Wereldwijde hoog-resolutie schattingen van de VN Human Development Index met behulp van satellietbeelden en machine learning

Waarom het belangrijk is menselijke vooruitgang preciezer in kaart te brengen

De Human Development Index (HDI) is een van de meest geciteerde maatstaven voor mondiale vooruitgang en combineert gezondheid, onderwijs en inkomen in één cijfer per land. Maar de meeste beslissingen die het dagelijks leven van mensen vormen — waar een kliniek te bouwen, hoe noodhulp te richten, welke dorpen nieuwe scholen nodig hebben — worden genomen op veel kleinere schaal dan landen. Deze studie laat zien hoe satellietbeelden en moderne machine learning een grove, landsniveau-metriek kunnen omzetten in een gedetailleerde wereldkaart van menselijke ontwikkeling op het niveau van gemeenten en 10-kilometer rastercellen, waarmee patronen zichtbaar worden die nationale gemiddelden verbergen.

Van landengemiddelden naar inzicht op straatniveau

Tot nu toe zijn officiële HDI-gegevens alleen gepubliceerd voor 191 landen, met een paar onderzoeksinspanningen die uitkomen op grote provincies of staten. Dat is veel te grof voor veel praktische toepassingen, zoals het aanwijsbaar maken van de armste buurten binnen een regio of het vergelijken van nabijgelegen plaatsen die wel onder dezelfde provincie vallen maar heel verschillende kansen bieden. Het lokaal verzamelen van HDI-achtige informatie via huishoudensenquêtes is traag en duur, waardoor veel beleidsmakers terugvallen op eenvoudiger meetbare indicatoren zoals alleen inkomen. De auteurs vullen deze leemte door gebruik te maken van vrij beschikbare satellietbeelden van het aardoppervlak — zowel dagfoto’s van gebouwen, wegen en landbouwgrond als nachtelijke beelden van kunstlicht — om plaatselijke patronen van menselijke ontwikkeling wereldwijd af te leiden.

Algoritmes leren landschappen ‘lezen’

In plaats van te proberen de HDI direct te raden voor elk klein stukje land — wat onmogelijk is omdat zulke fijnmazige HDI-metingen niet bestaan — ontwikkelde het team een slimme omweg. Ze vertaalden eerst hoogresolutie satellietfoto’s in duizenden numerieke “features” die kleur- en textuurpatronen samenvatten, zoals hoe verstedelijkt, landbouwkundig of bebost een gebied eruitziet en hoe helder het ’s nachts schijnt. Vervolgens keerden ze deze features gemiddeld terug naar de vormen van provincies waarvoor subnationale HDI-schattingen beschikbaar zijn. Een eenvoudig lineair model leerde hoe combinaties van deze features samenhangen met provinciale HDI. Omdat de features ook over andere vormen kunnen worden gemiddeld, kan diezelfde relatie vervolgens worden toegepast op veel kleinere gebieden — gemeenten en reguliere rastercellen — zonder het onderliggende model te veranderen.

Nauwkeurigheid toetsen aan reële gegevens

Om te testen of deze gedownscalde HDI betrouwbaar is, vergeleken de auteurs hun satellietgebaseerde schattingen met HDI afgeleid uit volkstellingen voor gemeenten in Indonesië, Brazilië en Mexico — drie landen waar gedetailleerde gegevens reeds bestaan. Afhankelijk van het land ving hun aanpak ongeveer een vijfde tot meer dan de helft van de variatie in HDI tussen gemeenten binnen dezelfde provincie. Ze voerden aanvullende tests uit met andere ontwikkeling-gerelateerde maatstaven, zoals een internationale rijkdomsindex en de nachtelijke verlichting zelf, en toonden aan dat een model dat alleen op grovere provinciale gemiddelden is getraind deze variabelen nog steeds op veel fijnere schaal met redelijke nauwkeurigheid kan voorspellen. Dit suggereert dat de methode breed betrouwbaar is voor het vertalen van hoger-niveau statistieken naar lokale schattingen.

Wat ultradetailkaarten onthullen

Met deze methode creëerden de onderzoekers wereldwijde HDI-kaarten voor meer dan 61.000 gemeenten en meer dan 800.000 10-kilometer rastercellen voor het jaar 2019 en maakten ze openbaar beschikbaar. Deze kaarten tonen scherpe verschillen binnen provincies die in officiële statistieken uniform lijken: stadscentra met hoge HDI omgeven door armere buitenwijken, ontwikkelingslinten langs hoofdwegen en rivierbekkens die het beter doen dan nabijgelegen woestijnen of bergen. Toen het team provinciale HDI-ranglijsten vergeleek met hun fijnmazigere schattingen, bleek dat meer dan de helft van de wereldbevolking in de verkeerde nationale HDI-quintiel was geplaatst omdat grove gemiddelden welvarende en minder welvarende gemeenschappen door elkaar veegden. In sommige gevallen zouden mensen die op provinciaal niveau tot de minst ontwikkelde regio’s worden gerekend, op gemeentelijk of rasterniveau in de bovenste twee quintielen vallen, en omgekeerd.

Gevolgen voor eerlijker en slimmer beleid

Voor een niet-specialistische lezer is de kernboodschap dat waar je binnen een land woont vaak even belangrijk kan zijn als in welk land je woont. Door gedetailleerde patronen van menselijke ontwikkeling te onthullen, kunnen deze satellietgebaseerde kaarten overheden en hulporganisaties helpen middelen preciezer in te zetten — gericht op de specifieke steden en buurten die de meeste steun nodig hebben, in plaats van op hele grote regio’s die rijke en arme gebieden mengen. De auteurs waarschuwen dat deze schattingen de veldwerk-enquêtes niet vervangen en dat de prestaties direct alleen in enkele landen zijn gevalideerd. Toch kan deze aanpak op plaatsen met weinig gegevens een krachtig, goedkope aanvulling bieden en onze groeiende blik op de aarde vanuit de ruimte omzetten in een praktisch instrument voor het bevorderen van menselijk welzijn.

Bronvermelding: 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

Trefwoorden: human development index, satellietbeelden, machine learning, armoedekaartlegging, ruimtelijke ongelijkheid