Investigadores de la Universidad de Duke han desarrollado un método que utiliza aprendizaje automático, imágenes satelitales y datos meteorológicos para encontrar de forma autónoma puntos calientes de alta contaminación del aire, cuadra por cuadra.
La técnica podría ser de gran ayuda para encontrar y mitigar fuentes de aerosoles peligrosos, estudiar los efectos de la contaminación del aire en la salud humana y tomar decisiones de política pública mejor informadas y socialmente justas.
"Hasta ahora, los investigadores que intentaban medir la distribución de contaminantes del aire en una ciudad intentaban utilizar la cantidad limitada de monitores existentes o manejar sensores en vehículos en una ciudad", dijo Mike Bergin, profesor de ingeniería civil y ambiental enDuke. "Pero configurar redes de sensores requiere mucho tiempo y es costoso, y lo único que realmente le dice a uno es que las carreteras son grandes fuentes de contaminantes. Ser capaz de encontrar puntos críticos locales de contaminación del aire usando imágenes de satélite es enormementeventajoso."
Los contaminantes específicos del aire que interesan a Bergin y sus colegas son partículas diminutas 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 cabello humano, yse ha demostrado que tienen un efecto dramático en la salud humana debido a su capacidad para viajar profundamente a los pulmones.
El estudio Global Burden of Disease clasificó a PM2.5 en quinto lugar en su lista de factores de riesgo de mortalidad en 2015. El estudio indicó que PM2.5 fue responsable en un año de aproximadamente 4.2 millones de muertes y 103.1 millones de años de vida perdidos o vividos condiscapacidad.Un estudio reciente de la Escuela de Salud Pública TH Chan de la Universidad de Harvard también encontró que las áreas con niveles más altos de PM2.5 están asociadas con tasas de muerte más altas debido a COVID-19.
Pero los investigadores de Harvard solo pudieron acceder a datos de PM2.5 a nivel de condado por condado dentro de los Estados Unidos. Si bien es un punto de partida valioso, las estadísticas de contaminación a nivel de condado no pueden desglosar un vecindario próximo a un carbón.planta de energía encendida frente a una junto a un parque que está a 30 millas contra el viento. Y la mayoría de los países fuera del mundo occidental no tienen ese nivel de monitoreo de la calidad del aire
"Las estaciones terrestres son costosas de construir y mantener, por lo que es probable que incluso las grandes ciudades no tengan más de un puñado de ellas", dijo Bergin. "Por lo tanto, si bien pueden dar una idea general de la cantidad de PM2.5 enen el aire, no se acercan a dar una verdadera distribución para las personas que viven en diferentes áreas de esa ciudad ".
En un trabajo anterior con el estudiante de doctorado Tongshu Zheng y su colega David Carlson, profesor asistente de ingeniería civil y ambiental en Duke, los investigadores demostraron que las imágenes satelitales, los datos meteorológicos y el aprendizaje automático podrían proporcionar mediciones de PM2.5 a pequeña escala.
Partiendo de ese trabajo y centrándose en Beijing, el equipo ahora ha mejorado sus métodos y ha enseñado al algoritmo a encontrar automáticamente puntos calientes y puntos fríos de contaminación del aire con una resolución de 300 metros, aproximadamente la longitud de una cuadra de la ciudad de Nueva York.
El avance se realizó mediante el uso de una técnica llamada aprendizaje residual. El algoritmo primero estima los niveles de PM2.5 usando solo datos meteorológicos. Luego mide la diferencia entre estas estimaciones y los niveles reales de PM2.5 y se enseña a sí mismo a utilizarimágenes de satélite para mejorar sus predicciones.
"Cuando las predicciones se hacen primero con el clima, y luego se agregan datos satelitales para ajustarlos, permite que el algoritmo aproveche al máximo la información de las imágenes satelitales", dijo Zheng.
Luego, los investigadores utilizaron un algoritmo diseñado inicialmente para ajustar la iluminación desigual en una imagen para encontrar áreas con niveles altos y bajos de contaminación del aire. Llamada normalización de contraste local, la técnica esencialmente busca píxeles del tamaño de un bloque de ciudad que tienen niveles más altos o más bajosniveles de PM2.5 que otros en su vecindad.
"Estos puntos de acceso son notoriamente difíciles de encontrar en los mapas de niveles de PM porque algunos días el aire es realmente malo en toda la ciudad, y es realmente difícil saber si hay verdaderas diferencias entre ellos o si solo hay un problema conel contraste de la imagen ", dijo Carlson." Es una gran ventaja poder encontrar un vecindario específico que tiende a permanecer más alto o más bajo que en cualquier otro lugar, porque puede ayudarnos a responder preguntas sobre disparidades en la salud y equidad ambiental ".
Si bien los métodos exactos que el algoritmo enseña por sí mismo no se pueden transferir de una ciudad a otra, el algoritmo podría enseñarse fácilmente a sí mismo nuevos métodos en diferentes ubicaciones. Y aunque las ciudades pueden evolucionar con el tiempo tanto en patrones climáticos como de contaminación, el algoritmo no deberíatienen problemas para evolucionar con ellos. Además, señalan los investigadores, la cantidad de sensores de calidad del aire solo aumentará en los próximos años, por lo que creen que su enfoque solo mejorará con el tiempo.
"Creo que podremos encontrar entornos construidos en estas imágenes que estén relacionados con los puntos calientes y fríos, que pueden tener un gran componente de justicia ambiental", dijo Bergin. "El siguiente paso es ver cómo estos puntos calientesestán relacionados con el nivel socioeconómico y las tasas de ingreso hospitalario por exposiciones a largo plazo. Creo que este enfoque podría llevarnos muy lejos y las aplicaciones potenciales son simplemente asombrosas ".
Fuente de la historia :
Materiales proporcionado por Universidad de Duke . Original escrito por Ken Kingery. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :