Investigadores de la Universidad de Duke han ideado un método para estimar la calidad del aire en un pequeño parche de tierra utilizando nada más que imágenes satelitales y condiciones climáticas. Dicha información podría ayudar a los investigadores a identificar zonas ocultas de contaminación peligrosa, mejorar en gran medida los estudios de contaminación en la salud humana, o potencialmente desentrañar los efectos de eventos impredecibles sobre la calidad del aire, como el estallido de una pandemia global en el aire.
Los resultados aparecen en línea en la revista Ambiente atmosférico .
"Hemos utilizado una nueva generación de imágenes de microsatélites para estimar la contaminación del aire a nivel del suelo a la escala espacial más pequeña hasta la fecha", dijo Mike Bergin, profesor de ingeniería civil y ambiental en Duke. "Hemos podidopara hacerlo mediante el desarrollo de un enfoque totalmente nuevo que utiliza inteligencia artificial / aprendizaje automático para interpretar datos de imágenes de superficie y estaciones terrestres existentes ".
La medición específica de la calidad del aire en la que están interesados Bergin y sus colegas es la cantidad de pequeñas partículas en el aire llamadas PM2.5. Estas son partículas que tienen un diámetro de menos de 2.5 micrómetros, aproximadamente el tres por ciento del diámetro de un ser humanocabello, y se ha demostrado que tiene un efecto dramático en la salud humana debido a su capacidad de viajar profundamente en los pulmones.
Por ejemplo, PM2.5 fue clasificada globalmente como el quinto factor de riesgo de mortalidad, responsable de aproximadamente 4.2 millones de muertes y 103.1 millones de años de vida perdida o vivida con discapacidad, según el estudio Global Burden of Disease 2015. Y en un estudio recientede la Escuela de Salud Pública TH Chan de la Universidad de Harvard, los investigadores encontraron que las áreas con niveles más altos de PM2.5 también están asociadas con tasas de mortalidad más altas debido a COVID-19.
Las mejores prácticas actuales en teledetección para estimar la cantidad de PM2.5 a nivel del suelo usan satélites para medir la cantidad de luz solar dispersada de regreso al espacio por las partículas ambientales en toda la columna atmosférica. Este método, sin embargo, puede sufrir incertidumbres regionalescomo las nubes y las superficies brillantes, la mezcla atmosférica y las propiedades de las partículas PM, y no pueden hacer estimaciones precisas a escalas menores de aproximadamente un kilómetro cuadrado. Si bien las estaciones de monitoreo de la contaminación del suelo pueden proporcionar mediciones directas, sufren sus propios inconvenientes ysolo están escasamente ubicados en todo el mundo.
"Las estaciones terrestres son caras de construir y mantener, por lo que incluso las grandes ciudades probablemente no tengan más que un puñado de ellas", dijo Bergin. "Además, casi siempre se ubican en áreas alejadas del tráfico y otros grandes localesfuentes, por lo que si bien pueden dar una idea general de la cantidad de PM2.5 en el aire, no se acercan a dar una distribución real para las personas que viven en diferentes áreas de la ciudad ".
En su búsqueda de un método mejor, Bergin y su estudiante de doctorado Tongshu Zheng recurrieron a Planet, una compañía estadounidense que utiliza microsatélites para tomar imágenes de toda la superficie de la Tierra todos los días con una resolución de tres metros por píxel.el equipo pudo obtener una instantánea diaria de Beijing en los últimos tres años.
El avance clave se produjo cuando David Carlson, profesor asistente de ingeniería civil y ambiental en Duke y experto en aprendizaje automático, intervino para ayudar.
"Cuando voy a conferencias de aprendizaje automático e inteligencia artificial, generalmente soy la única persona de un departamento de ingeniería ambiental", dijo Carlson. "Pero estos son los tipos exactos de proyectos que estoy aquí para ayudar a apoyar, ypor qué Duke le da tanta importancia a la contratación de expertos en datos en toda la universidad ".
Con la ayuda de Carlson, Bergin y Zheng aplicaron una red neuronal convolucional con un algoritmo forestal aleatorio al conjunto de imágenes, combinado con datos meteorológicos de la estación meteorológica de Beijing. Si bien eso puede sonar como un bocado, no es tan difícil abrirse paso a través delos árboles.
Un bosque aleatorio es un algoritmo estándar de aprendizaje automático que utiliza muchos árboles de decisión diferentes para hacer una predicción. Todos hemos visto árboles de decisión, tal vez como un meme de Internet que usa una serie de preguntas de sí / no de ramificación para decidir sio no comer un burrito. Excepto en este caso, el algoritmo está analizando los árboles de decisión en función de métricas como el viento, la humedad relativa, la temperatura y más, y utilizando las respuestas resultantes para llegar a una estimación de las concentraciones de PM2.5.
Sin embargo, los algoritmos de bosque aleatorio no tratan bien con las imágenes. Ahí es donde entran las redes neuronales convolucionales. Estos algoritmos buscan características comunes en imágenes como líneas y protuberancias y comienzan a agruparlas. A medida que el algoritmo "se aleja,"continúa agrupando agrupaciones similares, combinando formas básicas en características comunes como edificios y carreteras. Eventualmente, el algoritmo presenta un resumen de la imagen como una lista de sus características más comunes, y estas son arrojadas al bosque aleatorio a lo largocon los datos del clima
"Las imágenes de alta contaminación son definitivamente más nubladas y más borrosas que las imágenes normales, pero el ojo humano realmente no puede distinguir los niveles exactos de contaminación a partir de esos detalles", dijo Carlson. "Pero el algoritmo puede detectar estas diferencias tanto en la bajade alto nivel y características de alto nivel: los bordes son más borrosos y las formas se oscurecen más, y con precisión las convierten en estimaciones de calidad del aire ".
"La red neuronal convolucional no nos da una predicción tan buena como nos gustaría solo con las imágenes", agregó Zheng. "Pero cuando pones esos resultados en un bosque aleatorio con datos meteorológicos, los resultados son tan buenoscomo cualquier otra cosa disponible actualmente, si no mejor "
En el estudio, los investigadores usaron 10,400 imágenes para entrenar su modelo para predecir los niveles locales de PM2.5 usando nada más que imágenes de satélite y condiciones climáticas. Probaron su modelo resultante en otras 2,622 imágenes para ver qué tan bien podía predecir PM2.5.
Muestran que, en promedio, su modelo es preciso dentro del 24 por ciento de los niveles reales de PM2.5 medidos en las estaciones de referencia, que se encuentra en el extremo superior del espectro para este tipo de modelos, a la vez que tiene un espacio mucho más altoSi bien la mayoría de las prácticas estándar actuales pueden predecir niveles de hasta 1 millón de metros cuadrados, el nuevo método tiene una precisión de hasta 40,000, aproximadamente el tamaño de ocho campos de fútbol colocados uno al lado del otro.
Con ese nivel de especificidad y precisión, Bergin cree que su método abrirá una amplia gama de nuevos usos para tales modelos.
"Creemos que esta es una gran innovación en las recuperaciones satelitales de la calidad del aire y será la columna vertebral de una gran cantidad de investigaciones por venir", dijo Bergin. "Ya estamos comenzando a recibir consultas sobre cómo usarlo para ver cómo los nivelesde PM2.5 van a cambiar una vez que el mundo comience a recuperarse de la propagación de COVID-19 ".
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Original escrito por Ken Kingery. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :