目前有超過 700 顆成像衛星圍繞著地球運轉，每天它們都會向地面資料庫傳送回海量的資訊，這些資訊或用於監測氣候變化、或用於追蹤健康和貧困問題。 但科學家也面臨著一個挑戰：雖然地理空間數據可以説明研究人員和政策制定者應對關鍵挑戰，但只有擁有大量財富和專業知識的人才可以訪問它。

現在，加州大學伯克利分校的一個團隊設計了一個機器學習系統來解決衛星圖像的問題。 他們使用低成本、易於使用的技術，可以為研究人員和各國政府帶來訪問和分析能力。 這項名為”使用全球衛星圖像進行機器學習的通用且可訪問的方法”的研究於 2021 年 7 月 20 日發表在《自然通訊》雜誌上。

該專案的共同作者 Esther Rolf 表示：「衛星圖像包含大量關於世界的數據，但訣竅是如何將數據轉化為有用的見解，而無需人工梳理每張圖像。 我們為無障礙設計了我們的系統，因此一個人應該能夠在筆記型電腦上運行它，而無需專門培訓，以解決他們的本地問題”

該論文的合著者，來自高盛公共政策學院的全球政策實驗室主任 Solomon Hsiang 表示：「我們希望我們的行動能夠帶來全球的影響力。 事情的發展速度比過去任何時候都快。 我們比以往任何時候都更快地改變資源分配。 我們正在改變地球。 這需要一個反應更快的管理系統，能夠看到這些事情的發生，以便我們能夠及時、有效地做出反應」。

該專案由 Hsiang 帶領的 Global Policy Lab 和 Benjamin Recht 電氣工程和計算機科學系研究團隊合作推進。 其他合作者還包括目前就讀於加州大學聖巴巴拉分校的 Berkeley 博士畢業生Tamma Carleton、現供職於哈佛大學環境與數據科學計劃中心的Jonathan Proctor、來自 Rhodium Group 的 Ian Bolliger，來自亞馬遜的 Vaishaal Shankar，以及 Berkeley 博士生 Miyabi Ishihara。