准确预测贫困的最新方法来自卫星图像和机器学习。这种成像技术可以使援助组织更容易知道在哪里以及如何花钱；它还可以帮助**制定更好的政策。

我们已经知道，一个地区的夜晚灯光越亮，它就越丰富、越发达。研究人员使用这种方法来估计那些我们没有确切数据的地方的贫困状况。但是“夜光”的估计是粗略的，并不能告诉我们很多关于穷人的财富差异。斯坦福大学的科学家们将三种数据源——夜光图像、白天图像和实际调查数据——输入计算机，以建立一种算法，预测某一特定地区的贫富状况。今天发表在《科学》杂志上的一项研究中描述了这种方法，它比我们以前更详细地估计了贫困。

很难衡量发展中国家的贫困程度。最好的方法是查看通过家庭调查收集的经济数据，如家庭财富和资产。斯坦福大学研究机器学习的博士生Neal Jean说：“问题是，我们在世界大部分地区都没有这些调查，因为它们很昂贵。”他说：“我们的想法是，如果我们把模型训练得正确，它们可以帮助我们预测那些我们没有调查的地区的贫困状况，这将有助于那些致力于解决这一问题的援助机构。”

伦敦经济学院（London School of economics）经济学研究员西蒙•富兰克林（Simon Franklin）表示，利用夜灯预测贫困提供了有关不同国家经济增长的重要信息，他没有参与这项研究。但它们并没有显示一个国家的贫困程度。

他们没有告诉我们一个地方是农村人口稠密，还是富裕人口稀少。一个靠近湖泊的村庄和一个靠近森林的村庄都可能在晚上出现没有灯光的情况。但这两个国家拥有不同的自然资源，这影响了他们的财富。”“在非洲，很多最贫穷的地方实际上晚上都是漆黑一片，”琼说因此，如果你只使用夜间灯光来寻找这些人，因为夜间灯光没有变化，你就无法预测贫穷的变化。”白天的图像创造了一个更完整的画面。

建立这个算法需要一个叫做“转移学习”的两步过程。首先，研究人员展示了一个神经网络，显示了五个非洲国家的白天和夜间图像：乌干达、坦桑尼亚、尼日利亚、马拉维和卢旺达。他们利用深入的学习技术，通过观察白天的图像并寻找相关性，教它预测夜间灯光的位置。例如，该模型了解到，如果一个地区有很多房子，那么同一地区晚上可能有很多灯光。如果一个地区只有泥土，它可能不会。

通过教计算机将白天的特征转化为夜晚的光线，研究人员可以更好地预测哪些地方是贫穷的。因为像湖泊这样的地区预计晚上会很暗，所以从中读出的暗读数可以被丢弃；但是，研究人员和试图帮助贫困社区的**可以更密切地关注道路和村庄的黑暗状况。

对于第二步，研究人员使用了一种不同的模型，称为岭回归模型。这个模型已经知道了陆地特征和灯光之间的联系。然后，科学家又给它提供了一组信息：来自人口健康服务和世界银行生活水平测量研究的实际调查数据。

这一次，算法并不仅仅了解到一个村庄有10间房子通常意味着有一定的光线。通过与调查数据的交叉核对，例如，这10所房子的家庭日收入为1.90美元。现在，如果我们在附近一个没有调查数据的地区看到10栋类似的房子，很可能它也有类似的财富。

那么，为什么不跳过第一步，直接教算法从白天的图像和调查中预测贫困呢？第一步中的深度学习方法只有在你有大量数据的情况下才有效。我们有所有的白天和夜间图像，所以很容易教计算机建立这些连接。但是没有太多的调查数据，所以使用深度学习来连接白天的图像和贫困信息并不能创建一个非常精确的算法。教模型先查看夜间数据，然后再查看调查数据，可以为我们提供更多信息来微调算法。

想象一下，你正在教一种算法来识别猫的图片。如果你给它看两张猫的照片和一张鸟的照片，它以后可能会把狗认作猫，因为它们的大小差不多，而且都是毛茸茸的，有四条腿。如果你给它看成千上万张猫的照片和成千上万张不是猫的不同事物的照片，它会更好地区分什么是猫和什么不是猫。这基本上就是研究人员利用卫星数据所做的。

为了更好地解释这种“迁移学习”过程，琼使用了电影《酷跑》中的一个比喻他说：“这部电影讲述的是一支牙买加队想参加雪橇比赛，但他们没有冰，所以他们在土山上训练备战奥运会。”泥土是不一样的，但他们学习可转移的技能，他们可以应用到实际的任务，这是在冰上竞争，在一个真正的雪橇

迁移学习是预测农村居民平均消费和财富的最准确方法。最关键的是，根据具体的试验情况，它在81%到99%的时间里打败了单独的夜灯模型。

但富兰克林说，这种方法有局限性。首先，他说，这有利于研究农村和城市地区的贫困差异，而对于衡量一个城市的贫困状况则没有多大用处。任何一个城市都有非常富裕的地区和非常贫穷的地区，但仅凭白天的图像很难区分城市地区的不同。加州大学圣地亚哥分校的经济学家阿列克谢·亚伯拉罕指出，目前的研究使用了一系列旧的夜光图像。自2012年以来，美国宇航局一直在用一颗新的更精确的卫星记录夜光，因此进一步的研究应该使用更好的数据。

Jean指出的另一个限制是，该网络受过专门针对五个非洲国家的培训。这意味着，如果要预测印度或中国的贫困状况，这个特定的模型可能就不那么准确了。但这种方法既便宜又容易缩放，因为所有的图片都来自公共领域，所以下一步是培训它在其他国家工作，更好地绘制世界各地的贫困地图。