Científicos de la Universidad de Duke en Estados Unidos, desarrollaron un método que emplea el aprendizaje automático y la inteligencia synthetic (IA) para encontrar de forma autónoma puntos críticos de la contaminación en el aire. Según los propios científicos, el algoritmo trabaja con la base de datos de imágenes satelitales y datos meteorológicos.
Mike Bergin, profesor de ingeniería civil y ambiental en Duke, señala que la técnica podría ser una herramienta muy importante para encontrar y mitigar fuentes de aerosoles peligrosos. “Nuestro sistema de aprendizaje automático podrá ayudar a estudiar los efectos de la contaminación del aire en la salud humana y también a tomar mejores decisiones en políticas públicas sobre el medio ambiente“.
En un inicio, los investigadores medían la distribución de contaminantes atmosféricos por toda una ciudad utilizando un número limitado de monitores y sensores conducidos en la ciudad a través de vehículos. Ahora, con el algoritmo de IA los investigadores son capaces de estudiar cada área utilizando imágenes satelitales, una solución más barata la cual también ahorra tiempo.
De acuerdo con Mike Bergin los contaminantes atmosféricos específicos son diminutas partículas en el aire llamadas PM2,5. Se tratan de compuestos que tienen un diámetro inferior a 2,5 micrómetros, es decir, aproximadamente el tres por ciento del diámetro de un cabello humano. Los científicos demostraron que tienen un efecto dramático en la salud humana debido a su capacidad para viajar profundamente a los pulmones.
Los inicios del algoritmo se basan en un trabajo anterior por parte de Bergin, su colega David Carlson y su alumno de doctorado Tongshu Zheng. El equipo de trabajo mostró que las imágenes satelitales, los datos meteorológicos y el aprendizaje automático podían proporcionar mediciones PM2,5 a pequeña escala.
Este nuevo trabajo centrado en la ciudad de Pekín (una de las más contaminadas del planeta), el equipo mejoró los métodos de reconocimiento por parte del algoritmo. Esta vez, pudo encontrar automáticamente puntos críticos y puntos frescos de contaminación del aire con una distancia related a Nueva York.
Cabe señalar, el avance se realizó mediante el uso de una técnica llamada aprendizaje residual, donde el algoritmo primero estima los niveles de PM2,5 utilizando los datos meteorológicos. Después mide la diferencia entre esas estimaciones y los niveles reales de PM2,5 y se enseña a sí mismo a utilizar imágenes satelitales para mejorar sus predicciones.
Bergin detalla que el algoritmo puede aprender fácilmente nuevos métodos en diferentes ubicaciones, a pesar de que las ciudades podrían evolucionar. Con el tiempo y el análisis de patrones climáticos e imágenes satelitales de la contaminación, el algoritmo no debería tener ningún problema en evolucionar al mismo tiempo.
” Fuentes notipress.mx ”
