국제 연구원 팀은 가까운 장래에 전 세계적인 식량 부족을 예측하는 데 도움이 될 수 있는 일련의 기계 학습 모델을 구축하여 정부와 국제 기관이 가장 잘 도울 수 있는 부분을 이해하도록 돕습니다.
세계식량계획(WFP), 런던대학교 수학과, 중앙유럽대학교 네트워크 및 데이터 과학학과의 과학자들은 "고유한 글로벌 데이터 세트"를 사용하여 식량 부족의 변화를 최대 81%까지 설명할 수 있는 기계 학습 모델을 구축했습니다. 소비.
이 연구에서는 기계 학습 모델이 식품 가격, 거시 경제 지표(GDP 포함), 날씨, 분쟁, 영양 부족 확산, 인구 밀도 및 이전 식량 불안 추세와 같은 분야의 간접적인 데이터 소스에서 도출된다고 주장합니다. 목표는 단기 예측 또는 "현재 예측"을 만드는 것입니다.
"우리는 제안된 모델이 이제 거의 실시간으로 식량 안보 상황을 예측할 수 있음을 보여주고 예측된 추세에서 관찰된 변화를 주도하는 변수를 식별하는 방법을 제안합니다. 이는 의사 결정자가 예측을 유용하게 만드는 데 핵심입니다." 종이 이번 주 네이처 푸드에 실린 고 밝혔다.
ML 모델의 출력은 헝거맵.
2019년 영양실조 인구는 650억 135천만 명으로 추정되며, 55개 국가 및 지역에서 19억 280만 명이 심각한 "식량 불안"을 겪고 있는 것으로 보고되었습니다. 식량 불안은 활동적이고 건강한 삶을 영위할 수 있는 충분한 식량에 대한 지속적인 접근이 부족한 것으로 정의됩니다. 전 세계적인 코로나2020 팬데믹 이후 이 숫자는 급증했습니다. XNUMX년에는 최소 XNUMX억 XNUMX천만 명이 심각한 식량 불안을 겪는 것으로 보고되었으며, 이는 전년도보다 두 배 이상 증가한 수치입니다.
세계식량계획(WFP), 식량농업기구(FAO), 세계은행 등 정부와 국제기구에서는 대면 조사나 원격 휴대전화 조사를 통해 식량 안보를 측정합니다. 그러나 이는 비용이 많이 들고 정확도가 문제가 될 수 있습니다. 보고서는 “식량 불안은 빈곤보다 더 역동적이고 불안정한 현상으로, 농업 생산 일정과 관련된 계절적 요소가 있고 외부 충격이 가해지면 빠르게 변화하기 때문에 더 자주, 신속한 평가가 필요하다”고 밝혔다.
저자들은 "이를 통해 전 세계적으로 거의 실시간으로 식량 안보를 발표할 수 있는 문이 열리며 의사결정자들이 기아 퇴치를 위한 정책과 프로그램에 대해 보다 시의적절하고 정보에 입각한 결정을 내릴 수 있게 됐다"고 말했습니다.
연구원들은 또한 장기적으로 식량 불안정을 예측하기 위해 2030차 데이터를 사용했습니다. 농업 생산, 통계적 작물 모델 및 기후 모델링은 작물 생산 변화에 대해 XNUMX년까지 예측하는 데 사용되었습니다. 한편, 세네갈에서는 익명으로 집계된 휴대전화 데이터를 사용하여 계절에 따른 사람들의 광범위한 이동을 살펴보고 농업 달력 및 강수량 기록과 결합하여 식량 안보를 특성화했습니다.
본 연구에서는 휴대전화 데이터가 일반적으로 전국 이동통신사를 통해 획득되므로 이를 사용하지 않았다. "따라서 쉽게 확장할 수 있는 데이터 유형이 아니며 이것이 우리의 글로벌 접근 방식에 적합한 데이터 소스가 아닌 이유입니다."라고 중앙 유럽 대학의 조교수인 Elisa Omodei가 말했습니다. 등록.
저자들은 그들의 모델이 식량 부족 인구의 증가를 예측할 때 세계 식량 계획이 대면 또는 원격 조사를 통해 신속한 평가를 촉발하고 상황에 대한 더 나은 이해를 얻기 위해 국내 분석가를 동원할 것이라고 제안합니다.
"이러한 모델의 개발은 제한된 자원과 접근성으로 인해 현재 존재하는 격차를 메우기 위한 WFP의 특별한 요구에 의해 동기가 부여되었습니다. 즉, 식량 안보 평가가 단 한 번만 수행되거나 접근하기 어려운 지역에 정기적인 정보를 제공하기 위한 것입니다. 1년에 두 번이지만 그럼에도 불구하고 인도주의적 활동에 정보를 제공하기 위해서는 지속적인 정보 흐름이 필요합니다."라고 이 신문은 말했습니다. ®
