Armoede laat zich opsporen vanuit de ruimte

Satellietbeelden

De dichtheid van het wegennet, het type wegdek en de daken van huizen in Afrika verraden in welke gebieden armoede heerst.

Om armoede gericht te kunnen bestrijden zijn adequate statistieken nodig over regionale welstandsverschillen. De meeste ontwikkelingslanden beschikken door gebrek aan middelen voor onderzoek, of andere prioriteiten, niet over dergelijke data. Een combinatie van satellietbeelden en kunstmatige intelligentie lijkt nu uitkomst te bieden.

Satellieten maken vanuit de ruimte opnamen met een hoge resolutie van het aardoppervlak. Economen en informatici van de Amerikaanse Stanford University hebben een computermodel ontwikkeld dat deze beelden kan ‘lezen’: het herkent in het landschap en bebouwing de kenmerken van ruimtelijk geconcentreerde armoede (Science, 19 augustus).

De Wereldbank stelt de mondiale armoedegrens op een inkomen van 1,90 dollar per huishouden per dag. In veel ontwikkelingslanden en in de meeste landen van tropisch Afrika, zijn de economische gegevens verouderd of onjuist. Vaak zijn er nog wel geaggregeerde data op landelijk niveau, maar ontbreken specifieke gegevens over bepaalde streken.

Voor inkomensdata op het niveau van huishoudens is survey-onderzoek nodig en dat is kostbaar. Toch laat armoede per dorp of stadswijk zich ook aflezen aan de fysieke omgeving, want die verraadt veel. Daarbij kunnen satellietopnamen helpen.

Er is eerder geprobeerd om de helderheid van nachtverlichting, zoals waargenomen door satellieten, te gebruiken als maat voor economische ontwikkeling. Dat bleek echter een te grove methode. In streken die zich bevinden aan de onderkant van de regionale inkomensverdeling zijn nachtlichtopnamen egaal donker.

Intussen is er een verfijndere techniek om de gemiddelde consumptieve bestedingen en inkomens van een dorp of stadswijk te schatten aan de hand van daglichtopnamen van satellieten. Het programma dat is ontwikkeld door de zes onderzoekers van Stanford kan leren om stedelijke gebieden en benutte landbouwgrond te herkennen, maar ook de dichtheid van het wegennet, de kwaliteit van het wegdek en de dakbedekking in dorpen of stadswijken.

Het blijkt uit te maken voor de consumptieve uitgaven en materiële bezittingen van huishoudens of hun onderkomen een dak heeft van bananenblad, leem, golfplaat of dakpannen. De software van de Amerikanen ‘leert’ dergelijke elementen van een dorp of stadswijk te vertalen in gemiddelde consumptie en activa.

De onderzoekers testten de betrouwbaarheid van het programma door de conclusies die het trok uit satellietbeelden te vergelijken met statistische data per regio over consumptie en activa voor vijf Afrikaanse landen die dit redelijk bijhouden.

In zo’n 80 procent van de gevallen bleken de conclusies te kloppen. De schattingen van het programma op basis van daglichtbeeld blijken voor streken onder de armoedegrens 90 procent betrouwbaarder dan conclusies uit nachtlichtbeeld.

Hoewel er tussen landen verschillen bestaan, bleek het programma, wanneer het had ‘geleerd’ aan de hand van fysieke kenmerken van één land, nauwelijks aan betrouwbaarheid in te boeten als het werd toegepast op een ander land.