دانشمندان دانشگاه استنفورد شیوه ای خلاقانه برای نشان دادن میزان فقر و توسعه یافتگی، آن هم از راه مشاهدات فضایی ارائه کرده اند.

به گزارش خبرگزاری موج، در ابتکار عمل دانشمندان این دانشگاه از رایانه ها و مشاهدات ماهواره ای استفاده شده است.

اگر از فضا به چین و کره جنوبی در شب هنگام نگاه کنید متوجه درخشش خیره کننده آنها می شوید حال آنکه کره شمالی که بین این دو کشور قرار دارد در تاریکی عمیقی فرو رفته است و البته همگان از وضعیت اقتصادی چین، کره جنوبی و مقایسه آن با کره شمالی آگاه هستند.

البته مشکل اینجاست که روشنایی کشورها در شب هنگام چیزی درباره میزان فقر در بخش های مختلف یک کشور نظیر روستاها ارائه نمی کنند. به همین دلیل باید راهی دیگر را جستجو کرد و این همان ابتکار عمل دانشمندان دانشگاه استنفورد است.

مدل رایانه ای این دانشمندان که جزئیات کامل آن در ساینس منتشر شده اگرچه منحصربفرد و بی نقص نیست، اما جنبه های مثبت زیادی دارد که حتی می توان آن را مؤثرتر از روشهای فعلی تهیه گزارش های مربوط به فقر در دنیا به شمار آورد.

داشتن حجمی از اطلاعات درباره هر نقطه از دنیا که قرار است درباره میزان فقر در آن مطالعه شود و یک رایانه قدرتمند برای انجام محاسبات دقیق با استفاده از داده های موجود، ابزارهایی هستند که برای تهیه نقشه فقر از فضا به آنها نیاز است.

دانشمندان مدل خاص خود را با ۵ کشور آفریقایی مورد آزمایش قرار دادند: نیجریه، تانزانیا، اوگاندا، مالاوی و رواندا. آنها تصاویر شب هنگام این کشورها را از برنامه ماهواره هواشناسی نیروی هوایی آمریکا دریافت کرده و متوجه شدند مکانهایی که در شب هنگام روشن تر به نظر می رسند احتمالا از حیثوضعیت اقتصادی در شرایط بهتری قرار دارند.

آنها در ادامه از برنامه رایانه ای خود برای مقایسه این تصاویر با تصاویر با وضوح بالای مربوط به روز همین مناطق که توسطGoogle Static Mapsمی شود، استفاده کردند. این برنامه آنقدر قدرتمند است که می تواند اشکال خاصی را در تصاویر گرفته شده در روز تشخیص دهد که نشان دهنده توسعه اقتصادی در هر منطقه به خصوص است.

جاده ها، شریان های آبی و ساختمانها از جمله فاکتورهایی هستند که توسط الگوریتم های دانشمندان دانشگاه استنفورد برای تشخیص میزان توسعه یافتگی هر منطقه از جهان مورد ارزیابی قرار می گیرند. این برنامه حتی قادر به تشخیص سقف های فلزی از نوع گیاهی آنهاست که از نتایج آن می توان برای تشخیص عقب ماندگی یا پیشرفت مناطق مختلف استفاده کرد.