Этот метод может быть благом для поиска и уменьшения источников опасных аэрозолей, изучения воздействия загрязнения воздуха на здоровье человека и принятия более информированных и социально справедливых решений государственной политики.
«Раньше исследователи, пытающиеся измерить распределение загрязнителей воздуха по всему городу, либо пытались использовать ограниченное количество существующих мониторов, либо перемещать датчики по городу на транспортных средствах», – сказал Майк Бергин, профессор гражданской и экологической инженерии в Duke. «Но установка сенсорных сетей требует времени и затрат, и единственное, что действительно говорит вам движение сенсора, – это то, что дороги являются большими источниками загрязняющих веществ. Возможность находить локальные очаги загрязнения воздуха с помощью спутниковых снимков очень выгодна."
Конкретные загрязнители воздуха, которые интересуют Бергина и его коллег, – это крошечные частицы, переносимые по воздуху, называемые PM2.5.
Это частицы диаметром менее 2.5 микрометров – около трех процентов диаметра человеческого волоса – и было показано, что они оказывают сильное влияние на здоровье человека из-за их способности проникать глубоко в легкие.
Исследование глобального бремени болезней оценило PM2.5-е место в списке факторов риска смертности в 2015 г. Исследование показало, что PM2.5 ответили за один год около 4.2 миллиона смертей и 103.1 миллион лет жизни потерян или прожит с инвалидностью.
Недавнее исследование Гарвардского университета T.ЧАС. Школа общественного здравоохранения Чана также обнаружила, что районы с более высоким PM2.5 уровней связаны с более высоким уровнем смертности от COVID-19.
Но исследователи из Гарварда могли получить доступ только к PM2.5 данных на уровне округа за округом в Соединенных Штатах. Хотя статистика загрязнения на уровне округа является ценной отправной точкой, она не может перейти к району рядом с угольной электростанцией по сравнению с районом рядом с парком, находящимся в 30 милях против ветра.
И в большинстве стран за пределами западного мира нет такого уровня мониторинга качества воздуха.
«Наземные станции дороги в строительстве и обслуживании, поэтому даже в крупных городах их вряд ли будет больше, чем несколько», – сказал Бергин. "Итак, хотя они могут дать общее представление о количестве PM2.5 в воздухе, они даже близко не подходят к тому, чтобы дать истинное распределение для людей, живущих в разных районах по всему городу."
В предыдущей работе с докторантом Тонгшу Чжэном и коллегой Дэвидом Карлсоном, доцентом кафедры гражданской и экологической инженерии в Duke, исследователи показали, что спутниковые изображения, данные о погоде и машинное обучение могут обеспечить PM2.5 измерений в малом масштабе.
Развивая эту работу и сосредоточившись на Пекине, команда теперь усовершенствовала свои методы и научила алгоритм автоматически находить горячие и прохладные точки загрязнения воздуха с разрешением 300 метров – это примерно длина квартала Нью-Йорка.
Прогресс был достигнут за счет использования техники, называемой остаточным обучением.
Сначала алгоритм оценивает уровни PM2.5 использование одних только данных о погоде. Затем он измеряет разницу между этими оценками и фактическими уровнями PM2.5 и учится использовать спутниковые снимки, чтобы делать свои прогнозы лучше.
«Когда прогнозы делаются сначала с учетом погоды, а затем добавляются спутниковые данные для их точной настройки, это позволяет алгоритму в полной мере использовать информацию со спутниковых снимков», – сказал Чжэн.
Затем исследователи использовали алгоритм, изначально разработанный для корректировки неравномерного освещения на изображении, чтобы найти области с высоким и низким уровнем загрязнения воздуха. Метод, называемый нормализацией локальной контрастности, по сути, ищет пиксели размером с городской квартал, которые имеют более высокий или более низкий уровень PM2.5, чем другие в их окрестностях.
"Эти горячие точки, как известно, трудно найти на картах уровней PM, потому что в некоторые дни воздух во всем городе очень плохой, и действительно трудно сказать, есть ли между ними настоящие различия или просто проблема с изображением. контраст », – сказал Карлсон. «Возможность найти конкретный район, который имеет тенденцию оставаться выше или ниже, чем где бы то ни было, – большое преимущество, потому что это может помочь нам ответить на вопросы о неравенстве в отношении здоровья и экологической справедливости."
Хотя точные методы, которым обучает сам алгоритм, не могут передаваться из города в город, алгоритм может легко обучить себя новым методам в разных местах.
И хотя города могут со временем развиваться как в зависимости от погоды, так и в зависимости от загрязнения, алгоритм не должен иметь проблем с их развитием. Кроме того, как отмечают исследователи, количество датчиков качества воздуха в ближайшие годы будет только увеличиваться, поэтому они считают, что их подход со временем станет только лучше.
«Я думаю, что мы сможем найти на этих изображениях искусственные среды, связанные с горячими и прохладными точками, которые могут иметь огромный компонент экологической справедливости», – сказал Бергин. "Следующий шаг – посмотреть, как эти горячие точки связаны с социально-экономическим статусом и частотой госпитализации в результате длительного воздействия. Я думаю, что этот подход может увести нас очень далеко, а потенциальные возможности его применения просто потрясающие."