تقديرات عالمية عالية الدقة لمؤشر التنمية البشرية للأمم المتحدة باستخدام صور الأقمار الصناعية والتعلم الآلي

لماذا يهم رسم خرائط التقدم البشري بدقة أكبر

يعد مؤشر التنمية البشرية واحداً من أكثر مقاييس التقدم العالمي اقتباساً، إذ يجمع بين الصحة والتعليم والدخل في رقم واحد لكل دولة. ومع ذلك تُتخذ معظم القرارات التي تشكل حياة الناس اليومية—أين تُبنى عيادة، وكيف تُوجَّه مساعدات الكوارث، وأي المدن تحتاج مدارس جديدة—على مقاييس أصغر بكثير من مستوى الدولة. تُظهر هذه الدراسة كيف يمكن لصور الأقمار الصناعية والتعلّم الآلي الحديث أن تحوّل مقياساً وطنياً粗粗 إلى خريطة عالمية مفصّلة للتنمية البشرية على مستوى البلديات وخلايا شبكة بعرض 10 كيلومترات، كاشفة عن أنماط تخفيها المتوسطات الوطنية.

من متوسطات على مستوى الدولة إلى بصيرة على مستوى الشارع

حتى الآن، نُشرت بيانات مؤشر التنمية البشرية الرسمية لِـ 191 دولة فقط، مع بعض الجهود البحثية التي وصلت إلى مقاطعات أو ولايات كبيرة. وهذا دقيق جداً بالنسبة للعديد من الاستخدامات الواقعية، مثل تحديد أفقر الأحياء داخل منطقة أو مقارنة بلدات قريبة تشترك في حكومة إقليمية لكن فرصها تختلف بشدة. إن جمع معلومات على طراز مؤشر التنمية البشرية محلياً عبر مسوح الأسر بطيء ومكلّف، ولهذا يعود كثير من صانعي السياسات إلى مؤشرات أسهل للقياس مثل الدخل وحده. يملأ المؤلفون هذه الفجوة باستخدام صور الأقمار الصناعية المتاحة مجاناً لسطح الأرض—صور نهارية للمباني والطرق والمزارع وصور ليلية للإنارة الكهربائية—لاستنتاج أنماط التنمية البشرية المحلية في أنحاء العالم.

تعليم الخوارزميات قراءة المشاهد الطبيعية

بدلاً من محاولة تخمين مؤشر التنمية البشرية مباشرة لكل مربع صغير من الأرض—وهو أمر مستحيل لأن مثل هذه القياسات الدقيقة للمؤشر غير متوفرة—طوّر الفريق حلاً مبتكراً. أولاً حوّلوا صور الأقمار الصناعية عالية الدقة إلى آلاف «الميزات» الرقمية التي تلخّص أنماط اللون والملمس، مثل مدى تحضّر منطقة أو زراعتها أو تغطيتها بالغابات، وكم تبدو مضيئة ليلاً. ثم قاموا بتجميع هذه الميزات لتطابق أشكال المحافظات حيث تتوافر تقديرات فرعية لمؤشر التنمية البشرية. تعلّم نموذج خطي بسيط كيف ترتبط تراكيبات هذه الميزات بمؤشر التنمية البشرية الإقليمي. ونظراً لأن هذه الميزات يمكن تجميعها أيضاً على أي أشكال أخرى، يمكن بعد ذلك تطبيق نفس العلاقة على مناطق أصغر—بلديات وخلايا شبكة منتظمة—دون تغيير النموذج الأساسي.

التحقق من الدقة مقابل بيانات العالم الواقعي

لاختبار ما إذا كان هذا المؤشر المتدرج جديراً بالثقة، قارن المؤلفون تقديراتهم المستندة إلى الأقمار الصناعية بمؤشر التنمية البشرية المستخرج من التعدادات للبلديات في إندونيسيا والبرازيل والمكسيك—ثلاث دول تتوافر فيها بيانات مفصلة بالفعل. واعتماداً على البلد، التقط نهجهم نحو خُمس إلى أكثر من نصف التباين في مؤشر التنمية البشرية بين البلديات داخل نفس المحافظة. أجروا اختبارات إضافية باستخدام مقاييس تنموية أخرى، مثل مؤشر الثروة الدولي وأنوار الليل نفسها، وأظهروا أن نموذجاً تدرب على متوسطات إقليمية خشنية فقط لا يزال قادراً على توقع هذه المتغيرات على مقاييس أدق بدقة معقولة. وهذا يشير إلى أن الطريقة موثوقة إلى حد كبير لترجمة الإحصاءات عالية المستوى إلى تقديرات محلية.

ما تكشفه الخرائط فائقة التفصيل

باستخدام هذه الطريقة، أنشأ الباحثون خرائط عالمية لمؤشر التنمية البشرية لأكثر من 61,000 بلدية وأكثر من 800,000 خلية شبكة بعرض 10 كيلومترات لعام 2019، وجعلوها متاحة للعامة. تكشف هذه الخرائط فروقاً حادة داخل محافظات تبدو موحّدة في الإحصاءات الرسمية: مراكز مدن ذات مؤشر عالٍ تحيط بها ضواحي أفقر، جيوب تنموية على طول الطرق الرئيسية، ووديان نهرية أفضل حالاً من الصحارى أو الجبال المجاورة. عندما قارن الفريق ترتيب المحافظات حسب مؤشر التنمية البشرية مع تقديراتهم الأكثر دقة، وجدوا أن أكثر من نصف سكان العالم وُضعوا في الشق الوطني الخاطئ من خُمسات مؤشر التنمية البشرية لأن المتوسطات الخشنة جمعت بين مجتمعات أغنى وأفقر. في بعض الحالات، أشخاص مصنفون ضمن أقل المناطق نمواً على مستوى المحافظة قد يصنفون فعلياً ضمن الخُمسين الأعلى عند النظر إلى مستوى البلديات أو خلايا الشبكة، والعكس صحيح.

تداعيات لسياسات أكثر عدلاً وذكاءً

الخلاصة للقارئ العام هي أن المكان الذي تعيش فيه داخل البلد قد يهم بقدر أهمية البلد نفسه. من خلال كشف أنماط مفصّلة للتنمية البشرية، يمكن لهذه الخرائط المستندة إلى الأقمار الصناعية أن تساعد الحكومات ومنظمات الإغاثة على توجيه الموارد بدقة أكبر—دعم المدن والأحياء المحددة الأشد حاجة، بدلاً من مناطق كبيرة تختلط فيها أغنى وأفقر المناطق معاً. ويحذر المؤلفون من أن هذه التقديرات لا تحل محل المسوح الميدانية وأن الأداء تم التحقق منه مباشرة في عدد قليل فقط من البلدان. ومع ذلك، في الأماكن التي تندر فيها البيانات، يمكن أن يوفر هذا النهج مكملاً قوياً ومنخفض التكلفة، يحوّل رؤيتنا المتزايدة للأرض من الفضاء إلى أداة عملية للنهوض بالرفاه البشري.

الاستشهاد: Sherman, L., Proctor, J., Druckenmiller, H. et al. Global high-resolution estimates of the UN Human Development Index using satellite imagery and machine learning. Nat Commun 17, 1315 (2026). https://doi.org/10.1038/s41467-026-68805-6

الكلمات المفتاحية: مؤشر التنمية البشرية, صور الأقمار الصناعية, التعلم الآلي, تحديد الفقر على الخرائط, التفاوت المكاني