Imagens de satélite e avaliação da pobreza infantil

Satélites orbitando a Terra oferecem uma maneira única de olhar para o nosso planeta. Eles enviam imagens que ajudam a entender tendências demográficas, de saúde e desenvolvimento. No entanto, a maioria dos métodos atuais que usam essas imagens foca em problemas específicos. Não existem muitos padrões para comparar esses métodos. Este estudo apresenta um novo conjunto de dados que combina Imagens de Satélite com dados de pesquisa de alta qualidade sobre a pobreza infantil. Esses dados ajudarão a avaliar quão eficazes são diferentes Modelos na medição da pobreza.

#O Conjunto de Dados

Nosso conjunto de dados contém 33.608 imagens de satélite. Cada imagem cobre uma área de 10 km por 10 km e vem de 19 países na África Oriental e Austral. O período dessas imagens vai de 1997 a 2022. Nossa compreensão da pobreza infantil se baseia na definição da UNICEF, que inclui seis dimensões. Para medir essas dimensões, usamos dados coletados de pesquisas presenciais conhecidas como Demographic and Health Surveys (DHS).

#Métodos Utilizados

Nós comparamos vários modelos usando nosso conjunto de dados. Esses modelos variam de modelos básicos de imagens de satélite a modelos avançados de deep learning. Por exemplo, usamos o MOSAIKS, um modelo que extrai características das imagens, e o DINOv2, que é um grande modelo de visão projetado para funcionar sem rótulos. Também olhamos para modelos específicos de satélite como SatMAE.

Este estudo usa dados de satélites de programas importantes como Landsat e Sentinel. Esses satélites capturam regularmente imagens de alta resolução da Terra a cada semana ou duas. A pesquisa existente nessa área mostra grande potencial, especialmente para aplicações na agricultura, saúde e resposta a desastres. Mesmo que imagens de satélite tenham sido usadas para medir vários fatores como renda e superlotação, o campo de aprendizado de máquina aplicado a imagens de satélite ainda está se desenvolvendo.

#A Importância de Medir a Pobreza Infantil

A pobreza infantil é uma questão urgente. Dos 8 bilhões de pessoas na Terra, mais de 2 bilhões são crianças com menos de 18 anos. Abordar a pobreza infantil é crucial porque as crianças têm necessidades únicas em nutrição, saúde e educação. Se essas necessidades não forem atendidas, podem levar a problemas de longo prazo. Medidas tradicionais de pobreza costumam olhar para os recursos gerais da casa, mas isso pode ser enganoso. Uma família pode ser considerada "não pobre", mas as crianças dentro dela podem ainda não ter serviços essenciais.

Para medir a pobreza infantil com precisão, é essencial considerar as experiências das crianças diretamente. A definição de pobreza infantil inclui tanto necessidades materiais, como acesso à educação e saúde, quanto não considera necessidades não materiais, como negligência e violência. Este estudo usa uma abordagem entre países para analisar a pobreza infantil com base em definições acordadas.

#Padrões Existentes

Embora existam outros padrões, como o SUSTAIN-BENCH, que cobre indicadores de desenvolvimento sustentável, nosso padrão proposto foca na pobreza infantil. Esse aspecto único é essencial porque combina um resultado multidimensional com uma medida singular. Também temos acesso a quantidades crescentes de dados de satélites e pesquisas, já que a UNICEF está liberando códigos geográficos como parte do seu Programa de Multiple Indicator Cluster Survey (MICS).

#Avaliando Modelos

Neste estudo, avaliamos diferentes modelos para ver quão bem eles conseguem prever a pobreza infantil. Para nossos padrões espaciais, usamos um método de validação cruzada de cinco partes para garantir uma avaliação justa. Isso significa que mantemos uma parte dos dados para teste enquanto treinamos o modelo com os dados restantes. Para os padrões temporais, usamos dados históricos para aprender padrões e fazer previsões para os anos de 2020 a 2022.

Através de várias estratégias de modelagem, incluindo modelos básicos e modelos avançados de aprendizado de máquina, avaliamos sua eficácia. É importante ter em mente que nosso objetivo é medir a porcentagem de crianças que enfrentam privação severa em qualquer área dada.

#O Poder das Imagens de Satélite

As imagens de satélite podem cobrir vastas áreas geográficas e fornecer informações valiosas rapidamente, tornando-se um método econômico para avaliar a pobreza infantil. Pesquisas tradicionais costumam ser caras e demoradas, exigindo presença física em vários locais. Em contraste, os dados de satélite permitem que os pesquisadores analisem regiões que poderiam ser difíceis de acessar.

