Machine learning, l’apprendimento automatico per ottenere una mappa dettagliata delle aree povere del mondo. Si tratta di un nuovo metodo che sfrutta al meglio la possibilità di progettare algoritmi che imparino autonomamente dai dati che vengono sottoposti, generando nuove informazioni. I dati sulle condizioni in cui versano le popolazioni che vivono nei luoghi meno sviluppati del nostro pianeta sono pochi e frammentati. Al contempo, però, i moderni sistemi di mappatura satellitare forniscono in tempo reale enormi quantità di informazioni. Da queste premesse i ricercatori hanno cercato di capire in che modo si potessero sfruttare le immagini ad alta risoluzione per fare emergere le caratteristiche che definiscono un’area “povera” o “ricca”. In passato altre tecniche combinavano le mappature notturne con quelle diurne si è osservato come l’algoritmo evidenziasse e riconoscesse tutti quegli elementi che descrivono lo sviluppo di un’area, come strade, infrastrutture e terreni coltivati. Oggi un ulteriore sistema tecnologico è stato attuato, con grossi interrogativi, e può mappare la povertà a costi contenuti. Con queste immagini elaborate si può individuare in modo immediato e preciso le condizioni economiche in cui vivono gli abitanti e le singole famiglie, soprattutto nei Paesi poveri. Il risultato, pubblicato sulla rivista dell’Accademia americana delle scienze (Pnas), si deve al gruppo dell’università danese di Aarhus, guidato da Jens-Christian Svenning. “Grazie all’alta risoluzione delle immagini satellitari possiamo valutare in modo dettagliato lo stato di povertà delle abitazioni nelle aree rurali nei Paesi in via di sviluppo”, osserva Svenning. Il metodo è stato testato su un’area agricola in Kenya, dove le immagini dei satelliti hanno permesso ai ricercatori di misurare la dimensione degli edifici e delle aree di terreno incolto, la durata della stagione dei raccolti per diverse famiglie di coltivatori, l’utilizzo del territorio vicino alle case e il modo in cui cambia nel tempo.
La ricerca indica che l’analisi delle immagini satellitari può descrivere fino al 62% dei cambiamenti delle condizioni economiche di singole famiglie. Oltre ad essere relativamente economico, questo controllo dallo spazio permette di analizzare lo sviluppo economico su scale geografiche molto più vaste e con una lunga frequenza temporale rispetto agli altri metodi.
“La nostra analisi – conclude Svenning – considera l’accesso e l’uso delle risorse del territorio a diversi livelli. Alcune famiglie usano infatti il terreno vicino alla propria casa, mentre altre anche le aree comuni del villaggio. Quando usiamo i dati spaziali con una prospettiva socio-ecologica, riusciamo a cogliere lo stato finanziario, e quindi anche lo sviluppo di un’area, molto meglio di quanto fatto finora”.
