Глобальные высокоразрешённые оценки Индекса человеческого развития ООН с использованием спутниковых изображений и машинного обучения

Почему важно точнее картировать прогресс человечества

Индекс человеческого развития (ИЧР) — один из наиболее часто цитируемых показателей глобального прогресса, объединяющий здоровье, образование и доход в единую величину для каждой страны. Однако большинство решений, формирующих повседневную жизнь людей — где строить клинику, кому направлять помощь при бедствии, в каких городах нужны новые школы — принимаются на значительно меньших масштабах, чем государства. В этом исследовании показано, как спутниковые снимки и современные методы машинного обучения могут превратить грубый показатель на уровне страны в детализированную глобальную карту человеческого развития на уровне муниципалитетов и ячеек сетки 10 километров, выявляя закономерности, скрытые национальными средними.

От средних по странам к уличной точности

До настоящего времени официальные данные по ИЧР публиковались только для 191 страны, а отдельные исследования продвигались лишь до крупных провинций или штатов. Это слишком грубо для многих практических задач, например, чтобы точно определить самые бедные кварталы в регионе или сравнить соседние города, которые подчиняются одной провинциальной власти, но имеют существенно разные возможности. Сбор локальной информации в стиле ИЧР с помощью обследований домашних хозяйств медленный и дорогой, поэтому многие политики обращаются к более легко измеримым индикаторам, таким как только доход. Авторы восполняют этот разрыв, используя свободно доступные спутниковые изображения поверхности Земли — как дневные снимки зданий, дорог и полей, так и ночные изображения освещения — чтобы выводить локальные паттерны человеческого развития по всему миру.

Обучение алгоритмов «читать» ландшафты

Вместо того чтобы пытаться напрямую предсказать ИЧР для каждого крошечного квадрата территории — что невозможно, поскольку тонкомасштабных измерений ИЧР не существует — команда разработала хитрое обходное решение. Сначала они преобразовали высокоразрешённые спутниковые фотографии в тысячи числовых «признаков», суммирующих паттерны цвета и текстуры: насколько урбанизирована, сельскохозяйственна или лесистая территория, насколько она ярка ночью и т. п. Затем эти признаки усредняли в масштабе форм районов, для которых доступны субнациональные оценки ИЧР. Простая линейная модель обучалась связывать комбинации этих признаков с провинциальными значениями ИЧР. Поскольку признаки можно усреднять по любым другим формам, та же самая зависимость затем применяется к гораздо мельче — муниципалитетам и регулярным ячейкам сетки — без изменения базовой модели.

Проверка точности на реальных данных

Чтобы оценить доверие к такому даунскейлингу ИЧР, авторы сравнили свои спутниковые оценки с расчетным по переписи ИЧР для муниципалитетов Индонезии, Бразилии и Мексики — трёх стран, где подобные детальные данные уже доступны. В зависимости от страны их подход объяснял примерно от пятой части до более чем половины вариации ИЧР между муниципалитетами внутри одной провинции. Они провели дополнительные тесты, используя другие связанные с развитием показатели, такие как международный индекс благосостояния и сами ночные огни, и показали, что модель, обученная только на грубых провинциальных средних, всё же может с разумной точностью предсказывать эти переменные на значительно более мелких масштабах. Это указывает, что метод в целом надёжен для преобразования показателей высшего уровня в локальные оценки.

Что показывают сверхдетальные карты

С помощью этого метода исследователи создали глобальные карты ИЧР для более чем 61 000 муниципалитетов и свыше 800 000 ячеек сетки 10 километров на 2019 год и сделали их общедоступными. Эти карты выявляют резкие различия внутри провинций, выглядящих единообразными в официальной статистике: центральные районы городов с высоким ИЧР, окружённые более бедными пригородами; участки развития вдоль крупных дорог; речные долины, где положение лучше, чем в соседних пустынях или горах. Сравнив провинциальные ранжирования ИЧР с их более детализированными оценками, команда обнаружила, что более половины населения мира было отнесено не к тому национальному квинтилю ИЧР, потому что грубые средние смешивали вместе более и менее благополучные сообщества. В некоторых случаях регионы, отнесённые на провинциальном уровне к наименее развитым, при взгляде на муниципальном или сеточном уровне попадали в верхние два квинтиля, и наоборот.

Последствия для более справедливой и умной политики

Для непрофессионального читателя вывод таков: то, где вы живёте внутри страны, может иметь такое же значение, как и то, в какой стране вы живёте. Рисуя детализированные картины человеческого развития, эти карты на базе спутниковых данных могут помочь правительствам и организациям помощи направлять ресурсы точнее — поддерживая конкретные города и кварталы, которые нуждаются в помощи больше всего, вместо распределения средств по крупным регионам, смешивающим богатые и бедные территории. Авторы предупреждают, что эти оценки не заменяют полевых обследований и что проверка работоспособности проведена непосредственно лишь в нескольких странах. Тем не менее в местах с дефицитом данных такой подход может стать мощным и недорогим дополнением, превращающим растущее наблюдение Земли из космоса в практический инструмент для повышения благосостояния людей.

Цитирование: 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

Ключевые слова: индекс человеческого развития, спутниковые изображения, машинное обучение, картирование бедности, пространственное неравенство