Investigadores de la Universidad de Duke han ideado un método para estimar la calidad del aire en un pequeño trozo de tierra utilizando únicamente imágenes de satélite y condiciones meteorológicas. Dicha información podría ayudar a los investigadores a identificar puntos calientes ocultos de contaminación peligrosa. mejorar en gran medida los estudios sobre la contaminación en la salud humana, o potencialmente desentrañar los efectos de eventos impredecibles en la calidad del aire, como el estallido de una pandemia mundial transmitida por 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 en la escala espacial más pequeña hasta la fecha, "dijo Mike Bergin, profesor de ingeniería civil y ambiental en Duke. "Hemos podido 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 partículas diminutas en el aire llamadas PM2.5. Se trata de partículas que tienen un diámetro de menos de 2,5 micrómetros, aproximadamente el tres por ciento del diámetro de un cabello humano, y se ha demostrado que tienen un efecto dramático en la salud humana debido a su capacidad para viajar profundamente a los pulmones.

Por ejemplo, PM2.5 se clasificó a nivel mundial como el quinto factor de riesgo de mortalidad, responsable de alrededor de 4,2 millones de muertes y 103,1 millones de años de vida perdidos o vividos con discapacidad, según el estudio Global Burden of Disease de 2015. Y en un estudio reciente de la Universidad de Harvard, T.H. Escuela Chan de Salud Pública, Los investigadores encontraron que las áreas con niveles más altos de PM2.5 también están asociadas con tasas de muerte más altas debido al COVID-19.

Las mejores prácticas actuales en teledetección para estimar la cantidad de PM2.5 a nivel del suelo utilizan satélites para medir cuánta luz solar se dispersa de regreso al espacio por las partículas ambientales en toda la columna atmosférica. Este método, sin embargo, puede sufrir incertidumbres regionales como nubes y superficies brillantes, mezcla atmosférica, y propiedades de las partículas PM, y no puede hacer estimaciones precisas a escalas inferiores a aproximadamente un kilómetro cuadrado. Si bien las estaciones de monitoreo de la contaminación del suelo pueden proporcionar mediciones directas, sufren sus propios inconvenientes y se encuentran escasamente ubicados en todo el mundo.

"Las estaciones terrestres son caras de construir y mantener, por lo que es probable que ni siquiera las grandes ciudades tengan más de un puñado de ellas, ", dijo Bergin." Además, casi siempre se colocan en áreas alejadas del tráfico y otras grandes fuentes locales, así que, si bien pueden dar una idea general de la cantidad de PM2.5 en el aire, no se acercan a dar una verdadera distribución para las personas que viven en diferentes áreas de esa ciudad ".

En su búsqueda de un método mejor, Bergin y su estudiante de doctorado Tongshu Zheng se dirigieron a Planet, una empresa estadounidense que utiliza microsatélites para tomar fotografías 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 durante los últimos tres años.

El avance clave se produjo cuando David Carlson, profesor asistente de ingeniería civil y medioambiental en Duke y experto en aprendizaje automático, intervino para ayudar.

"Cuando voy a conferencias sobre aprendizaje automático e inteligencia artificial, Por lo general, 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 respaldar, y por qué Duke concede 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 de bosque 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 camino entre los 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 decisiones tal vez como un meme de Internet que utiliza una serie de preguntas de sí / no ramificadas para decidir si comer o no un burrito. Excepto en este caso, el algoritmo analiza árboles de decisión basados ​​en métricas como el viento, humedad relativa, temperatura y más, y usar las respuestas resultantes para llegar a una estimación de las concentraciones de PM2.5.

Sin embargo, Los algoritmos de bosque aleatorio no funcionan bien con 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, "sigue agrupando agrupaciones similares, combinando formas básicas en características comunes como edificios y carreteras. Finalmente, el algoritmo presenta un resumen de la imagen como una lista de sus características más comunes, y estos se arrojan al bosque aleatorio junto con los datos meteorológicos.

"Las imágenes de alta contaminación son definitivamente más nebulosas y borrosas que las imágenes normales, pero el ojo humano no puede realmente distinguir los niveles exactos de contaminación a partir de esos detalles, ", dijo Carlson." Pero el algoritmo puede detectar estas diferencias tanto en las características de bajo nivel como de alto nivel (los bordes son más borrosos y las formas se oscurecen más) y convertirlas precisamente en estimaciones de la calidad del aire ".

"La red neuronal convolucional no nos da una predicción tan buena como nos gustaría con las imágenes solamente, ", agregó Zheng." Pero cuando colocas esos resultados en un bosque aleatorio con datos meteorológicos, los resultados son tan buenos como cualquier otra cosa disponible actualmente, si no mejor ".

En el estudio, los investigadores utilizaron 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 otros 2, 622 imágenes para ver qué tan bien podría predecir PM2.5.

Demuestran que de media, su modelo tiene una precisión 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, al mismo tiempo que tiene una resolución espacial mucho mayor. Si 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 del 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 se trata de una gran innovación en las recuperaciones satelitales de la calidad del aire y será la columna vertebral de muchas investigaciones futuras". ", dijo Bergin." Ya estamos empezando a recibir consultas sobre su uso para ver cómo cambiarán los niveles de PM2.5 una vez que el mundo comience a recuperarse de la propagación de COVID-19 ".