不過，用「夜間照明模式」（Night Light Model）來推測貧富仍有其局限性，只能知道大範圍面積的貧富差異，無法精準地評估特定區域的差異情形。
科學雜誌（Science）18日最新一期登載斯坦福大學（Stanford University）更精準分析貧富差異的研究報告，依其內容，研究人員創建「轉移學習模式」（Transfer Learning Model）方法，分二步驟提供計算機三個數據：夜間照明圖像、白天圖像和實際調查數據，並構建運算法，計算特定面積範圍內的貧富差異。
報告的共同作者之一、斯坦福大學專研機器學習（machine learning）的博士生吉恩（Neal Jean）表示，衡量貧富差異最實際的方法是，透過人口普查蒐集如家庭財富和資產等經濟數據，但在多數發展中國家，這是行不通的，因為調查成本太高。
吉恩說：「我們的想法是，如果我們能建立正確的模型，這個模型會幫助我們預測無法進行普查的某個地區的貧富差異，這將有助於協助相關單位規劃援助方案。」
斯坦福大學研究人員挑選非洲烏干達、坦桑尼亞、尼日利亞、馬拉維和盧旺達等五個國家作為研究對象，在「轉移學習模式」的第一個步驟，提供計算機這五個國家的衛星夜間圖像和白天圖像。
研究人員再透過「深學習技術」（Deep Learning Technique），教計算機如何對照這些白天及晚間的圖像，學習由白天圖像判斷夜間情況，以及二者的關聯性。例如湖泊在晚上是漆黑一片，計算機透過學習會知道湖泊區域在晚上是黑的，因此在判斷夜間圖像時可以略去，不將之視為是貧困區域。
接下來「轉移學習模式」的第二個步驟，研究人員使用了嶺回歸模型（Ridge Regression Model）。此時計算機已知道辨別土地特徵和燈光之間的關聯性，科學家再給它這五個非洲國家曾有過的實際調查數據，如世界銀行生活水平衡量研究（World Bank Living Standards Measurement Study）。
計算機要根據這些調查數據學習推算，例如調查數據顯示，某個村莊總計有十戶家庭，每個家庭平均每一天的收入是2美元，如果在鄰近地區也有一個十戶家庭的村莊，那麼計算機透過運算會推定這些家庭的每天收入也是2美元。
相較於「夜間照明模式」，「轉移學習模式」確實更能準確找出貧困區，準確度達八成以上，但其仍有限制。
倫敦經濟學院（London School of Economics）經濟研究人員富蘭克林（Simon Franklin）表示，「轉移學習模式」可以分辨貧富區域的差異，但無法用以估算在城市內的貧富差異。加州聖地亞哥大學經濟學家亞伯拉罕（Alexei Abrahams）表示，這個研究使用的是舊有的夜間圖像，建議未來可使用美國宇航局2012年以後更精準的衛星圖像。
吉恩表示，這個研究的另一個限制是，只研究非洲的五個國家，模式或許無法分析印度或中國的貧富差異，不過，模型的建立成本並不高，因為所有圖像都來自公共領域。
責任編輯：李緣
