Come individuare allevamenti di animali potenzialmente inquinanti è stato a lungo un problema per i regolatori ambientali. Ora, Gli studiosi di Stanford mostrano come un algoritmo di lettura delle mappe potrebbe aiutare i regolatori a identificare le strutture in modo più efficiente che mai.

Professore di diritto Daniel Ho, insieme al dottorato la studentessa Cassandra Handan-Nader, hanno trovato un modo per l'apprendimento automatico, insegnando a un computer come identificare e analizzare i modelli nei dati, per individuare in modo efficiente le operazioni di animali industriali e aiutare le autorità di regolamentazione a determinare il rischio ambientale di ciascuna struttura. I risultati dei ricercatori saranno pubblicati l'8 aprile in Sostenibilità della natura .

"Il nostro lavoro mostra come un'agenzia governativa può sfruttare i rapidi progressi nella visione artificiale per proteggere l'acqua pulita in modo più efficiente, " disse Ho, il professore di diritto William Benjamin Scott e Luna M. Scott, e un ricercatore senior presso lo Stanford Institute for Economic Policy Research.

Un problema fondamentale, con conseguenze complesse

Secondo l'Agenzia per la protezione dell'ambiente (EPA), l'agricoltura è il principale contributore di inquinanti nell'approvvigionamento idrico della nazione, con un notevole inquinamento che si ritiene provenga da grandi operazioni concentrate di alimentazione degli animali, noto anche come CAFO.

Ma gli sforzi di monitoraggio ambientale sono stati ostacolati da un problema fondamentale:i regolatori non hanno un modo sistematico per determinare dove si trovano i CAFO, Ho detto. Il Government Accountability Office degli Stati Uniti segnala che nessuna agenzia federale dispone di informazioni affidabili sul numero, dimensione e ubicazione delle operazioni agricole su vasta scala.

Sebbene il Clean Water Act richieda alcuni permessi federali, si applica solo alle operazioni che scaricano effettivamente sostanze inquinanti nei corsi d'acqua degli Stati Uniti, non alle strutture che potrebbero potenzialmente causare contaminazione, intenzionalmente o meno, Ho detto.

Senza un elenco preciso a cui rivolgersi, gli sforzi per monitorare gli impianti potenzialmente inquinanti sono difficili e, in alcuni casi, impossibile.

"Questo deficit di informazioni soffoca l'applicazione delle leggi ambientali degli Stati Uniti, "Ho detto.

Alcuni gruppi ambientalisti e di interesse pubblico hanno cercato di identificare le strutture da soli scansionando il terreno manualmente o analizzando foto aeree, ma lo hanno trovato un compito incredibilmente dispendioso in termini di tempo. Ci sono voluti più di tre anni a un gruppo ambientalista per guardare le immagini di un solo stato. Attività di monitoraggio come queste non potrebbero mai essere scalate o essere eseguite in tempo reale, Ho detto.

Usare i big data per colmare le lacune

Ho e Handan-Nader, poi ricercatore presso la Stanford Law School e ora perseguendo un dottorato in scienze politiche, hanno rivolto la loro attenzione a un tipo di intelligenza artificiale chiamata deep learning. Un sottoinsieme di machine learning, gli algoritmi di deep learning hanno rivoluzionato la capacità di rilevare oggetti complessi nelle immagini.

Con l'aiuto di diversi strumenti open source e un team di studenti in economia e informatica per assistere con l'analisi dei dati, Ho e Handan-Nader sono stati in grado di riqualificare un modello di riconoscimento delle immagini esistente per riconoscere le strutture per animali su larga scala utilizzando le informazioni raccolte da due gruppi senza scopo di lucro e le immagini satellitari pubblicamente disponibili dal National Agricultural Imagery Program (NAIP) dell'USDA. I ricercatori si sono concentrati sul tentativo di identificare gli impianti di pollame nella Carolina del Nord perché la maggior parte non è tenuta a ottenere permessi, Ho detto.

Il modello, già esperto nella scansione di immagini basate su un enorme corpus di immagini digitali, è stato riqualificato per raccogliere indizi simili che le organizzazioni ambientaliste avevano monitorato manualmente. Per esempio, gli allevamenti di suini erano identificabili da stalle rettangolari compatte affiancate da grandi fosse di liquame, e pollame da lunghi fienili rettangolari e stoccaggio del letame secco. Puntando su queste caratteristiche importanti, il modello è stato anche in grado di fornire stime dimensionali per le strutture.

I ricercatori hanno scoperto che il loro algoritmo è stato in grado di identificare il 15% in più di allevamenti di pollame rispetto a quanto originariamente trovato attraverso sforzi manuali. E poiché il loro approccio potrebbe scalare attraverso anni di immagini NAIP, il loro algoritmo è stato in grado di stimare con precisione la crescita nelle vicinanze di un mangimificio costruito di recente.

"Il modello ha rilevato il 93% di tutti i CAFO di pollame nell'area, ed era accurato al 97 percento nel determinare quali apparivano dopo l'apertura del mangimificio, "Handan-Nader e Ho scrivono sul giornale.

Complementare, approccio interdisciplinare

Ho e Handan-Nader sperano che l'apprendimento automatico possa integrare gli sforzi di monitoraggio umano delle agenzie ambientali e dei gruppi di interesse.

"Ora tutti i tipi di ricercatori con capacità di programmazione possono sfruttare questi strumenti open source per nuove applicazioni, " disse Handan-Nader, un coautore sulla carta. "Puoi stare sulle spalle dei giganti ed espandere ciò che hanno fatto gli esperti in questo tipo di tecniche di apprendimento automatico".

L'utilizzo dell'apprendimento automatico per compiti meccanici può liberare le persone a svolgere attività più complesse, come determinare i possibili rischi ambientali di un impianto, ha detto Handan-Nader. I ricercatori hanno stimato che il loro algoritmo potrebbe catturare il 95% delle strutture esistenti su larga scala utilizzando meno del 10% delle risorse necessarie per un censimento manuale.

Ho e Handan-Nader sperano che, infine, i progressi nelle immagini aeree consentiranno a un modello informatico di rilevare lo scarico effettivo nei corsi d'acqua.

"Sempre più, problemi sociali complessi non possono essere risolti solo dai confini di una disciplina ristretta, e la capacità di sfruttare l'innovazione tra i campus può aiutare ad affrontare i problemi fondamentali del diritto e delle politiche pubbliche, "Ho detto.