I ricercatori della Duke University hanno sviluppato un metodo che utilizza l'apprendimento automatico, immagini satellitari e dati meteorologici per trovare autonomamente punti caldi di forte inquinamento atmosferico, isolato per isolato.

La tecnica potrebbe essere un vantaggio per trovare e mitigare fonti di aerosol pericolosi, studiare gli effetti dell'inquinamento atmosferico sulla salute umana, e informarsi meglio, decisioni di politica pubblica socialmente giuste.

"Prima di adesso, i ricercatori che cercano di misurare la distribuzione degli inquinanti atmosferici in una città proverebbero a utilizzare il numero limitato di monitor esistenti o a guidare i sensori in giro per la città nei veicoli, "ha detto Mike Bergin, professore di ingegneria civile e ambientale alla Duke. "Ma la creazione di reti di sensori richiede tempo e denaro, e l'unica cosa che ti dice davvero guidare un sensore è che le strade sono grandi fonti di inquinanti. Essere in grado di trovare i punti caldi locali dell'inquinamento atmosferico utilizzando le immagini satellitari è estremamente vantaggioso".

Gli specifici inquinanti atmosferici a cui sono interessati Bergin e i suoi colleghi sono 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.

Lo studio Global Burden of Disease ha classificato il PM2,5 al quinto posto nell'elenco dei fattori di rischio di mortalità nel 2015. Lo studio ha indicato che il PM2,5 è stato responsabile in un anno di circa 4,2 milioni di morti e 103,1 milioni di anni di vita persi o vissuti con disabilità. Un recente studio dell'Università di Harvard T.H. La Chan School of Public Health ha anche scoperto che le aree con livelli di PM2,5 più elevati sono associate a tassi di mortalità più elevati a causa di COVID-19.

Ma i ricercatori di Harvard hanno potuto accedere ai dati sul PM2.5 solo a livello di contea per contea negli Stati Uniti. Pur essendo un prezioso punto di partenza, Le statistiche sull'inquinamento a livello di contea non possono approfondire un quartiere vicino a una centrale elettrica a carbone rispetto a uno vicino a un parco che si trova a 30 miglia sopravento. E la maggior parte dei paesi al di fuori del mondo occidentale non ha quel livello di monitoraggio della qualità dell'aria.

"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. "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".

In precedenti lavori con il dottorando Tongshu Zheng e il collega David Carlson, assistente professore di ingegneria civile e ambientale alla Duke, i ricercatori hanno mostrato che le immagini satellitari, i dati meteorologici e l'apprendimento automatico potrebbero fornire misurazioni del PM2.5 su piccola scala.

Basandosi su quel lavoro e concentrandosi su Pechino, il team ha ora migliorato i propri metodi e ha insegnato all'algoritmo a trovare automaticamente i punti caldi e i punti freddi dell'inquinamento atmosferico con una risoluzione di 300 metri, circa la lunghezza di un isolato di New York City.

Il progresso è stato fatto utilizzando una tecnica chiamata apprendimento residuo. L'algoritmo prima stima i livelli di PM2,5 utilizzando solo i dati meteorologici. Quindi misura la differenza tra queste stime e i livelli effettivi di PM2,5 e impara a utilizzare le immagini satellitari per rendere migliori le sue previsioni.

"Quando le previsioni vengono fatte prima con il tempo, e poi i dati satellitari vengono aggiunti in seguito per perfezionarli, consente all'algoritmo di sfruttare appieno le informazioni nelle immagini satellitari, " ha detto Zheng.

I ricercatori hanno quindi utilizzato un algoritmo inizialmente progettato per regolare l'illuminazione irregolare in un'immagine per trovare aree con livelli alti e bassi di inquinamento atmosferico. Chiamata normalizzazione del contrasto locale, la tecnica cerca essenzialmente pixel delle dimensioni di un blocco urbano che hanno livelli più alti o più bassi di PM2,5 rispetto ad altri nelle loro vicinanze.

"Questi punti caldi sono notoriamente difficili da trovare nelle mappe dei livelli di PM perché alcuni giorni l'aria è davvero pessima in tutta la città, ed è davvero difficile dire se ci sono vere differenze tra loro o se c'è solo un problema con il contrasto dell'immagine, " ha detto Carlson. "È un grande vantaggio essere in grado di trovare un quartiere specifico che tende a stare più in alto o più in basso rispetto a qualsiasi altro luogo, perché può aiutarci a rispondere alle domande sulle disparità sanitarie e sull'equità ambientale".

Mentre i metodi esatti che l'algoritmo insegna da solo non possono essere trasferiti da una città all'altra, l'algoritmo potrebbe facilmente insegnarsi nuovi metodi in luoghi diversi. E mentre le città potrebbero evolversi nel tempo sia in termini di condizioni meteorologiche che di inquinamento, l'algoritmo non dovrebbe avere problemi ad evolversi con loro. Più, sottolineano i ricercatori, il numero di sensori di qualità dell'aria aumenterà solo nei prossimi anni, quindi credono che il loro approccio migliorerà solo con il tempo.

"Penso che saremo in grado di trovare ambienti costruiti in queste immagini che sono legati ai punti caldi e freddi, che può avere un'enorme componente di giustizia ambientale, " ha detto Bergin. "Il passo successivo è vedere come questi hotspot sono legati allo stato socioeconomico e ai tassi di ricovero ospedaliero da esposizioni a lungo termine. Penso che questo approccio potrebbe portarci molto lontano e le potenziali applicazioni sono semplicemente fantastiche".

I risultati sono apparsi online il 1 aprile sulla rivista Telerilevamento .