Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχειας
Από RemoteSensing Wiki
Συνδέοντας Pixel με δείκτες φτώχειας: Χρήση δορυφορικών εικόνων για τη χαρτογράφηση της φτώχειας
Πρότυπος τίτλος: Linking Pixels and Poverty: Using Satellite Imagery to Map Poverty
Συγγραφέας:By Ryan Engstrom Department of Geography, The George Washington University, USA
Εισαγωγή
Τις τελευταίες δύο δεκαετίες αναπτύσσεται συνεχώς η διεπιστημονική συνεργασία των κοινωνικών επιστημών και της τηλεπισκόπισης. Μέσα από αυτή τη συνεργασία αρχίζει μόλις να αναπτύσσεται η χαρτογράφηση της φτώχειας με τη χρήση τηλεπισκόπισης. Η κλασσική μεθοδολογία συλλογής δεδομένων για την χαρτογράφησης φτωχιάς παρουσιάζει αρκετά μειονεκτήματα τόσο εννοιολογικής όσο και ερευνητικής φύσεως με αποτέλεσμα να γίνεται ελλιπής, αναξιόπιστη ή και μηδενική συλλογή δεδομένων σε πολλές χώρες. Για τα Ηνωμένα Έθνη , ο τερματισμός της φτώχειας σε όλες τις μορφές της αποτελεί τον νούμερο 1 στόχο ως προς την επίτευξη βιώσιμης ανάπτυξης. Γι αυτό το λόγο αποτελεί προτεραιότητα σε διεθνές επίπεδο η χαρτογράφηση της φτώχειας. Η χρήση της τηλεπισκόπισης στο τομέα αυτό φαίνεται να ανοίγει ένα νέο ορίζοντα μελέτης για τους κοινωνικούς επιστήμονες. Με τη χρήση της τηλεπισκόπησης και την άντληση δορυφορικών δεδομένων συχνά σε παγκόσμια κάλυψη δεν μπορεί να μετρηθεί άμεσα η φτώχεια αλλά προκύπτουν μετρήσεις για το εξωτερικό των δομών καθώς και τους δείκτες ανάπτυξης. Επίσης μέσα από την μέτρηση των εκπομπών βραδινών φώτων Night Time Lights (NTL) προκύπτουν χωρικά δεδομένα για τη φτώχεια μέσω της παραδοχής ότι περιοχές με μεγαλύτερο πλούτο έχουν υψηλότερες εκπομπές φωτός NTL και φτωχότερες περιοχές έχουν λιγότερες εκπομπές φωτός. H προσέγγιση NTL δίνει την δυνατότητα ανάλυσης χωρικών αποκλίσεων σε μεγάλη κλίμακα. Δεν επιτρέπει όμως την αποτύπωση της μεταβλητότητας στις τοπικές κλίμακες λόγω της χωρικής ανάλυσης 1 χλμ. των δορυφορικών δεδομένων NTL. Προκειμένου να απαλειφθούν αυτοί οι περιορισμοί έχει δοθεί έμφαση στη χρήση πολύ υψηλής χωρικής ανάλυσης (VHSRI) (χωρική ανάλυση μικρότερη από 5m) τόσο από ιδιωτικές εταιρίες όσο και από τις κυβερνήσεις των ΗΠΑ και Ρωσία. Ωστόσο το κόστος αγοράς των δορυφορικών δεδομένων υψηλής ανάλυσης τα καθιστά απαγορευτικά προς το παρόν για μελέτη απο την ακαδημαϊκή κοινότητα .
