Estimativas globais de alta resolução do Índice de Desenvolvimento Humano da ONU usando imagens de satélite e aprendizado de máquina

Por que mapear o progresso humano com mais precisão importa

O Índice de Desenvolvimento Humano (IDH) é uma das métricas de progresso global mais citadas, combinando saúde, educação e renda em um único número por país. Ainda assim, a maioria das decisões que moldam o cotidiano das pessoas — onde construir uma clínica, como direcionar ajuda em desastres, quais cidades precisam de novas escolas — é tomada em escalas muito menores que a nacional. Este estudo mostra como imagens de satélite e aprendizado de máquina moderno podem transformar uma métrica grosseira em nível de país em um mapa global detalhado do desenvolvimento humano ao nível de municípios e células de grade de 10 quilômetros, revelando padrões que as médias nacionais ocultam.

Das médias nacionais à visão em nível de rua

Até agora, os dados oficiais do IDH foram publicados apenas para 191 países, com alguns esforços de pesquisa descendo até grandes províncias ou estados. Isso é longe de ser suficiente para muitos usos práticos, como identificar os bairros mais pobres dentro de uma região ou comparar cidades próximas que compartilham um governo provincial, mas têm oportunidades muito diferentes. Coletar informações no estilo do IDH localmente por meio de pesquisas domiciliares é lento e caro, por isso muitos formuladores de política recorrem a indicadores mais fáceis de medir, como apenas a renda. Os autores enfrentam essa lacuna usando imagens de satélite da superfície da Terra disponíveis gratuitamente — tanto imagens diurnas de construções, estradas e terras agrícolas quanto imagens noturnas da iluminação elétrica — para inferir padrões locais de desenvolvimento humano no mundo todo.

Ensinando algoritmos a ler paisagens

Em vez de tentar adivinhar o IDH diretamente para cada pequeno quadrado de terra — o que é impossível porque não existem medições de IDH em escala tão fina — a equipe desenvolveu uma solução inteligente. Primeiro transformaram fotos de satélite de alta resolução em milhares de “features” numéricas que resumem padrões de cor e textura, como o quão urbanizada, agrícola ou florestal uma área parece, e quão brilhante ela é à noite. Em seguida, eles agregaram essas características para coincidir com as formas das províncias onde estimativas subnacionais de IDH estão disponíveis. Um modelo linear simples aprendeu como combinações dessas características se relacionam com o IDH provincial. Como as características também podem ser agregadas sobre quaisquer outras áreas, a mesma relação pode então ser aplicada a áreas muito menores — municípios e células de grade regulares — sem alterar o modelo subjacente.

Verificando a precisão com dados do mundo real

Para testar se esse IDH em escala reduzida é confiável, os autores compararam suas estimativas baseadas em satélite com o IDH derivado de censo para municípios da Indonésia, Brasil e México — três países onde já existem dados detalhados. Dependendo do país, a abordagem capturou cerca de um quinto a mais da metade da variação do IDH entre municípios dentro da mesma província. Eles executaram testes adicionais usando outras medidas relacionadas ao desenvolvimento, como um índice internacional de riqueza e as próprias luzes noturnas, e mostraram que um modelo treinado apenas com médias provinciais grosseiras ainda pode prever essas variáveis em escalas muito mais finas com precisão razoável. Isso sugere que o método é amplamente confiável para traduzir estatísticas de nível superior em estimativas locais.

O que mapas ultradetalhados revelam

Usando este método, os pesquisadores criaram mapas globais de IDH para mais de 61.000 municípios e mais de 800.000 células de grade de 10 quilômetros para o ano de 2019, e os tornaram publicamente disponíveis. Esses mapas expõem diferenças acentuadas dentro de províncias que parecem uniformes nas estatísticas oficiais: centros urbanos com alto IDH cercados por subúrbios mais pobres, bolsões de desenvolvimento ao longo de estradas principais e vales fluviais que se saem melhor que desertos ou montanhas vizinhas. Quando a equipe comparou os rankings de IDH provinciais com suas estimativas de maior resolução, descobriram que mais da metade da população mundial havia sido colocada no quintil nacional de IDH errado porque as médias grosseiras misturavam comunidades mais ricas e mais pobres. Em alguns casos, pessoas rotuladas entre as regiões menos desenvolvidas ao nível provincial na verdade cairiam nos dois quintis superiores quando vistas em escala municipal ou de grade, e vice-versa.

Implicações para políticas mais justas e inteligentes

Para um leitor leigo, a conclusão é que onde você mora dentro de um país pode importar tanto quanto em qual país você mora. Ao revelar padrões detalhados de desenvolvimento humano, esses mapas baseados em satélite podem ajudar governos e organizações de ajuda a direcionar recursos com mais precisão — apoiando as cidades e bairros específicos que mais precisam, em vez de regiões grandes que misturam áreas ricas e pobres. Os autores alertam que essas estimativas não substituem pesquisas de campo e que a performance foi validada diretamente apenas em alguns países. Ainda assim, em lugares onde os dados são escassos, essa abordagem pode fornecer um complemento poderoso e de baixo custo, transformando nossa visão crescente da Terra a partir do espaço em uma ferramenta prática para promover o bem-estar humano.

Citação: 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

Palavras-chave: índice de desenvolvimento humano, imagens de satélite, aprendizado de máquina, mapeamento da pobreza, desigualdade espacial