消除貧困的一個重要前提是識別貧困。但在經濟落后國家和地區，政府很難承擔高昂的經濟情況調研費用，其中某些地區甚至仍處于政治動蕩之中，有關貧困的數據高度缺失。這給一些國際援助組織及有心幫助民眾脫困的政府帶來了不小障礙。

不過，這樣的狀況目前有機會得到改觀。來自斯坦福大學計算機研究中心的科學家們近日找到了一種精準識別貧窮區域的新方法（發表于8月18日的《科學》雜志），利用機器學習結合衛星圖片的方式，成功標識了非洲五個國家的經濟狀況。

就衡量一個地區的經濟活動水平而言，對夜間燈光密集程度的考察并不是一個時髦的指標。但對于赤貧地區來說，很難直接從夜間照明情況下手來做判斷。因為從衛星圖片上來看，在非洲的絕大多數極端貧困區域，夜晚都是如出一轍的一片漆黑。

而斯坦福這項研究的新穎之處在于：采用了一種被稱為“遷移學習”的機器學習技術，分兩步標識貧困情況。首先，通過機器深度學習高分辨率的白天衛星圖像中大約4096個與經濟有關的指標，包括道路、市區和水道等，建立模型，對這些區域晚間的照明情況進行預測。然后，再結合人口衛生組織以及世界銀行已有的一些研究，對模型進行一定的修正，完成對貧困情況的標識。

在論文中，科學家們利用上述模型對尼日利亞，坦桑尼亞，烏干達，馬拉維和盧旺達這五個國家的消費和資產水平進行了標識，標識結果相較于對比試驗來說更加準確有效。

相較于傳統的挨門挨戶的調查方式，機器學習結合衛星圖像的方法大大降低了調查成本，再加之數據獲取渠道幾乎都來自于公開信息，讓這種方法更易于推廣和復制。

當然，斯坦福的這項研究也并非是完美無缺的。至少，當調查的坐標區域具體縮小到某一座城市，面對同一座城市中不同地方貧困水平的差異，這種模型就很難再發揮有效的作用。此外，也有經濟學家指出這篇論文中所采用的圖片信息不是最新的，需要通過使用NASA更新的衛星圖片來獲得更加準確的數據。

對這項新方法來說，當前最需要做的就是盡可能將其應用更多的區域中，以形成更完整精確的貧困地圖。