Globalt högupplösta uppskattningar av FN:s Human Development Index med hjälp av satellitbilder och maskininlärning

Varför det spelar roll att kartlägga mänskliga framsteg mer precist

Human Development Index (HDI) är ett av de mest citerade måtten på global framgång och kombinerar hälsa, utbildning och inkomst till ett enda tal för varje land. De flesta beslut som påverkar människors vardag—var man bygger en klinik, hur katastrofhjälp ska riktas, vilka samhällen som behöver nya skolor—fattas dock i mycket mindre skala än nationell nivå. Denna studie visar hur satellitbilder och modern maskininlärning kan omvandla ett grovt, landsnivåmässigt mått till en detaljerad global karta över mänsklig utveckling på kommun- och 10-kilometers rutnätsnivå och därigenom blottlägga mönster som nationella genomsnitt döljer.

Från landssnitt till gatunivåinsikt

Hittills har officiella HDI-data publicerats endast för 191 länder, med några forskningsinsatser som gått ned till stora provinser eller delstater. Det är alldeles för grovt för många praktiska ändamål, till exempel att lokalisera de fattigaste kvarteren i en region eller jämföra närliggande städer som delar provinsiell förvaltning men har mycket olika möjligheter. Att samla HDI-liknande information lokalt via hushållsundersökningar är långsamt och dyrt, vilket gör att många beslutsfattare återgår till lättmätbara indikatorer som enbart inkomst. Författarna adresserar detta glapp genom att använda fritt tillgängliga satellitbilder av jordens yta—både dagsbilder av byggnader, vägar och jordbruksmark och nattbilder av elektriskt ljus—för att härleda lokala mönster av mänsklig utveckling världen över.

Lära algoritmer att läsa landskap

I stället för att försöka gissa HDI direkt för varje liten markruta—vilket är omöjligt eftersom sådana finskaliga HDI-mätningar inte finns—utvecklade teamet en smart lösning. De omvandlade först högupplösta satellitfoton till tusentals numeriska ”egenskaper” som sammanfattar färg- och texturmönster, till exempel hur urbaniserat, jordbruks- eller skogbeklätt ett område ser ut och hur ljust det framstår på natten. Dessa egenskaper aggregerades sedan för att matcha formaten för provinser där subnationella HDI-uppskattningar finns tillgängliga. En enkel linjär modell lärde sig hur kombinationer av dessa egenskaper förhåller sig till provinsernas HDI. Eftersom egenskaperna också kan medelvärderas över andra ytor kan samma relation tillämpas på mycket mindre områden—kommuner och regelbundna rutnätsceller—utan att ändra den underliggande modellen.

Kontrollera noggrannheten mot verkliga data

För att pröva om detta nedskalade HDI är trovärdigt jämförde författarna sina satellitbaserade uppskattningar med folkräkningsbaserat HDI för kommuner i Indonesien, Brasilien och Mexiko—tre länder där detaljerade data redan finns. Beroende på land fångade deras metod ungefär en femtedel till mer än hälften av variationen i HDI mellan kommuner inom samma provins. De körde ytterligare tester med andra utvecklingsrelaterade mått, såsom en internationell välståndsindex och nattliga ljusdata, och visade att en modell tränad endast på grova provinsiella medelvärden ändå kan förutsäga dessa variabler på mycket finare skala med rimlig noggrannhet. Detta tyder på att metoden i allmänhet är pålitlig för att översätta högre nivåers statistik till lokala uppskattningar.

Vad ultra-detaljerade kartor avslöjar

Med denna metod skapade forskarna globala HDI-kartor för över 61 000 kommuner och mer än 800 000 10-kilometers rutnätsceller för år 2019 och gjorde dem offentligt tillgängliga. Dessa kartor blottlägger skarpa skillnader inom provinser som ser homogena ut i officiell statistik: stadskärnor med högt HDI omgivna av fattigare förorter, utvecklingsfickor längs huvudvägar och floddalar som klarar sig bättre än närliggande öknar eller bergsområden. När teamet jämförde provinsiella HDI-rankningar med sina mer finmaskiga uppskattningar fann de att mer än hälften av världens befolkning hade placerats i fel nationell HDI-kvintil eftersom grova genomsnitt sammanblandat bättre och sämre ställda samhällen. I vissa fall skulle människor som klassificerats bland de minst utvecklade regionerna på provinsnivå faktiskt hamna i de två högsta kvintilerna när man ser till kommun- eller rutnätsnivå, och vice versa.

Konsekvenser för rättvisare och smartare politik

För en lekmannaläsare är slutsatsen att var du bor inom ett land kan spela lika stor roll som vilket land du bor i. Genom att avslöja detaljerade mönster av mänsklig utveckling kan dessa satellitbaserade kartor hjälpa regeringar och biståndsorganisationer att rikta resurser mer precist—stötta de specifika städer och kvarter som behöver mest hjälp, snarare än hela stora regioner som blandar rika och fattiga områden. Författarna varnar för att dessa uppskattningar inte ersätter fältundersökningar och att metoden bara direkt validerats i ett fåtal länder. Ändå kan detta tillvägagångssätt i områden där data är knappa erbjuda ett kraftfullt, kostnadseffektivt komplement och förvandla vår växande rymdbaserade bild av jorden till ett praktiskt verktyg för att främja människors välbefinnande.

Citering: 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

Nyckelord: human development index, satellite imagery, machine learning, poverty mapping, spatial inequality