Pesquisadores da Duke University desenvolveram um método que usa aprendizado de máquina, imagens de satélite e dados meteorológicos para encontrar de forma autônoma pontos críticos de forte poluição do ar, quarteirão por quarteirão.

A técnica pode ser uma bênção para encontrar e mitigar fontes de aerossóis perigosos, estudando os efeitos da poluição do ar na saúde humana, e tornando-se mais bem informado, decisões de políticas públicas socialmente justas.

"Até agora, pesquisadores que tentam medir a distribuição de poluentes atmosféricos em toda a cidade tentam usar o número limitado de monitores existentes ou conduzir sensores em veículos pela cidade, "disse Mike Bergin, professor de engenharia civil e ambiental na Duke. "Mas configurar redes de sensores é demorado e caro, e a única coisa que dirigir um sensor realmente diz é que as estradas são grandes fontes de poluentes. Ser capaz de encontrar pontos críticos locais de poluição do ar usando imagens de satélite é extremamente vantajoso. "

Os poluentes atmosféricos específicos nos quais Bergin e seus colegas estão interessados ​​são minúsculas partículas aerotransportadas chamadas PM2.5. Essas 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.

O estudo Global Burden of Disease classificou o PM2.5 em quinto lugar em sua lista de fatores de risco de mortalidade em 2015. O estudo indicou que o PM2.5 foi responsável em um ano por cerca de 4,2 milhões de mortes e 103,1 milhões de anos de vida perdidos ou vividos com deficiência. Um estudo recente da Harvard University T.H. A Escola de Saúde Pública de Chan também descobriu que áreas com níveis mais altos de PM2.5 estão associadas a taxas de mortalidade mais altas devido ao COVID-19.

Mas os pesquisadores de Harvard só podiam acessar os dados do PM2.5 em nível de condado por condado nos Estados Unidos. Embora seja um valioso ponto de partida, as estatísticas de poluição em nível de condado não podem detalhar um bairro próximo a uma usina termoelétrica a carvão em comparação com um próximo a um parque que fica a 30 milhas contra o vento. E a maioria dos países fora do mundo ocidental não tem esse nível de monitoramento da qualidade do ar.

"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." Portanto, 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 trabalho anterior com o aluno de doutorado Tongshu Zheng e o colega David Carlson, professor assistente de engenharia civil e ambiental na Duke, os pesquisadores mostraram que as imagens de satélite, dados meteorológicos e aprendizado de máquina podem fornecer medições de PM2.5 em pequena escala.

Construindo esse trabalho e focando em Pequim, a equipe agora melhorou seus métodos e ensinou o algoritmo para localizar automaticamente pontos quentes e pontos frios de poluição do ar com uma resolução de 300 metros - aproximadamente o comprimento de um quarteirão da cidade de Nova York.

O avanço foi feito usando uma técnica chamada aprendizado residual. O algoritmo primeiro estima os níveis de PM2.5 usando apenas dados meteorológicos. Em seguida, ele mede a diferença entre essas estimativas e os níveis reais de PM2,5 e aprende a usar imagens de satélite para fazer suas previsões melhores.

"Quando as previsões são feitas primeiro com o tempo, e, em seguida, os dados de satélite são adicionados mais tarde para ajustá-los, permite que o algoritmo aproveite ao máximo as informações nas imagens de satélite, "disse Zheng.

Os pesquisadores então usaram um algoritmo inicialmente projetado para ajustar a iluminação irregular em uma imagem para encontrar áreas de altos e baixos níveis de poluição do ar. Chamada normalização de contraste local, a técnica procura essencialmente pixels do tamanho de um quarteirão com níveis mais altos ou mais baixos de PM2.5 do que outros nas proximidades.

"Esses pontos de acesso são notoriamente difíceis de encontrar em mapas de níveis de PM porque, em alguns dias, o ar é muito ruim em toda a cidade, e é realmente difícil dizer se existem diferenças reais entre eles ou se há apenas um problema com o contraste da imagem, "disse Carlson." É uma grande vantagem ser capaz de encontrar um bairro específico que tende a ficar mais alto ou mais baixo do que em qualquer outro lugar, porque pode nos ajudar a responder a perguntas sobre disparidades de saúde e justiça ambiental. "

Embora os métodos exatos que o algoritmo ensina por si só não possam ser transferidos de cidade para cidade, o algoritmo poderia facilmente ensinar a si mesmo novos métodos em locais diferentes. E embora as cidades possam evoluir com o tempo nos padrões de clima e poluição, o algoritmo não deve ter problemas para evoluir com eles. Mais, os pesquisadores apontam, o número de sensores de qualidade do ar só vai aumentar nos próximos anos, então eles acreditam que sua abordagem só vai melhorar com o tempo.

"Acho que conseguiremos encontrar ambientes construídos nessas imagens que estão relacionados aos pontos quentes e frios, que pode ter um enorme componente de justiça ambiental, "disse Bergin." O próximo passo é ver como esses pontos críticos estão relacionados ao status socioeconômico e às taxas de internação hospitalar de exposições de longo prazo. Acho que essa abordagem pode nos levar muito longe e as aplicações em potencial são simplesmente incríveis. "

Os resultados apareceram online em 1º de abril no jornal Sensoriamento remoto .