Χαρτογράφηση φτώχειας με εικόνες υψηλής χωρικής ανάλυσης
Η χαρτογράφηση της φτώχειας εντός των αστικών περιοχών με τη χρήση εικόνων VHSRI, επικεντρώνεται σε γενικές γραμμές στη χαρτογράφηση φτωχογειτονιών έναντι περιοχών με μη υποβαθμισμένη στέγαση. Η υπόθεση της συγκεκριμένης μελέτης είναι ότι το χωρικό μοτίβο των κτηρίων , των δρόμων αλλά και τον οικιστικών μονάδων, μας επιτρέπει στο να ξεχωρίσουμε και να διακρίνουμε τις υπανάπτυχτες οικιστικά περιοχές με αυτές που προσφέρουν τυπική στέγαση. Έχουν δοκιμαστεί πολλές διαφορετικές προσεγγίσεις όπως αυτή της απλής οπτικής ερμηνείας, της μηχανικής μάθησης με βάση τα φασματικά και χωρικά χαρακτηριστικά της περιοχής αλλά και πολλές άλλες. Ενώ το χωρικό μοτίβο της περιοχής που θέλουμε να προσομοιώσουμε θα μας βοηθήσει στο να καταλάβουμε πως μοιάζει σε γενικές γραμμές μια φτωχογειτονιά, η απλή οπτική ερμηνεία μπορεί να καταστεί δύσκολη λόγω τον πολλών ερμηνειών και ορισμών που δίνονται για τις περιοχές αυτές καθώς και λόγω τις διαφορετικής μορφολογίας που έχει η κάθε φτωχογειτονιά από περιοχή σε περιοχή .Αυτό έχει καταστήσει την αυτοματοποιημένη μέθοδο χαρτογράφησης των φτωχών περιοχών ως ένα δύσκολο έργο. ¨Ένα σημαντικό εμπόδιο ως προς την χρήση VHSRI δεδομένων για μεγαλύτερες περιοχές είναι η επεξεργασία των εικόνων με ένα αποδοτικό και κατάλληλο τρόπο ως προς την κλίμακα. Σε μια απόπειρα χαρτογράφησης της φτώχειας σε χωριά και πόλεις της Αφρικής στην οποία χρησιμοποιήθηκαν VHSRI δεδομένα βασίστηκε σε μια προσέγγιση πάνω σε Συνελικτικά Νευρωνικά Δίκτυα (CNN). Για τη προσπάθεια αυτή χρειάστηκε ένα τεράστιο αριθμό δεδομένων κατάρτισης ,και για το λόγο αυτό χρησιμοποίησαν μια προσέγγιση πολλαπλών βημάτων που ονομάζεται ‘’μεταφορική εκμάθηση’’. Η προσέγγιση τους αυτή συντόνιζε ένα υπάρχων CNN για να εξάγει χαρακτηριστικά που συνοψίζουν τη συσχέτιση μεταξύ εντάσεων NTL και VHSRI δεδομένων.
Οι ιδιότητες των εικόνων VHSRI που είχαν καλή συσχέτιση με το NTL χρησιμοποιήθηκαν στη συνέχεια για την εκπαίδευση μοντέλων παλινδρόμησης με σκοπό την επίτευξη πρόβλεψης των δαπανών αλλά και των περιουσιακών στοιχείων των νοικοκυριών, σε κλίμα ενός χωριού. Τα αποτελέσματα έδειξαν ότι ήταν σε θέση να εξηγήσουν έως και 55% της διακύμανσης, σε ότι αφορούσε τη μέση κατανάλωση και έως 75% της διακύμανσης του μέσου ενεργητικού πλούτου. Ενώ αυτό παρέχει μεθοδολογία για χαρτογράφηση της φτώχειας σε μεγάλες εκτάσεις, ο τρόπος ερμηνείας , ο αριθμός αλλά και τύπος δεδομένων που χρειάζονται για αυτή τη προσέγγιση κάνει το τελικό αποτέλεσμα να μην είναι τόσο υποσχόμενο καθώς τα CNN είναι δύσκολα ως προς το να ερμηνευτούν και η συσχέτιση μεταξύ φτώχειας και των τιμών που προκύπτουν από τις εικόνες είναι ασαφής. Σε προηγούμενες έρευνες είχαν δοκιμαστεί νέες μέθοδοι ως προς την επεξεργασία VHSRI χρησιμοποιώντας χωρικά και φασματικά χαρακτηριστικά . Κατά την προσέγγιση μέσω χωρικών χαρακτηριστικών, αντί να γίνει χαρτογράφηση αντικειμένων ( δρόμοι, κτήρια κτλ ) ή να γίνει χρήση CNN, έγινε χαρακτηρισμός της χωρικής μεταβλητότητας στις εικόνες. Προηγούμενες έρευνες είχαν δείξει ότι τα φασματικά και χωρικά χαρακτηριστικά που εξάγονται από εικόνες υψηλής ανάλυσης μπορούν να συσχετιστούν ως πιθανοί δείκτες φτώχειας, όπως άτυπη στέγαση , ποιότητα οικείας, πυκνότητα πληθυσμού , φτωχογειτονιές, έλλειψη συλλογής στερεών αποβλήτων και υποβαθμισμένο αποχετευτικό σύστημα .Η εξαγωγή των χωρικών αυτών στοιχείων είναι μια τεχνική επεξεργασίας, που εξάγει πληροφορίες που σχετίζονται με το χωρικό μοτίβο, τη δομή, τον προσανατολισμό, την υφή αλλά και την αταξία των παραθύρων των εικονοστοιχείων μιας εικόνας .Η εξαγωγή χωρικών στοιχείων βασίζεται στην ομαδοποίηση εικονοστοιχείων και επομένως κάθε χωρικό χαρακτηριστικό πρέπει να υπολογίζεται με συνδυασμό συγκεκριμένου αριθμό εικονοστοιχείων και μεγέθους κλίμακας για μια ‘’γειτονιά’’ (Εικόνα. 1).
Με βάση την Eικόνα 1 και με την χρήση των προαναφερθέντων παραμέτρων, ένα pixel στο output layer των χωρικών δεδομένων θα αντιπροσωπεύει την σχέση μεταξύ γειτόνων (κτήρια, δρόμοι, βλάστηση κ.αλ.) αποδίδοντας την χωρική μορφή του κάθε γείτονα. Η προσέγγιση κύβου – κλίμακας επιτρέπει την επεξεργασία μιας εικόνας σε αποδοτικό βαθμό. Επιπρόσθετα, μαζεύει όλες τις πληροφορίες από τα pixel και τις μετατρέπει σε μεγαλύτερες χωρικές κλίμακες, μειώνοντας με αυτόν τον τρόπο τον χρόνο επεξεργασίας αλλά και το μέγεθος των αρχείων. Έτσι επιτυγχάνεται η απόδοση των μεταβλητών σε τοπία μεγάλων εκτάσεων. Τα αποτελέσματα αυτής της μελέτης έδειξαν ότι τα χωρικά και φασματικά χαρακτηριστικά σχετίζονται με ενδείξεις ανάπτυξης ή ανέχειας ,καθώς η μορφολογία - δομή μιας πόλης σχετίζονται με κοινωνικοοικονομικές συνθήκες. Παρατηρήθηκε ισχυρή συσχέτιση όχι μόνο για τις μεταβλητές που σχετίζονται με το βιοτικό επίπεδο (ποιότητα σπιτιού , πυκνότητα πληθυσμού, κτλ) αλλά συσχέτιση με τις κλίμακες μέτρησης φτώχειας σε μια πόλης. Όταν αυτά τα δεδομένα συνδυαστούν με άλλα τηλεσκοπικά δεδομένα μπορούν να βοηθήσουν στην επεξήγηση των διακυμάνσεων της φτώχειας για μεγάλα μέρη μιας χώρας.
Επίλογος
Δεδομένης της αβεβαιότητας σε ότι αφορά δεδομένα καταγραφής φτώχειας, την απουσία πληροφοριών από έρευνες και στατιστικές υπηρεσίες και τη δυσκολία ανάκτησης δορυφορικών δεδομένων, καθίσταται η χαρτογράφηση της φτώχειας με δορυφορικά δεδομένα ως ένα πλούσιο ερευνητικό πεδίο με πολλές προοπτικές για βελτίωση. Η ικανότητα διαχρονικής ανίχνευσης μεταβολών του βιοτικού επιπέδου του πληθυσμού μόλις ξεκίνησε να είναι εφικτή καθώς οι δορυφορικές εικόνες και οι γεωγραφικά προσδιορισμένες έρευνες συνεχώς αυξάνονται.
