Eradicating extreme poverty remains one of the most pressing global challenges. This study investigates the potential of integrating Artificial Intelligence (AI) and spatial datasets to predict poverty levels in Malawi. By using advanced machine learning models and high-resolution data, this research aims to provide actionable insights into poverty dynamics. The study focuses on using infrastructure-related datasets such as nightlights, roads, healthcare facilities, and built-up areas.

The methodology starts with data collection from diverse sources, including satellite data and socio-economic surveys. Key datasets include nightlights data reflecting economic activity, road density data indicating accessibility, healthcare facilities data providing health service locations, and built-up areas data distinguishing between urban and rural regions. The Integrated Household Panel Survey (IHPS) offers detailed socio-economic data for model validation. Data preprocessing involves cleaning, standardizing, merging, and reprojecting raster datasets to a common coordinate system. Interpolation techniques align the gap poor percentage data with the spatial datasets.

In the model development phase, a Random Forest Regressor machine learning model is trained to identify patterns influencing poverty. The model's performance is evaluated using metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and R² Score. Validation is achieved through cross-validation techniques and comparing model predictions against interpolated poverty data.

Results demonstrate an adequate predictive capability for poverty levels in Malawi, with high R² values indicating robust model performance (0.825). The correlation analysis reveals significant relationships between various infrastructure datasets and poverty levels, underscoring the relation between infrastructure and socio-economic conditions. The study highlights the scalability of AI-driven models, offering potential for broader application in other regions facing similar challenges and contributes to the broader field of AI for social good, demonstrating practical applications of AI in poverty eradication.

Η εξάλειψη της ακραίας φτώχειας παραμένει μέχρι και σήμερα μια από τις κρίσιμες παγκόσμιες προκλήσεις. Η παρούσα εργασία διερευνά τη δυνατότητα σύμπραξης της Τεχνητής Νοημοσύνης (AI) με χωρικά δεδομένα για την πρόβλεψη των επιπέδων φτώχειας στο Μαλάουι. Χρησιμοποιώντας μοντέλα μηχανικής μάθησης (ML) και δεδομένα υψηλής ανάλυσης, η έρευνα στοχεύει να συνεισφέρει στην εκτίμηση της δυναμικής της φτώχειας εντός των ορίων του Μαλάουι και κατ’ επέκταση και άλλων χωρών για τις οποίες είναι δυνατόν να βρεθούν τα αντίστοιχα δεδομένα . Η εργασία επικεντρώνεται στη χρήση δεδομένων που σχετίζονται με υποδομές, όπως δεδομένα νυχτερινών φώτων, οδικού δικτύου, εγκαταστάσεων υγειονομικής περίθαλψης και επιφάνειας δομημένων περιοχών.

Η μεθοδολογία ξεκινά με τη συλλογή των δεδομένων από διάφορες πηγές, που συμπεριλαμβάνουν επεξεργασμένες δορυφορικές εικόνες αλλά και κοινωνικοοικονομικές έρευνες. Η ένταση των νυχτερινών φώτων επιλέχθηκε ως δείκτης οικονομικής δραστηριότητας, η πυκνότητα των οδικών δικτύων ως δείκτης προσβασιμότητας, οι τοποθεσίες των εγκαταστάσεων υγειονομικής περίθαλψης ως δείκτης πρόσβασης στις υπηρεσίες υγείας, και η επιφάνεια των δομημένων περιοχών ως δείκτης διάκρισης και εντοπισμού των αστικών και αγροτικών περιοχών. Η Ενιαία Έρευνα Οικιακής Δειγματοληψίας (IHPS) προσφέρει λεπτομερή κοινωνικοοικονομικά δεδομένα που εξυπηρετούν στην ανάλυση και την αξιολόγηση του μοντέλου. Η προεπεξεργασία των δεδομένων περιλαμβάνει τον καθαρισμό, τη συγχώνευση και την επαναπροβολή των raster δεδομένων σε ένα κοινό σύστημα συντεταγμένων. Τεχνικές παρεμβολής εναρμονίζουν τα δεδομένα ποσοστού φτώχειας με τα χωρικά σύνολα δεδομένων.

Στη φάση ανάπτυξης του μοντέλου, ένα μοντέλο μηχανικής μάθησης Random Forest Regressor εκπαιδεύτηκε για τον εντοπισμό μοτίβων που επηρεάζουν τη φτώχεια. Η απόδοση του μοντέλου αξιολογείται με δείκτες όπως το Μέσο Τετραγωνικό Σφάλμα (MSE), η Ριζική Μέση Τετραγωνική Ρίζα (RMSE) και ο Συντελεστής Προσδιορισμού (R²).

Τα αποτελέσματα δείχνουν ικανοποιητική προβλεπτική ικανότητα για τα επίπεδα φτώχειας στο Μαλάουι, με υψηλές τιμές R² που υποδεικνύουν ισχυρή απόδοση του μοντέλου (0.825). Η ανάλυση συσχέτισης αποκαλύπτει σημαντικές σχέσεις μεταξύ διαφόρων συνόλων δεδομένων υποδομών και επιπέδων φτώχειας, υπογραμμίζοντας τη σχέση μεταξύ υποδομών και κοινωνικοοικονομικών συνθηκών. Η μελέτη αναδεικνύει την επεκτασιμότητα των μοντέλων που βασίζονται στην AI, προσφέροντας δυνατότητα ευρύτερης εφαρμογής σε άλλες περιοχές που αντιμετωπίζουν παρόμοιες προκλήσεις και συμβάλλει στο ευρύτερο πεδίο της AI για το κοινωνικό καλό.