Mappare gli insediamenti umani per combattere la povertà in Africa

In Africa, tanti live in povertà. Nel 2019, circa 648 milioni di persone vivevano con meno di 2,15 dollari al giorno. Governi e organizzazioni cercano di aiutare queste aree con progetti di sviluppo, ma spesso non hanno dati buoni su dove vive la gente e lo stato del territorio. Questo rende difficile capire se i loro sforzi funzionano, perché la maggior parte dei dati proviene da sondaggi nazionali che non visitano gli stessi posti ripetutamente. Quindi, se vogliamo capire come cambia la povertà nel tempo, abbiamo bisogno di dati migliori.

Sapere dove vive la gente può aiutare a valutare le loro condizioni di vita, ricchezza e sviluppo. Queste informazioni sono utili per governi e associazioni benefiche che vogliono migliorare le vite delle persone. Ad esempio, è cruciale per monitorare i progressi sugli obiettivi dell'ONU per ridurre la povertà e rendere le città sostenibili.

La Mappatura degli Insediamenti Umani (HSM) è il processo di creazione di mappe dettagliate che mostrano dove vive la gente e come si distribuiscono le popolazioni. Progetti come il Global Human Settlement Layer (GHSL) forniscono dataset dal passato ad oggi, aiutandoci a capire meglio le aree urbane e rurali.

D'altra parte, la classificazione della copertura del suolo ci aiuta a comprendere i diversi tipi di terreno, come foreste, acqua e zone agricole. Sapere la combinazione di tipi di terreno e insediamenti umani offre più informazioni sulla povertà e può aiutare in vari altri ambiti come la pianificazione urbana e la gestione dei disastri.

#Problem Statement

Ricerche precedenti hanno portato alla creazione di un modello di machine learning che usa Immagini satellitari e dati da sondaggi per prevedere il livello di povertà di un'area specifica. Utilizza una cronologia di dati per migliorare le sue previsioni nel tempo.

Tuttavia, il modello attuale ha un difetto. I punti di sondaggio usati per i dati sono stati spostati a caso per proteggere la privacy. Questo significa che i dati del modello non corrispondono perfettamente alle posizioni reali, il che rende le previsioni meno accurate.

Anche se non possiamo accedere ai punti originali per correggere questo, ci sono metodi per affrontare questa sfida. Un approccio chiamato Imputazione Multipla simula varie ipotesi per colmare queste lacune. Qui, useremmo mappe che indicano dove vive la gente come guida per migliorare l'accuratezza di queste ipotesi.

Ci sono diverse mappe disponibili che mostrano gli insediamenti umani e l'uso del suolo, ma nessuna copre l'intero continente africano con il livello di dettaglio necessario. L'obiettivo è creare una mappa ad alta risoluzione dell'uso del suolo che includa informazioni sugli insediamenti umani, fornendo informazioni vitali su dove vive la gente e come interagiscono con l'ambiente.

#Data and Method

#Satellite Imagery

Lo studio si basa soprattutto su immagini satellitari, che catturano dati dalla superficie terrestre. I satelliti raccolgono luce in diverse lunghezze d'onda, memorizzando queste informazioni in quelle che chiamiamo immagini multispettrali. Queste immagini permettono agli scienziati di analizzare vari aspetti della copertura del suolo.

Google Earth Engine (GEE) consente ai ricercatori di accedere a una vasta raccolta di dati satellitari per l'analisi. Tuttavia, ottenere un insieme coerente di immagini di qualità può essere una sfida, poiché le nuvole o le ombre possono distorcere i dati registrati.

#Collections

Il progetto utilizza principalmente i dati Landsat, che forniscono una serie di immagini satellitari dal 1985 a oggi. Questi dati includono diversi band, ognuno dei quali cattura diversi tipi di informazioni. C'è anche il dato delle luci notturne VIIRS, che aiuta a comprendere le condizioni economiche basate sui modelli di luce di notte.

Lo studio utilizzerà anche dataset esistenti sulla copertura del suolo per aiutare a formare i modelli di machine learning usati in questo progetto. Questi dataset includono ESA WorldCover ed ESRI Land Use Land Cover, che forniscono uno sguardo dettagliato sui vari tipi di terreno.

#Model Training

Una volta che i dati sono pronti, è tempo di formare i modelli. Saranno usati due tipi di modelli:

1. Modello a Un Anno: Questo modello analizzerà immagini di un anno specifico per prevedere la copertura del suolo.
2. Modello a Più Anni: Questo modello amplia il modello a un anno incorporando cinque anni di dati, aiutando a monitorare i cambiamenti nel tempo e fare previsioni più accurate.

Entrambi i modelli saranno addestrati utilizzando un'architettura di deep learning comune, nota come DeepLabV3, che è particolarmente brava a identificare e classificare diversi tipi di terreno basandosi sulle immagini.

#Data Preparation

Prima di addestrare i modelli, i dati devono essere puliti e organizzati. Questo processo comporta l'assemblaggio delle immagini satellitari, assicurandosi che siano di alta qualità, e combinandole con le etichette (cioè, che tipo di terreno o insediamento umano rappresentano).

#Model Configuration

I modelli saranno configurati in modo tale da poter elaborare efficacemente i dati delle immagini. Questo include l'impostazione dei parametri di input, delle etichette target e delle dimensioni delle immagini che danno i migliori risultati.

#Results

#Model Performance

Dopo l'addestramento dei modelli, i risultati saranno valutati in base a quanto accuratamente prevedono la copertura del suolo. Le previsioni possono poi essere confrontate con le immagini reali per vedere quanto si avvicinano alla realtà.

Saranno valutati diversi metriche di performance, inclusa l'accuratezza complessiva, che indica quanto spesso il modello fa previsioni corrette. Un'altra metrica utile sarà il richiamo, che mostra quanto efficacemente i modelli identificano classi specifiche, come insediamenti umani o tipi di copertura del suolo.

#Confusion Matrix

Una matrice di confusione può fornire informazioni su quanto bene il modello ha performato mostrando il numero di previsioni corrette e incorrette tra diverse classi. Questo può aiutare a identificare dove il modello è forte o dove potrebbe aver bisogno di miglioramenti.

#Visual Inspection

Un'ispezione visiva dell'output aiuterà anche a capire quanto bene funziona il modello. Confrontando le previsioni del modello con i dati reali sulla copertura del suolo, possiamo valutare la sua accuratezza e affidabilità.

#Evaluation of Urban and Rural Classes

Per avere una migliore comprensione di quanto bene i modelli abbiano identificato aree urbane e rurali, un piccolo dataset creato da punti di sondaggio può essere confrontato con le previsioni del modello. Questo rivelerà quanto accuratamente i modelli classificano le aree come urbane o rurali.

#Discussion of Challenges

Lo studio riconosce che ci sono sfide nell'accurata previsione della copertura del suolo, soprattutto quando i dati preesistenti potrebbero avere incoerenze. Per esempio, se un modello etichetta erroneamente certe aree, potrebbe portare a confusione nell'interpretare i livelli di povertà o le condizioni di vita.

#Conclusion

Il progetto mira a creare una comprensione più dettagliata dell'uso del suolo e degli insediamenti umani in Africa utilizzando tecniche avanzate di deep learning. Anche se ci sono sfide nel garantire dati di alta qualità e coerenti, questa ricerca rappresenta un passo significativo per dotare ricercatori e responsabili delle politiche di strumenti migliori per combattere la povertà e promuovere uno sviluppo sostenibile.

Alla fine, anche se i modelli non hanno pienamente soddisfatto gli obiettivi di performance iniziali, sono ancora utili per mappare gli insediamenti umani e possono fornire preziose intuizioni per migliorare le condizioni di vita nelle aree poveri del continente.

#Future Work

C'è molto da imparare da questa ricerca e diverse aree potrebbero essere esplorate ulteriormente. Questo potrebbe includere il perfezionamento dei dati utilizzati per l'addestramento, l'aggiustamento delle classificazioni per catturare meglio le sfumature nell'uso del suolo, o il miglioramento delle architetture dei modelli per aumentare le performance.

Con i progressi nella tecnologia e raccolte di dati più ampie, gli sforzi futuri possono costruire su questi risultati per creare un quadro più chiaro di come l'uso del suolo e gli insediamenti umani evolvono nel tempo, aiutando infine nella lotta contro la povertà e migliorando lo sviluppo sostenibile in Africa.

#Acknowledgements

Grazie per avermi seguito in questo profondo tuffo scientifico. Chi l'avrebbe mai detto che la copertura del suolo potesse essere così affascinante? Ricorda, la prossima volta che guardi una mappa, c'è tanto pensiero, dati e magari qualche caffeina dietro!