Globale hochauflösende Schätzungen des UN-Index für menschliche Entwicklung mithilfe von Satellitenbildern und maschinellem Lernen

Warum es wichtig ist, den menschlichen Fortschritt genauer zu kartieren

Der Index der menschlichen Entwicklung (HDI) ist eines der meistzitierten Maßstäbe für globalen Fortschritt und fasst Gesundheit, Bildung und Einkommen zu einer einzigen Zahl pro Land zusammen. Die meisten Entscheidungen, die das tägliche Leben der Menschen prägen – wo eine Klinik gebaut werden soll, wie Hilfen nach einer Katastrophe zielgerichtet werden oder welche Städte neue Schulen brauchen – werden jedoch auf viel kleineren räumlichen Skalen getroffen als auf Staatsebene. Diese Studie zeigt, wie Satellitenbilder und modernes maschinelles Lernen ein grobes, länderspezifisches Maß in eine detaillierte globale Karte der menschlichen Entwicklung auf der Ebene von Gemeinden und 10-Kilometer-Gittern verwandeln können und damit Muster offenlegen, die nationale Durchschnitte verbergen.

Von Länder-Durchschnitten zur Einsicht auf Straßenebene

Bisher wurden offizielle HDI-Daten nur für 191 Länder veröffentlicht, wobei einige Forschungsarbeiten bis auf große Provinzen oder Staaten heruntergebrochen haben. Das ist für viele praktische Anwendungen viel zu grob, etwa um die ärmsten Viertel innerhalb einer Region zu identifizieren oder benachbarte Städte zu vergleichen, die zwar derselben Provinzverwaltung unterliegen, aber sehr unterschiedliche Möglichkeiten bieten. Lokale Erhebungen im Stil des HDI über Haushaltsbefragungen sind langsam und teuer, weshalb viele Entscheidungsträger auf leichter messbare Indikatoren wie nur das Einkommen zurückgreifen. Die Autorinnen und Autoren schließen diese Lücke, indem sie frei verfügbare Satellitenaufnahmen der Erdoberfläche nutzen – sowohl Tagesaufnahmen von Gebäuden, Straßen und Ackerland als auch Nachtaufnahmen elektrischer Beleuchtung –, um lokale Muster menschlicher Entwicklung weltweit abzuleiten.

Algorithmen das Lesen von Landschaften beibringen

Anstatt zu versuchen, den HDI direkt für jedes winzige Landstück zu schätzen – was unmöglich ist, weil es keine derart feinräumigen HDI-Messungen gibt – entwickelten die Forschenden eine clevere Umgehungslösung. Zuerst verwandelten sie hochauflösende Satellitenfotos in tausende numerische „Merkmale“, die Muster von Farbe und Textur zusammenfassen, etwa wie urbanisiert, landwirtschaftlich oder bewaldet ein Gebiet wirkt und wie hell es nachts erscheint. Diese Merkmale wurden dann auf Provinzgrenzen gemittelt, für die subnationale HDI-Schätzungen verfügbar sind. Ein einfaches lineares Modell lernte, wie Kombinationen dieser Merkmale mit dem HDI der Provinzen zusammenhängen. Weil die Merkmale sich auch über beliebige andere Flächen mitteln lassen, kann dieselbe Beziehung anschließend auf viel kleinere Gebiete – Gemeinden und regelmäßige Gitterzellen – angewendet werden, ohne das zugrunde liegende Modell zu ändern.

Überprüfung der Genauigkeit anhand realer Daten

Um zu prüfen, ob dieses heruntergebrochene HDI vertrauenswürdig ist, verglichen die Autorinnen und Autoren ihre satellitenbasierten Schätzungen mit censusbasierten HDI-Werten für Gemeinden in Indonesien, Brasilien und Mexiko – drei Ländern, in denen bereits detaillierte Daten vorliegen. Je nach Land erfasste ihr Ansatz etwa ein Fünftel bis mehr als die Hälfte der Variation des HDI zwischen Gemeinden innerhalb derselben Provinz. Sie führten zusätzliche Tests mit anderen entwicklungsbezogenen Messgrößen durch, etwa einem internationalen Wohlstandsindex und den nächtlichen Lichtern selbst, und zeigten, dass ein Modell, das nur mit groben Provinzdurchschnitten trainiert wurde, diese Variablen dennoch auf deutlich kleineren Skalen mit angemessener Genauigkeit vorhersagen kann. Das deutet darauf hin, dass die Methode allgemein zuverlässig ist, um hochrangige Statistiken in lokale Schätzungen zu übersetzen.

Was ultra-detaillierte Karten offenbaren

Mit dieser Methode erstellten die Forschenden globale HDI-Karten für über 61.000 Gemeinden und mehr als 800.000 10-Kilometer-Gitterzellen für das Jahr 2019 und stellten sie öffentlich zur Verfügung. Diese Karten decken scharfe Unterschiede innerhalb von Provinzen auf, die in offiziellen Statistiken homogen wirken: Innenstadtbereiche mit hohem HDI, umgeben von ärmeren Vororten, Entwicklungstaschen entlang großer Straßen und Flusstäler, die besser abschneiden als nahegelegene Wüsten oder Berge. Beim Vergleich der Provinz-HDI-Ranglisten mit ihren feineren Schätzungen stellten sie fest, dass mehr als die Hälfte der Weltbevölkerung in den falschen nationalen HDI-Quintilen eingeordnet worden war, weil grobe Durchschnitte wohlhabendere und weniger wohlhabende Gemeinden vermischten. In einigen Fällen würden Menschen, die auf Provinzebene zu den am wenigsten entwickelten Regionen gezählt wurden, auf Gemeinde- oder Gitterebene tatsächlich in die oberen beiden Quintile fallen, und umgekehrt.

Folgen für gerechtere und klügere Politik

Für eine nichtfachliche Leserschaft lautet die Schlussfolgerung: Wo man innerhalb eines Landes lebt, kann genauso wichtig sein wie das Land selbst. Indem sie detaillierte Muster menschlicher Entwicklung offenlegen, können diese satellitenbasierten Karten Regierungen und Hilfsorganisationen dabei helfen, Ressourcen gezielter einzusetzen – und zwar zugunsten der spezifischen Städte und Viertel, die am meisten Unterstützung benötigen, statt ganzer großer Regionen, die reiche und arme Gebiete zusammenfassen. Die Autorinnen und Autoren warnen, dass diese Schätzungen Feldbefragungen nicht ersetzen und dass die Leistungsfähigkeit nur in wenigen Ländern direkt validiert wurde. Dennoch kann dieser Ansatz in datenarmen Regionen eine leistungsfähige, kostengünstige Ergänzung bieten und unsere wachsende Sicht der Erde aus dem Weltraum in ein praktisches Werkzeug zur Förderung menschlichen Wohlbefindens verwandeln.

Zitation: 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

Schlüsselwörter: Index der menschlichen Entwicklung, Satellitenbilder, maschinelles Lernen, Armutskartierung, räumliche Ungleichheit