Greg Yetman adalah codirector Middle for Worldwide Earth Science Data Community (CIESIN), bagian dari Sekolah Iklim di Universitas Columbia. Sebagai bagian dari kontrak NASA, CIESIN telah mengeksplorasi cara untuk mengirimkan knowledge sosial ekonomi dengan mengamati Bumi sejak awal 1990-an. Yetman mengatakan hal-hal seperti memahami bahwa orang biasa tinggal di apartemen bawah tanah di wilayah Queens di New York Metropolis, misalnya, “selalu sulit ditangkap dan sangat sulit diukur dari luar angkasa”. Konversi apartemen, penyewa oleh pemilik atau penghuni, atau pemukiman yang tidak terdaftar—semuanya cenderung meningkat seiring dengan naiknya biaya hidup—tidak sering tertangkap oleh sensus atau satelit juga. Dan jika seseorang tidak memiliki rumah atau memiliki sedikit catatan keuangan, mereka mungkin tidak muncul dalam knowledge berbagi lokasi yang dikumpulkan oleh perantara swasta.
Ada ruang untuk memperbaiki sensus di AS, tetapi Konstitusi mengharuskan sensus dilakukan setiap dekade, dan Yetman mengatakan negara itu “kaya knowledge”. Sebagai perbandingan, beberapa negara belum melakukan survei rumah tangga secara rinci selama beberapa dekade. Hambatan seperti biaya, konflik, atau kesulitan menjangkau lokasi terpencil dapat membuat beberapa komunitas sulit dihitung.
Pada tahun 2017, pemerintah Nigeria, CIESIN, dan lainnya yang bekerja dengan dana dari Invoice & Melinda Gates Basis menggunakan citra satelit dan pembelajaran mesin untuk memetakan populasi negara tersebut untuk memberikan vaksinasi campak. Sejak itu, pejabat program senior Gates Basis Vince Seaman mengatakan, upaya tersebut telah diperluas ke lima negara Afrika lainnya, sebuah proyek yang dikenal sebagai Grid3. Pekerjaan itu, tambahnya, menunjukkan bahwa teknologi hanyalah bagian dari solusi. Setelah menerapkan pembelajaran mesin pada foto dari satelit, survei komunitas dilakukan untuk menjangkau ribuan orang secara langsung dan memverifikasi hasilnya.
Dalam penelitian yang diterbitkan bulan lalu, citra satelit dan pembelajaran mesin digunakan untuk secara otomatis mengidentifikasi plot perumahan dan memprediksi populasi, usia, dan jenis kelamin di lima provinsi di bagian barat Republik Demokratik Kongo (DRC). Proyek ini membawa peserta Grid3 seperti College of Southampton di Inggris bersama dengan kelompok-kelompok seperti Biro Statistik Nasional DRC. Survei anonim terhadap hampir 80.000 orang dilakukan oleh Sekolah Kesehatan Masyarakat Kinshasa dan Sekolah Kesehatan Masyarakat Universitas California, Los Angeles untuk memvalidasi kinerja mannequin pembelajaran mendalam yang mencapai akurasi sekitar 80 persen. Rekan penulis mengatakan bahwa metode mereka bukanlah pengganti upaya sebenarnya untuk menghitung seluruh populasi, tetapi dapat memberikan gambaran prediktif masyarakat di tempat-tempat dengan sedikit atau kualitas knowledge yang buruk. Tidak ada sensus nasional yang dilakukan di DRC sejak 1984.
Yetman telah menghabiskan lebih dari 20 tahun bekerja dengan citra satelit. Dia bekerja dengan Pop Grid, sebuah kolaborasi knowledge untuk berbagai kelompok organisasi yang menghitung populasi, termasuk Komisi Eropa, Fb, Pusat Dirgantara Jerman, dan NASA. Dia mengatakan mannequin pembelajaran mendalam untuk mengidentifikasi bangunan tidak selalu dapat mengetahui di mana satu atap berakhir dan yang lain dimulai, dan dia memperingatkan tidak ada mannequin yang berfungsi di mana pun di dunia.
Di AS, jelasnya, menerapkan mannequin AI yang dilatih menggunakan gambar atap dari AS bagian barat bermasalah jika diterapkan pada rumah di Pantai Timur karena ekspansi barat negara tersebut mengikuti sistem berbasis grid, sementara kota-kota seperti Boston berkembang dengan sedikit keseragaman. Demikian pula, atap di Afrika Selatan terlihat berbeda dari atap di Zambia. AI dapat dengan mudah salah mengira atap kios di pasar komersial di Accra, Ghana dengan atap rumah yang tidak terdaftar atau berjuang untuk secara akurat memprediksi jumlah orang di pemukiman perkotaan atau pedesaan. “Tanpa survei lapangan yang mengatakan ada permukiman kumuh atau casual di sini, sangat sulit untuk mengetahui hanya dari struktur pola atapnya,” kata Yetman. Dia menambahkan bahwa mendapatkan knowledge berkualitas tinggi untuk mannequin pelatihan untuk mendeteksi bangunan atau petak rumah berdasarkan kondisi setempat adalah bagian tersulit dari pekerjaan ini.
New Replace : [randomize]