Cómo ubicar las granjas de animales potencialmente contaminantes ha sido durante mucho tiempo un problema para los reguladores ambientales. Ahora, Los académicos de Stanford muestran cómo un algoritmo de lectura de mapas podría ayudar a los reguladores a identificar las instalaciones de manera más eficiente que nunca.

Profesor de Derecho Daniel Ho, junto con Ph.D. estudiante Cassandra Handan-Nader, han descubierto una forma de aprendizaje automático, enseñando a una computadora cómo identificar y analizar patrones en los datos, para ubicar de manera eficiente las operaciones de animales industriales y ayudar a los reguladores a determinar el riesgo ambiental de cada instalación. Los hallazgos de los investigadores se publicarán el 8 de abril en Sostenibilidad de la naturaleza .

"Nuestro trabajo muestra cómo una agencia gubernamental puede aprovechar los rápidos avances en la visión por computadora para proteger el agua limpia de manera más eficiente, "dijo Ho, el Profesor de Derecho William Benjamin Scott y Luna M. Scott, y miembro principal del Instituto de Stanford para la Investigación de Políticas Económicas.

Un problema básico con consecuencias complejas

Según la Agencia de Protección Ambiental (EPA), la agricultura es el principal contribuyente de contaminantes al suministro de agua del país, con una contaminación sustancial que se cree que emana de gran escala, operaciones concentradas de alimentación animal, también conocido como CAFO.

Pero los esfuerzos de monitoreo ambiental se han visto obstaculizados por un problema básico:los reguladores no tienen una forma sistemática de determinar dónde están ubicadas las CAFO, Dijo Ho. La Oficina de Responsabilidad del Gobierno de los Estados Unidos informa que ninguna agencia federal tiene información confiable sobre el número, tamaño y ubicación de las operaciones agrícolas a gran escala.

Si bien la Ley de Agua Limpia requiere algunos permisos federales, solo se aplica a las operaciones que realmente descargan contaminantes en las vías fluviales de los EE. UU., No a las instalaciones que podrían causar contaminación, intencionalmente o no, Dijo Ho.

Sin una lista definida a la que recurrir, Los esfuerzos para monitorear instalaciones potencialmente contaminantes son difíciles y, en algunos casos, imposible.

"Este déficit de información sofoca la aplicación de las leyes ambientales de los Estados Unidos, "Dijo Ho.

Algunos grupos ambientales y de interés público han intentado identificar las instalaciones ellos mismos escaneando el terreno manualmente o estudiando detenidamente fotografías aéreas, pero lo han encontrado como una tarea increíblemente intensiva en tiempo. Un grupo ambientalista tardó más de tres años en observar imágenes de un solo estado. Monitorear esfuerzos como estos nunca podría escalar o realizarse en tiempo real, Dijo Ho.

Usar macrodatos para llenar los vacíos

Ho y Handan-Nader, luego investigador en la Facultad de Derecho de Stanford y ahora cursando un doctorado en ciencias políticas, dirigieron su atención a un tipo de inteligencia artificial llamada aprendizaje profundo. Un subconjunto del aprendizaje automático Los algoritmos de aprendizaje profundo han revolucionado la capacidad de detectar objetos complejos en imágenes.

Con la ayuda de varias herramientas de código abierto y un equipo de estudiantes de economía e informática para ayudar con el análisis de datos, Ho y Handan-Nader pudieron volver a capacitar un modelo de reconocimiento de imágenes existente para reconocer instalaciones de animales a gran escala utilizando información recopilada por dos grupos sin fines de lucro e imágenes satelitales disponibles públicamente del Programa Nacional de Imágenes Agrícolas (NAIP) del USDA. Los investigadores se centraron en tratar de identificar las instalaciones avícolas en Carolina del Norte porque la mayoría no está obligada a obtener permisos. Dijo Ho.

El modelo, ya conocedores de escanear imágenes basadas en un enorme corpus de imágenes digitales, fue capacitado para captar pistas similares que las organizaciones ambientales habían estado monitoreando manualmente. Por ejemplo, Las granjas de cerdos eran identificables por graneros rectangulares compactos colindantes con grandes pozos de estiércol líquido, y aves de corral en graneros rectangulares largos y almacenamiento de estiércol seco. Al concentrarse en estas características destacadas, el modelo también pudo proporcionar estimaciones del tamaño de las instalaciones.

Los investigadores encontraron que su algoritmo fue capaz de identificar un 15 por ciento más de granjas avícolas de lo que se encontró originalmente a través de esfuerzos manuales. Y debido a que su enfoque podría escalar a lo largo de años de imágenes NAIP, su algoritmo fue capaz de estimar con precisión el crecimiento en las cercanías de una fábrica de piensos construida recientemente.

"El modelo detectó el 93 por ciento de todas las CAFO avícolas en el área, y tuvo un 97 por ciento de precisión para determinar cuáles aparecieron después de la apertura de la fábrica de piensos, "Handan-Nader y Ho escriben en el periódico.

Complementario, enfoque interdisciplinario

Ho y Handan-Nader esperan que el aprendizaje automático pueda complementar los esfuerzos de monitoreo humano de las agencias ambientales y los grupos de interés.

"Ahora, todo tipo de investigadores con capacidad de programación pueden aprovechar estas herramientas de código abierto para aplicaciones novedosas, "dijo Handan-Nader, un coautor del artículo. "Puede apoyarse en los hombros de gigantes y ampliar lo que han hecho los expertos en este tipo de técnicas de aprendizaje automático".

El uso del aprendizaje automático para tareas de memoria puede liberar a las personas para que realicen tareas más complejas, como determinar los posibles peligros ambientales de una instalación, Handan-Nader dijo. Los investigadores estimaron que su algoritmo podría capturar el 95 por ciento de las instalaciones existentes a gran escala utilizando menos del 10 por ciento de los recursos necesarios para un censo manual.

Ho y Handan-Nader esperan que, finalmente, Los avances en las imágenes aéreas permitirán que un modelo informático detecte la descarga real en las vías fluviales.

"Cada vez más, Los problemas sociales complejos no pueden resolverse solo desde los confines de una disciplina estrecha, y la capacidad de aprovechar la innovación en todo el campus puede ayudar a abordar los problemas fundamentales de la ley y las políticas públicas, "Dijo Ho.