Investigadores de la Universidad de Duke han desarrollado un método que utiliza el aprendizaje automático, imágenes de satélite 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 las fuentes de aerosoles peligrosos, estudiar los efectos de la contaminación del aire en la salud humana, y estar mejor informado, decisiones de política pública socialmente justas.

"Antes de ahora, Los investigadores que intentan medir la distribución de contaminantes del aire en una ciudad intentarían utilizar el número limitado de monitores existentes o conducir sensores en vehículos por una ciudad. "dijo Mike Bergin, profesor de ingeniería civil y ambiental en Duke. "Pero configurar redes de sensores requiere mucho tiempo y es costoso, y lo único que realmente le dice al conducir un sensor es que las carreteras son grandes fuentes de contaminantes. Ser capaz de encontrar puntos críticos locales de contaminación del aire utilizando imágenes de satélite es muy ventajoso ".

Los contaminantes específicos del aire que interesan a Bergin y sus colegas son 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.

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 con discapacidad. Un estudio reciente de la Universidad de Harvard T.H. La Escuela de Salud Pública Chan también encontró que las áreas con niveles más altos de PM2.5 están asociadas con tasas más altas de muerte debido al COVID-19.

Pero los investigadores de Harvard solo pudieron acceder a los 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 cercano a una planta de energía de carbón en lugar de uno al lado de 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 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." Entonces, aunque podrían 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 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 de satélite, Los datos meteorológicos y el aprendizaje automático podrían proporcionar mediciones de PM2.5 a pequeña escala.

Partiendo de ese trabajo y centrándonos en Beijing, El equipo ahora ha mejorado sus métodos y le 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 utilizando solo datos meteorológicos. Luego mide la diferencia entre estas estimaciones y los niveles reales de PM2.5 y se enseña a sí mismo a usar imágenes de satélite para mejorar sus predicciones.

"Cuando las predicciones se hacen primero con el clima, y luego los datos de satélite se agregan más tarde para ajustarlos, permite que el algoritmo aproveche al máximo la información de las imágenes de satélite, "dijo Zheng.

Luego, los investigadores utilizaron un algoritmo inicialmente diseñado 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, Básicamente, la técnica busca píxeles del tamaño de un bloque de ciudad que tengan niveles más altos o más bajos de PM2.5 que otros en su vecindad.

"Estos puntos de acceso son muy 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 existen verdaderas diferencias entre ellos o si solo hay un problema con el 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 las disparidades en la salud y la 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 debería tener problemas para evolucionar con ellos. Más, los investigadores señalan, 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 puede tener un gran componente de justicia ambiental, ", dijo Bergin." El siguiente paso es ver cómo estos puntos calientes están relacionados con el estatus 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 increíbles ".

Los resultados aparecieron en línea el 1 de abril en la revista. Sensores remotos .