Cuando los satélites predicen la pobreza

El desarrollo de nuevas herramientas para medir la situación económica de los países menos desarrollados es fundamental a la hora de luchar contra la pobreza: los datos son imprescindibles para poder tomar las decisiones políticas más acertadas. El último estudio prometedor combina fotos diurnas de satélite y técnicas de análisis de big data para estimar el consumo medio y el promedio de riqueza de las familias en cinco países africanos.

En un artículo publicado en la revista Science, los investigadores muestran los resultados de un trabajo de recogida de datos y análisis que ha durado un año, y del que destacan su efectividad y su bajo coste.

"Las encuestas de hogares constituyen el método tradicional para la recogida de estos datos, pero son caras y requieren mucho tiempo, por lo que raramente se llevan a cabo en la mayoría de los países en desarrollo", comenta a EL ESPAÑOL Neal Jean, investigador en el Departamento de Ciencias de la Computación de la Universidad de Stanford y coautor del estudio. "Quisimos comprobar si otras fuentes de datos menos convencionales -aquéllos que se recogen sistemáticamente, aunque no necesariamente para este fin- se podrían utilizar para arrojar luz sobre la pobreza y la riqueza".

Si bien ya era conocido que las imágenes nocturnas de satélites pueden ser usados para predecir la riqueza de una región determinada -las zonas más iluminadas por la noche son las ricas y desarrolladas-, estos datos eran insuficientes para analizar con mayor detalle las zonas más pobres, que por la noche se muestran uniformemente oscuras.

Así, su artículo muestra que el uso y análisis de imágenes diurnas de satélite arroja datos con un alto grado de exactitud en su enfoque. "Hemos validado nuestros resultados con datos de encuestas sobre el terreno, así que tenemos una idea de la precisión con la que se van a realizar predicciones en otras ubicaciones", sostiene Jean.

En las imágenes tomadas por el día se aprecian factores como carreteras sin asfaltar, la existencia de granjas, los recursos hídricos o la composición del tejado de las viviendas -teja, metal...-, que ayudan a distinguir entre las zonas pobres y las extremadamente pobres. Aunque es algo que instituciones como la NASA llevan haciendo durante años, según los investigadores, su nuevo modelo predice mucho mejor la pobreza que los modelos basados únicamente en el análisis de las imágenes nocturnas. 

Así, analizaron imágenes de satélite de cinco países africanos -Nigeria, Tanzania, Uganda, Malawi y Ruanda- con ayuda de un complejo algoritmo capaz de aprender a clasificar las diferencias que aparecen en las imágenes satelitales. Utilizaron un modelo de red neuronal convolucional, especialmente efectivo para tareas de visión artificial y clasificación de imágenes. En este caso, una de las tareas que puede realizar su modelo es analizar las imágenes de día para predecir la distribución e intensidad de la iluminación durante la noche.

"Nuestro objetivo", prosigue este científico, "era desarrollar un método barato y escalable para la generación de datos económicos de los países pobres". Una de las claves del bajo coste relativo de esta investigación es que el método utiliza imágenes diurnas de satélite abiertas y disponibles para todo el mundo.

Teléfonos móviles

En los últimos tiempos ha habido varias investigaciones encaminadas a hallar nuevas formas de medición de la situación económica de los habitantes de zonas especialmente complicadas para la recolección de datos, como áreas remotas, sin infraestructuras o incluso en conflicto bélico. Y dichos datos, que algunos usan para generar mapas de pobreza, son imprescindibles para poder tomar decisiones tales como cuánto invertir en ayudas para el desarrollo, en qué lugares hacerlo, y cómo evaluar el impacto de estas inversiones.

Precisamente, hace menos de un año otra investigación también publicada en Science mostraba los resultados de un trabajo que utilizaba las métricas de uso de teléfonos móviles en Ruanda -a partir de datos anónimos- para determinar información valiosa sobre las relaciones sociales de una persona, sus patrones de viaje, su historial de uso y el de gasto, entre otros. Uno de los autores de ese estudio, Joshua Blumenstock, destaca también esta semana en Science el avance que supone el análisis masivo de datos en la lucha contra la pobreza.

Neal Jean sostiene que "la combinación de varias fuentes de datos, como por ejemplo los registros de datos telefónicos y las imágenes por satélite, producirían incluso mejores estimaciones" en las áreas estudiadas. No obstante, cree que su método tiene a priori al menos dos ventajas frente al desarrollado por el equipo de Blumenstock: por un lado, los datos que usan -imágenes de satélite abiertas a todo el mundo- son más accesibles que los registros telefónicos (que hay que pedir a los operadores) y, además, los datos generados a partir de imágenes son más uniformes, independientemente de la zona geográfica. "Si tienes que convencer a varios operadores de telecomunicaciones para acceder a los datos del uso de móvil de sus abonados, el investigador tendría que encontrar la manera de combinar varias fuentes de datos dispares", apunta el investigador.

Este método propuesto para medir la riqueza basado en imágenes de satélite no parece, en principio, extrapolable a los países más desarrollados. Pese a que la intención de los investigadores es "ampliar la cobertura geográfica del estudio", Jane reconoce que "las naciones más desarrolladas son visualmente muy diferentes en las imágenes de satélite que los países en vías de desarrollo que hemos estado analizando".

En cualquier caso, la idea final es lograr métodos baratos y fiables para medir datos necesarios para tomar decisiones económicas y políticas que ayuden al desarrollo. "Además del consumo de los hogares y el valor de los mismos, hay muchas otras métricas que podrían ser de interés para la comunidad internacional, como estimaciones sobre salud o las tasas de mortalidad infantil", recuerda el investigador, que concluye: "En el futuro, esperamos utilizar modelos informáticos de aprendizaje automático similares al que hemos usado para complementar los datos que hemos sido capaces de obtener".

Porque el propio Blumenstock se sorprende de lo que se puede conseguir utilizando técnicas de aprendizaje automático para combatir contra el subdesarrollo y la pobreza. "Como dice el economista Sendhil Mullainathan: ¿Por qué la industria de los servicios financieros, donde están en juego simplemente dólares, utiliza tecnología más avanzada
que la ayuda humanitaria, en donde lo que está en juego es la vida humana?".