I ricercatori della Duke University hanno ideato un metodo per stimare la qualità dell'aria su un piccolo appezzamento di terra utilizzando nient'altro che immagini satellitari e condizioni meteorologiche. Tali informazioni potrebbero aiutare i ricercatori a identificare i punti caldi nascosti di inquinamento pericoloso, migliorare notevolmente gli studi sull'inquinamento sulla salute umana, o potenzialmente stuzzicare gli effetti di eventi imprevedibili sulla qualità dell'aria, come lo scoppio di una pandemia globale aerea.

I risultati appaiono online sulla rivista Ambiente atmosferico .

"Abbiamo utilizzato una nuova generazione di immagini di micro-satelliti per stimare l'inquinamento atmosferico a livello del suolo alla più piccola scala spaziale fino ad oggi, "ha detto Mike Bergin, professore di ingegneria civile e ambientale alla Duke. "Siamo stati in grado di farlo sviluppando un approccio totalmente nuovo che utilizza l'intelligenza artificiale/machine learning per interpretare i dati dalle immagini di superficie e dalle stazioni di terra esistenti".

La misurazione specifica della qualità dell'aria a cui sono interessati Bergin e i suoi colleghi è la quantità di minuscole particelle sospese nell'aria chiamate PM2,5. Si tratta di particelle che hanno un diametro inferiore a 2,5 micrometri, circa il tre percento del diametro di un capello umano, e hanno dimostrato di avere un effetto drammatico sulla salute umana a causa della loro capacità di viaggiare in profondità nei polmoni.

Per esempio, Il PM2,5 è stato classificato a livello globale come il quinto fattore di rischio di mortalità, responsabile di circa 4,2 milioni di morti e 103,1 milioni di anni di vita persi o vissuti con disabilità, dallo studio Global Burden of Disease 2015. E in un recente studio dell'Università di Harvard T.H. Chan School of Public Health, i ricercatori hanno scoperto che le aree con livelli più elevati di PM2,5 sono anche associate a tassi di mortalità più elevati a causa di COVID-19.

Le attuali migliori pratiche nel telerilevamento per stimare la quantità di PM2,5 a livello del suolo utilizzano i satelliti per misurare la quantità di luce solare che viene dispersa nello spazio dai particolati ambientali sull'intera colonna atmosferica. Questo metodo, però, possono soffrire di incertezze regionali come nuvole e superfici lucide, miscelazione atmosferica, e proprietà delle particelle di PM, e non può fare stime accurate su scale inferiori a circa un chilometro quadrato. Mentre le stazioni di monitoraggio dell'inquinamento del suolo possono fornire misurazioni dirette, soffrono della propria serie di inconvenienti e si trovano solo scarsamente in tutto il mondo.

"Le stazioni di terra sono costose da costruire e mantenere, quindi è probabile che anche le grandi città non ne abbiano più di una manciata, " ha detto Bergin. "Inoltre sono quasi sempre collocati in aree lontane dal traffico e da altre grandi fonti locali, quindi, mentre potrebbero dare un'idea generale della quantità di PM2,5 nell'aria, non si avvicinano affatto a una vera distribuzione per le persone che vivono in aree diverse di quella città".

Nella loro ricerca di un metodo migliore, Bergin e il suo studente di dottorato Tongshu Zheng si sono rivolti a Planet, un'azienda americana che utilizza i microsatelliti per fotografare l'intera superficie terrestre ogni giorno con una risoluzione di tre metri per pixel. Il team è stato in grado di ottenere un'istantanea quotidiana di Pechino negli ultimi tre anni.

La svolta chiave è arrivata quando David Carlson, un assistente professore di ingegneria civile e ambientale alla Duke ed esperto di machine learning, intervenne per aiutare.

"Quando vado alle conferenze di machine learning e intelligenza artificiale, Di solito sono l'unica persona di un dipartimento di ingegneria ambientale, " ha detto Carlson. "Ma questi sono esattamente i tipi di progetti che sono qui per aiutare a sostenere, e perché Duke attribuisce un'importanza così elevata all'assunzione di esperti di dati in tutta l'università."

Con l'aiuto di Carlson, Bergin e Zheng hanno applicato una rete neurale convoluzionale con un algoritmo di foresta casuale al set di immagini, combinato con i dati meteorologici della stazione meteorologica di Pechino. Anche se può sembrare un boccone, non è così difficile farsi strada tra gli alberi.

Una foresta casuale è un algoritmo di apprendimento automatico standard che utilizza molti alberi decisionali diversi per fare una previsione. Abbiamo visto tutti alberi decisionali, forse come un meme su Internet che utilizza una serie di domande si/no ramificate per decidere se mangiare o meno un burrito. Tranne in questo caso, l'algoritmo sta esaminando alberi decisionali basati su metriche come vento, umidità relativa, temperatura e altro, e utilizzando le risposte risultanti per arrivare a una stima delle concentrazioni di PM2,5.

Però, gli algoritmi di foresta casuale non gestiscono bene le immagini. È qui che entrano in gioco le reti neurali convoluzionali. Questi algoritmi cercano caratteristiche comuni nelle immagini come linee e rilievi e iniziano a raggrupparli insieme. Quando l'algoritmo "rimpicciolisce, "continua ad ammassare raggruppamenti simili, combinando forme di base in elementi comuni come edifici e autostrade. Alla fine l'algoritmo fornisce un riepilogo dell'immagine come elenco delle sue caratteristiche più comuni, e questi vengono gettati nella foresta casuale insieme ai dati meteorologici.

"Le immagini ad alto inquinamento sono decisamente più nebbiose e sfocate delle immagini normali, ma l'occhio umano non può davvero distinguere i livelli esatti di inquinamento da quei dettagli, " ha detto Carlson. "Ma l'algoritmo può individuare queste differenze sia nelle caratteristiche di basso livello che in quelle di alto livello - i bordi sono più sfocati e le forme sono più oscurate - e trasformarle con precisione in stime della qualità dell'aria".

"La rete neurale convoluzionale non ci dà una buona previsione come vorremmo con le sole immagini, " ha aggiunto Zheng. "Ma quando metti quei risultati in una foresta casuale con i dati meteorologici, i risultati sono buoni come qualsiasi altra cosa attualmente disponibile, se non meglio."

Nello studio, i ricercatori ne hanno usati 10, 400 immagini per addestrare il loro modello a prevedere i livelli locali di PM2,5 utilizzando nient'altro che immagini satellitari e condizioni meteorologiche. Hanno testato il loro modello risultante su altri 2, 622 immagini per vedere quanto bene potrebbe prevedere il PM2.5.

Lo dimostrano, in media, il loro modello è accurato entro il 24% dei livelli effettivi di PM2,5 misurati nelle stazioni di riferimento, che è nella fascia alta dello spettro per questi tipi di modelli, pur avendo una risoluzione spaziale molto più elevata. Mentre la maggior parte delle attuali pratiche standard può prevedere livelli fino a 1 milione di metri quadrati, il nuovo metodo è accurato fino a 40, 000, circa le dimensioni di otto campi da calcio affiancati.

Con quel livello di specificità e accuratezza, Bergin crede che il loro metodo aprirà una vasta gamma di nuovi usi per tali modelli.

"Pensiamo che questa sia un'enorme innovazione nei recuperi satellitari della qualità dell'aria e sarà la spina dorsale di molte ricerche a venire, ", ha affermato Bergin. "Stiamo già iniziando a ricevere richieste di utilizzo per vedere come cambieranno i livelli di PM2.5 una volta che il mondo inizierà a riprendersi dalla diffusione di COVID-19".