Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

הערכות גלובליות ברזולוציה גבוהה של מדד הפיתוח האנושי של האו"ם באמצעות תמונות לוויין ולמידת מכונה

· חזרה לאינדקס

מדוע מיפוי מדויק יותר של ההתקדמות האנושית חשוב

מדד הפיתוח האנושי (HDI) הוא אחד המדדים הציטוטיים הנפוצים ביותר להערכת ההתקדמות העולמית, ומשלב בריאות, חינוך והכנסה למספר יחיד לכל מדינה. עם זאת, רוב ההחלטות שמעצבות את חיי היומיום של אנשים — היכן לבנות מרפאה, כיצד לכוון סיוע לאחר אסון, אילו ערים זקוקות לבתי ספר חדשים — מתקבלות בקנה מידה הרבה יותר קטן מאשר מדינות. המחקר הזה מראה כיצד תמונות לוויין ולמידת מכונה מודרנית יכולות להפוך מדד גס ברמת המדינה למפת פיתוח אנושי מפורטת ברמה של מועצות ועשר-קילומטרים, וחושפות דפוסים שממוצעים לאומיים מסתירים.

Figure 1
Figure 1.

מממוצעים ארציים לתובנות ברמת הרחוב

עד כה נתוני ה-HDI הרשמיים פורסמו רק עבור 191 מדינות, עם כמה מאמצי מחקר שהורידו את הרזולוציה למחוזות או מדינות גדולים. זה גס מדי לשימושים רבים בשטח, כמו לזהות את השכונות העניות ביותר באזור או להשוות ערים סמוכות החולקות ממשלה מחוזית אך נבדלות בהזדמנויות. איסוף מידע בסגנון HDI באופן מקומי באמצעות סקרי משקי בית הוא איטי ויקר, ולכן מקבלי מדיניות רבים מסתמכים על מדדים קלים יותר למדידה כמו הכנסה בלבד. הכותבים מתמודדים עם הפער הזה באמצעות שימוש בתמונות לוויין חופשיות של פני כדור הארץ — הן תמונות יומיות של מבנים, דרכים ושדות והן תמונות לילה של תאורת חשמל — כדי להסיק דפוסים מקומיים של פיתוח אנושי ברחבי העולם.

להדריך אלגוריתמים לקריאת נוף

במקום לנסות לנחש את ה-HDI ישירות לכל ריבוע קרקע קטן — מה שאי־אפשר כי אין מדידות HDI בקנה מידה כזה — הצוות פיתח פתרון מחושב. הם קודם הפכו תמונות לוויין ברזולוציה גבוהה לאלפי "תכונות" מספריות שמתמצתות דפוסי צבע ומרקם, כגון עד כמה אזור נראה עירוני, חקלאי או מיוער, וכמה הוא זוהר בלילה. לאחר מכן הם הממיצו תכונות אלה כדי להתאים לצורות של מחוזות שבהן קיימים הערכות HDI תת-לאומיות. מודל ליניארי פשוט למד איזה שילובים של תכונות קשורים ל-HDI מחוזי. מאחר שניתן גם להממץ את התכונות על צורות אחרות, ניתן ליישם את אותו הקשר על אזורים קטנים בהרבה — מועצות ותאים רשתיים — מבלי לשנות את המודל הבסיסי.

בדיקת הדיוק מול נתוני שדה

כדי לבדוק האם HDI מוקטן זה אמין, המחברים השוו את האומדנים שלהם המבוססים על לוויין עם HDI שמקורו במפקדי אוכלוסין עבור מועצות באינדונזיה, בברזיל ובמקסיקו — שלוש מדינות שבהן נתונים מפורטים קיימים כבר. בהתאם למדינה, הגישה שלהם תפסה כ־20% ועד יותר ממחצית מהשונות ב-HDI בין מועצות בתוך אותו מחוז. הם ערכו בדיקות נוספות תוך שימוש במדדים אחרים הקשורים לפיתוח, כגון מדד עושר בין־לאומי ותאורת לילה עצמה, והראו שמודל שאומן רק על ממוצעים מחוזיים גסים עדיין יכול לחזות משתנים אלה בקנה מידה עדין באופן סביר. הממצא רומז שהשיטה אמינה באופן רחב לתרגום סטטיסטיקות ברמה גבוהה לאומדנים מקומיים.

Figure 2
Figure 2.

מה מפות פרטניות מאוד חושפות

באמצעות השיטה הזו, החוקרים יצרו מפות HDI גלובליות ליותר מ־61,000 מועצות ולמעל 800,000 תאי רשת של 10 ק"מ לשנת 2019, והפיצו אותן באופן ציבורי. מפות אלה חושפות הבדלים חדים בתוך מחוזות שנראים אחידים בסטטיסטיקה הרשמיים: מרכזי ערים בעלי HDI גבוה מוקפים בפרברים עניים יותר, כיסי פיתוח לאורך דרכים ראשיות, ועמקי נהרות המסתדרים טוב יותר מאשר מדבריות או הרים סמוכים. כאשר הצוות השווה דירוגי HDI מחוזיים עם האומדנים המפורטים יותר שלהם, הם מצאו כי יותר ממחצית מאוכלוסיית העולם הושמה בטור הלא נכון של חמישוני HDI לאומי, משום שממוצעים גסים מבליעים יחד קהילות עשירות ועניות. במקרים מסוימים, אזורים שסווגו בין הפחות מפותחים ברמת המחוז יתמקדו בפועל בשתי החמישונים העליונים ברמת מועצה או רשת, ולהפך.

השלכות למדיניות צודקת וחכמה יותר

לקרוא פרטי, המסקנה היא שמיקום מגוריך בתוך מדינה יכול להיות חשוב לא פחות מאיזו מדינה אתה גר בה. על ידי חשיפת דפוסים מפורטים של פיתוח אנושי, מפות אלה המבוססות על לוויין יכולות לסייע לממשלות ולארגוני סיוע לכוון משאבים בדיוק רב יותר — לתמוך בערים ובשכונות הספציפיות שזקוקות לעזרה המיידית ביותר, במקום באזורים גדולים שמערבבים אזורים עשירים ועניים. המחברים מזהירים כי אומדנים אלה אינם מחליפים סקרים בשטח וכי הביצועים אוששו ישירות רק בכמה מדינות. עם זאת, באזורים שבהם הנתונים מועטים, גישה זו יכולה לספק תוספת חזקה וזולה, ולהפוך את ראייתנו הגוברת של כדור הארץ מהחלל לכלי מעשי לקידום רווחת האדם.

ציטוט: 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

מילות מפתח: מדד הפיתוח האנושי, תמונות לוויין, למידת מכונה, מיפוי עוני, אי-שוויון מרחבי