Utilizamos imagens de alta qualidade de várias fontes de satélite. Os satélites Landsat e Sentinel estão disponíveis publicamente e oferecem imagens adequadas para nossa análise. O Landsat fornece imagens da Terra desde 1984, enquanto o Sentinel-2 começou em 2015. Essa longa história de dados é benéfica para nosso estudo, pois nos permite observar mudanças nas regiões ao longo do tempo.

#A Metodologia por Trás de Nossos Resultados

Para cada área de pesquisa, extraímos uma seção de imagem de 10 km por 10 km usando o Google Earth Engine. Priorizamos imagens com a menor cobertura de nuvens para garantir qualidade. Usamos essas imagens para analisar vários indicadores de saúde e demográficos.

Os dados do DHS foram coletados em muitos países desde 1984. As pesquisas desses programas são abrangentes e têm altas taxas de resposta. Processamos esses dados cuidadosamente para garantir resultados precisos. Implementamos vários métodos, como o uso de variáveis contínuas para encontrar médias e variáveis categóricas para criar indicadores binários.

#Avaliando a Pobreza Infantil

Para determinar a pobreza infantil, contamos com a metodologia da UNICEF, que avalia seis dimensões-chave: habitação, água, saneamento, nutrição, saúde e educação. Uma criança é considerada severamente privada se atender aos critérios estabelecidos para qualquer uma dessas dimensões. Focamos em entender a privação severa, calculando-a como uma porcentagem dentro de áreas específicas.

Ao avaliarmos nossos modelos, analisamos as previsões baseadas em imagens de satélite. O objetivo é ver quão precisamente conseguimos estimar a prevalência de privação severa em qualquer área. Nossos padrões podem avaliar o desempenho independentemente das metodologias específicas usadas, proporcionando uma ferramenta versátil para pesquisas futuras.

#Os Resultados

No geral, nossos achados sugerem que utilizar modelos avançados, especialmente aqueles ajustados com dados de Pesquisas Demográficas e de Saúde, pode levar a previsões mais precisas da pobreza infantil. Por exemplo, quando comparamos vários modelos, os que usaram modelos de visão fundamentais superaram os modelos básicos.

Em nosso padrão espacial, descobrimos que modelos fundamentais usando imagens de satélite apresentaram menores erros de previsão. O modelo DINOv2, em particular, mostrou potencial quando ajustado para atender aos dados do DHS.

Para o padrão temporal, no entanto, os modelos enfrentaram mais desafios. Os resultados indicaram que os modelos se saíram melhor ao prever padrões espaciais do que tendências temporais. Esses modelos tiveram dificuldade em generalizar para dados coletados após 2020, sugerindo as complexidades ligadas à previsão.

#Compreendendo as Limitações

Embora nosso estudo mostre potencial, também tem limitações. Adquirir dados de pesquisa de alta qualidade para lares continua sendo caro. Os métodos de coleta de dados são cruciais, pois modelos de aprendizado de máquina não são um substituto para conjuntos de dados de verdade. Um desafio claro notado foi a dificuldade em prever pontos de dados com precisão com base em tendências históricas.

Os modelos atuais também precisam de mais exploração em métodos de séries temporais. Além disso, os métodos que usamos para ajuste poderiam ser melhorados otimizando diretamente para medições de privação severa em vez de depender de indicadores demográficos mais amplos.

#Direções Futuras

Nosso estudo abre portas para várias possibilidades de pesquisa futura. Por exemplo, explorar quão bem diferentes modelos se saem nas dimensões individuais da pobreza infantil poderia gerar insights. Outra área a considerar é utilizar métodos de avaliação mais rigorosos que levem em conta variações a nível de país.

À medida que o conjunto de dados continua a crescer, podemos treinar modelos em dados mais refinados que melhorem a precisão. No geral, integrar imagens de satélite com aprendizado de máquina oferece uma nova maneira de avaliar a pobreza infantil. É uma solução escalável que pode atender às demandas de estimativas rápidas de pobreza para formuladores de políticas e pesquisadores.

#Conclusão

Em resumo, esta pesquisa destaca o potencial de usar imagens de satélite juntamente com técnicas de aprendizado de máquina para medir a pobreza infantil de forma eficaz. O novo conjunto de dados que apresentamos combina imagens de satélite com dados de pesquisa detalhados, cobrindo 19 países de 1997 a 2022. Os resultados mostram que modelos avançados podem superar métodos tradicionais, oferecendo melhores estimativas dos níveis de pobreza.

À medida que continuamos a aprimorar essa abordagem, é crucial integrar dados de sensoriamento remoto em pesquisas socioeconômicas e na formulação de políticas de forma eficaz. A combinação dessas fontes de dados nos apresenta uma oportunidade de entender e abordar melhor questões relacionadas à pobreza infantil em uma escala global. Ao impulsionar a inovação nesta área, podemos contribuir para mudanças significativas no enfrentamento da pobreza infantil.