VN-Agenda 2030: Baanbrekend onderzoek naar het voorspellen van voedselcrises

Een studie van de New York University heeft aangetoond dat anticiperen op voedselcrisisepidemieën mogelijk en fundamenteel is om noodhulp efficiënt toe te wijzen en menselijk leed te verminderen. (afbeelding gemaakt met Midjourney)

Om op deze crises te anticiperen, kunt u i voorspellende modellen maar ze zijn gebaseerd op risicomaatregelen die vaak vertraagd, achterhaald of onvolledig zijn. De studie van de New York University probeerde te begrijpen hoe voorspellende algoritmen optimaal kunnen worden benut.

De studie toonde aan dat door het samenstellen van de tekst van 11,2 miljoen artikelen over landen met voedselonzekerheid die tussen 1980 en 2020 zijn gepubliceerd, en door gebruik te maken van recente vorderingen op het gebied van deep learning: geruststellende resultaten kunnen worden verkregen. De uitwerking maakte het mogelijk om hoogfrequente voorlopers van voedselcrises te extraheren die zowel interpreteerbaar als gevalideerd zijn door traditionele risico-indicatoren.

Het algoritme deep learning benadrukt dat crisisindicatoren in de periode van juli 2009 tot juli 2020 de voorspellingen in 21 landen met voedselonzekerheid aanzienlijk verbeteren, tot twaalf maanden eerder dan basismodellen die geen tekstuele informatie bevatten.

De studie concentreert zich op de Geïntegreerde Faseclassificatie (IPC) voorspelling van voedselonzekerheid die door wordt gepubliceerd Hongersnood Early Warning Systems Network (WEINIG NET). Deze classificatie is beschikbaar op districtsniveau in 37 landen met voedselonzekerheid in Afrika, Azië en Latijns-Amerika en werd tussen 2009 en 2015 vier keer per jaar en daarna drie keer per jaar gerapporteerd. 

Voedselonzekerheid wordt geclassificeerd volgens een ordinale schaal die bestaat uit vijf fasen: laag, stress, crisis, noodsituatie en hongersnood. 

BlogInnovazione.it