Pesquisadores da Duke University desenvolveram um método para estimar a qualidade do ar em um pequeno pedaço de terra usando nada além de imagens de satélite e condições climáticas. Essas informações podem ajudar os pesquisadores a identificar pontos críticos ocultos de poluição perigosa, melhorar muito os estudos de poluição na saúde humana, ou potencialmente provocar os efeitos de eventos imprevisíveis na qualidade do ar, como a eclosão de uma pandemia global aerotransportada.

Os resultados aparecem online no jornal Ambiente Atmosférico .

"Usamos uma nova geração de imagens de micro-satélites para estimar a poluição do ar no nível do solo na menor escala espacial até agora, "disse Mike Bergin, professor de engenharia civil e ambiental na Duke. "Conseguimos fazer isso desenvolvendo uma abordagem totalmente nova que usa IA / aprendizado de máquina para interpretar dados de imagens de superfície e estações terrestres existentes."

A medição específica da qualidade do ar na qual Bergin e seus colegas estão interessados ​​é a quantidade de minúsculas partículas transportadas pelo ar chamadas PM2.5. São partículas com diâmetro inferior a 2,5 micrômetros - cerca de três por cento do diâmetro de um fio de cabelo humano - e demonstrou ter um efeito dramático na saúde humana por causa de sua capacidade de viajar profundamente para os pulmões.

Por exemplo, PM2.5 foi classificado globalmente como o quinto fator de risco de mortalidade, responsável por cerca de 4,2 milhões de mortes e 103,1 milhões de anos de vida perdidos ou vividos com deficiência, pelo estudo Global Burden of Disease 2015. E em um estudo recente da Harvard University T.H. Escola Chan de Saúde Pública, os pesquisadores descobriram que as áreas com níveis mais elevados de PM2.5 também estão associadas a taxas de mortalidade mais altas devido ao COVID-19.

As melhores práticas atuais em sensoriamento remoto para estimar a quantidade de PM2.5 no nível do solo usam satélites para medir a quantidade de luz solar que é espalhada de volta ao espaço por partículas ambientais em toda a coluna atmosférica. Este método, Contudo, pode sofrer com incertezas regionais, como nuvens e superfícies brilhantes, mistura atmosférica, e propriedades das partículas PM, e não pode fazer estimativas precisas em escalas menores do que cerca de um quilômetro quadrado. Embora as estações de monitoramento da poluição do solo possam fornecer medições diretas, eles sofrem com suas próprias desvantagens e estão apenas esparsamente localizados ao redor do mundo.

"As estações terrestres são caras de construir e manter, portanto, mesmo as grandes cidades provavelmente não terão mais do que um punhado deles, "disse Bergin." Além disso, eles quase sempre são colocados em áreas longe do tráfego e outras grandes fontes locais, então, embora possam dar uma ideia geral da quantidade de PM2,5 no ar, eles não chegam nem perto de dar uma verdadeira distribuição para as pessoas que vivem em diferentes áreas da cidade. "

Em sua busca por um método melhor, Bergin e seu aluno de doutorado Tongshu Zheng voltaram-se para o Planeta, uma empresa americana que usa micro-satélites para tirar fotos de toda a superfície da Terra todos os dias com uma resolução de três metros por pixel. A equipe conseguiu obter instantâneos diários de Pequim nos últimos três anos.

O grande avanço veio quando David Carlson, professor assistente de engenharia civil e ambiental na Duke e especialista em aprendizado de máquina, interveio para ajudar.

"Quando participo de conferências de aprendizado de máquina e inteligência artificial, Normalmente sou a única pessoa de um departamento de engenharia ambiental, "disse Carlson." Mas estes são os tipos exatos de projetos que estou aqui para ajudar a apoiar, e por que Duke dá tanta importância à contratação de especialistas em dados em toda a universidade. "

Com a ajuda de Carlson, Bergin e Zheng aplicaram uma rede neural convolucional com um algoritmo de floresta aleatório ao conjunto de imagens, combinado com dados meteorológicos da estação meteorológica de Pequim. Embora isso possa soar como um bocado, não é tão difícil escolher o caminho por entre as árvores.

Uma floresta aleatória é um algoritmo de aprendizado de máquina padrão que usa muitas árvores de decisão diferentes para fazer uma previsão. Todos nós vimos árvores de decisão, talvez como um meme da internet que usa uma série de perguntas sim / não ramificadas para decidir se deve ou não comer um burrito. Exceto neste caso, o algoritmo está olhando através de árvores de decisão com base em métricas como vento, humidade relativa, temperatura e mais, e usando as respostas resultantes para chegar a uma estimativa para as concentrações de PM2,5.

Contudo, algoritmos de floresta aleatórios não lidam bem com imagens. É aí que entram as redes neurais convolucionais. Esses algoritmos procuram características comuns em imagens, como linhas e saliências, e começam a agrupá-las. Conforme o algoritmo "diminui o zoom, "continua a agrupar agrupamentos semelhantes, combinar formas básicas em características comuns, como edifícios e rodovias. Eventualmente, o algoritmo apresenta um resumo da imagem como uma lista de seus recursos mais comuns, e estes são jogados na floresta aleatória junto com os dados meteorológicos.

"Imagens de alta poluição são definitivamente mais embaçadas e desfocadas do que imagens normais, mas o olho humano não pode realmente dizer os níveis exatos de poluição a partir desses detalhes, ", disse Carlson." Mas o algoritmo pode identificar essas diferenças nas características de baixo e alto nível - as bordas são mais borradas e as formas são mais obscurecidas - e transformá-las precisamente em estimativas da qualidade do ar. "

"A rede neural convolucional não nos dá uma previsão tão boa quanto gostaríamos com as imagens sozinhas, "acrescentou Zheng." Mas quando você coloca esses resultados em uma floresta aleatória com dados meteorológicos, os resultados são tão bons quanto qualquer outro disponível atualmente, se não melhor. "

No estudo, os pesquisadores usaram 10, 400 imagens para treinar seu modelo para prever os níveis locais de PM2.5 usando nada além de imagens de satélite e condições climáticas. Eles testaram o modelo resultante em outro 2, 622 imagens para ver o quão bem ele poderia prever PM2.5.

Eles mostram isso, na média, seu modelo tem precisão de 24 por cento dos níveis reais de PM2.5 medidos nas estações de referência, que está na extremidade superior do espectro para esses tipos de modelos, ao mesmo tempo que tem uma resolução espacial muito maior. Embora a maioria das práticas padrão atuais possam prever níveis de até 1 milhão de metros quadrados, o novo método tem precisão de 40, 000 - aproximadamente o tamanho de oito campos de futebol colocados lado a lado.

Com esse nível de especificidade e precisão, Bergin acredita que seu método abrirá uma ampla gama de novos usos para esses modelos.

"Achamos que esta é uma grande inovação na recuperação da qualidade do ar por satélite e será a espinha dorsal de muitas pesquisas que virão, "disse Bergin." Já estamos começando a receber investigações sobre como usá-lo para ver como os níveis de PM2.5 vão mudar quando o mundo começar a se recuperar da disseminação do COVID-19. "