Dentro del enorme reto que es combatir la pobreza en sí misma está la localización exacta de la misma. En los países en vías de desarrollo la recopilación y el análisis de información de las zonas más castigadas por la pobreza en muchas ocasiones es deficitaria, complicada y depende de entidades no gubernamentales que, desafortunadamente, no disponen de los medios para mapear la pobreza más allá de sus reducidas zonas de actuación, sobre todo en el continente africano y en algunas zonas remotas de Asia.
Actualmente, el sistema para localizar y mantener un registro de la zonas más castigadas por la pobreza se hace de forma manual por los Gobiernos de los países en vías de desarrollo, por las Naciones Unidas y por las miles de ONGs que hacen este tipo de estudio de forma altruista para maximizar el uso de sus limitados recursos. Pero el problema es que lleva mucho tiempo, se requiere de mucha gente y cuesta mucho dinero, algo de lo que las entidades no gubernamentales no tienen.
No obstante, un grupo de investigadores de Standford han encontrado una nueva forma de mapear la pobreza de forma mucho más eficiente que el puerta-a-puerta, y desde luego, de una forma mucho más precisa y menos costosa que los sistemas actuales. De esta forma, la propuesta, publicada en Science, consiste en combinar la vigilancia por satélite con machine learning para extraer información precisa de la pobreza y poder crear mapas de calor que ayuden a las ONGs y los Gobiernos a actuar de forma más efectiva en las zonas más pobres.
En este caso, los investigadores construyeron mapas de pobreza basados en diferentes métodos de aprendizaje automático para encontrar las áreas más empobrecida en cinco países africanos:
¿Y cómo sabe el satélite dónde tiene que apuntar? Debido a que las zonas que son más brillantes en la noche por lo general están más desarrolladas, la solución de estos investigadores parte de una combinación de las imágenes de alta resolución durante el día con las imágenes de la Tierra en la noche; de forma que utilizaron los datos de "luz nocturna" para identificar las características que se correlacionan con el desarrollo económico.
"Hay pocos lugares en el mundo en los que podemos indicar al ordenador con certeza si las personas que viven allí son ricos o pobres" Esto hace que sea muy difícil extraer información útil a partir de la enorme cantidad de imágenes de satélite tomadas durante el día que está disponible." Neal Jean, autor principal del estudio
De esta forma, se han dado cuenta que se trata de un método sorprendentemente bueno para predecir la distribución de la pobreza, superando los enfoques existentes para mapear la pobreza, algo que puede ser rápidamente aplicado por las entidades no gubernamentales y los Gobiernos para luchar contra la pobreza de forma más efectiva que el análisis sobre el terreno de regiones muy concretas.