Nachtaufnahmen der Erde haben eine besondere Ästhetik. Sie zeigen aber auch den Wohlstand der Menschen, die Lichtquellen produzieren. Je stärker die Wirtschaftskraft gemessen am Bruttoinlandprodukt (BIP), so die Quasi-Gesetzlichkeit, desto stärker die Leuchtkraft einzelner Cluster bzw. urbaner Zentren. Eine zehnprozentige Veränderung des Satellitenlichts ist nach einer Formel mit einer dreiprozentigen Veränderung des BIP verbunden. An der Lichtintensität kann man somit die Wirtschaftskraft einer Region oder aggregiert eines Landes messen.

Satellitendaten liefern Anhaltspunkte über die Lokalisierung von Armut, über die die Statistiken meist wenig aussagen. Das Problem ist, dass die Satellitenaufnahmen mit einer Auflösung von 28,5 Metern pro Pixel (Landsat 5) zu grob gerastert sind. Ein paar hell erleuchtete, verstreute Villen können in dem Satellitenbild-Mosaik fast gleich aussehen wie ein schwach beleuchteter, dicht besiedelter Slum. Ein Dorf neben einem See und eines neben einem Wald strahlen in der Nacht kaum Licht ab, haben aber völlig unterschiedliche Zugänge zu natürlichen Ressourcen und damit ganz andere Voraussetzungen.

Um diese Unschärfen zu vermeiden, haben Computerwissenschafter der Stanford-Universität ein neuronales Netzwerk entwickelt, das sie mit hochauflösenden Satellitendaten fütterten. Wie sie in der Fachzeitschrift «Science» schrieben, trainierten die Forscher das KI-System mit einem maschinell lernenden Algorithmus, der auf am Tag aufgenommenen Satellitenbildern über 1000 verschiedene Objekte wie Strassen, Kanäle und Gebäude erkannte. Der Computer lernte sogar, Metalldächer von Dächern, die mit Schlamm oder Gras bedeckt waren, zu unterscheiden.

System in Afrika ausprobiert

Die Aufnahmen, die die Forscher in das Modell einspeisten, stammten aus fünf afrikanischen Ländern – Nigeria, Tansania, Uganda, Malawi und Ruanda –, in denen es keine genauen Daten über die Einkommensverteilung gab. Die Tagaufnahmen glich das KI-System mit den Satellitenbildern bei Nacht ab. In einem zweiten Schritt wurde das neuronale Netzwerk mit sozioökonomischen Daten wie dem Haushaltseinkommen gefüttert, die einer Regressionsanalyse unterzogen wurden. Der Algorithmus lernte, aus bestimmten Mustern – zum Beispiel, dass der Dachtyp mit dem Einkommen zusammenhängt – Näherungswerte für ähnlich strukturierte Fälle abzuleiten.

Wenn der Algorithmus feststellt, dass zehn Häuser ein Haushaltseinkommen von jeweils 1.90 Dollar pro Tag haben, ist die Wahrscheinlichkeit gross, dass in ähnlich beschaffenen Häusern, von denen keine Daten verfügbar sind, das Armutsniveau ähnlich ist. Dem Algorithmus gelang es, das Einkommen ganzer Landstriche vorherzusagen, wo keine Daten zur Verfügung standen. Das könnte für die Armutsbekämpfung ein wichtiges Instrument sein, die eine valide Datenbasis benötigt, um zu wissen, wo sie mit ihrer Politik ansetzen soll.

Die Methode funktioniert jedoch nur eingeschränkt. Das neuronale Netzwerk wurde speziell mit Daten afrikanischer Länder gespeist, sodass das Verfahren auf bevölkerungsreiche Länder wie Indien und China, die andere infrastrukturelle Muster aufweisen, nicht ohne weiteres anwendbar ist. Zur Messung der Armut in Städten, wo das Wohlstandsgefälle besonders stark ist, auf Satellitenaufnahmen aber nicht so deutlich zutage tritt wie das Stadt-Land-Gefälle, ist die Methode ebenfalls nicht geeignet.