斯坦福大学的Neal Jean 和他的同事研发了一种机器学习算法来计算国际贫困线日花销不足1.9美元的贫困地区。并在五个非洲国家(坦桑尼亚、乌干达、马拉维、尼日利亚和卢旺达)使用计算机系统在数百万张卫星照片中搜寻贫困的踪迹，识别的指标包括：糟糕的夜间照明，道路基础设施，居住区屋顶状况（如金属屋顶）。研究人员采用的算法优于夜间灯光分布图。
关于经济生活可靠数据的统计在发展中国家较少，尤其妨碍了对非洲国家经济指标调研的工作。精确的经济数据测量对人口政策的影响很大。这些经济指标对政府拨款， 改善人们生活水平有着积极的意义。根据斯坦福大学研究者的最新研究，通过使用卫星图像和机器学习算法，可以很容易地找到和帮助那些生活在贫困地区的人们并制定经济援助政策。
文中还提及了“卷积神经网络”，这是一种机器深度学习的网络机制，在图像处理方面有着独特的优越性，避免了对图像的复杂前期预处理，而且可以直接输入原始图像。研究人员展示了如何通过训练卷积神经网络用以识别图像特征，并能解释高达75％的局部水平经济结果的变化。
通过卫星图像和机器学习算法的结合，可以更容易地找到和帮助那些生活在贫困地区的人们。而发展中国家的传统做法是，国际援助团体会采用挨家挨户的调查来搜集当地人的收入数据，这些方法既昂贵又耗时。卫星地图准确的定位方法更加快捷和有效，而且费用不高。
文中也展示了科技发展的前沿和强大的机器学习技术。并认为此科技对其他科学领域有着广泛的使用价值。（作者：卜燕)
参考文献：Nature 2016;536:376