\n<\/p>\n
Cient\u00edficos de la Universidad de Duke<\/strong> en Estados Unidos<\/strong>, desarrollaron un m\u00e9todo que emplea el aprendizaje autom\u00e1tico<\/strong> y la inteligencia synthetic<\/strong> (IA) para encontrar de forma aut\u00f3noma puntos cr\u00edticos de la contaminaci\u00f3n en el aire<\/strong>. Seg\u00fan los propios cient\u00edficos, el algoritmo trabaja con la base de datos de im\u00e1genes satelitales<\/strong> y datos meteorol\u00f3gicos. <\/p>\n Mike Bergin<\/strong>, profesor de ingenier\u00eda civil y ambiental en Duke, se\u00f1ala que la t\u00e9cnica podr\u00eda ser una herramienta muy importante para encontrar y mitigar fuentes de aerosoles<\/strong> peligrosos. “Nuestro sistema de aprendizaje autom\u00e1tico podr\u00e1 ayudar a estudiar los efectos de la contaminaci\u00f3n del aire en la salud humana y tambi\u00e9n a tomar mejores decisiones en pol\u00edticas p\u00fablicas sobre el medio ambiente<\/em>“. <\/p>\n En un inicio, los investigadores med\u00edan la distribuci\u00f3n de contaminantes atmosf\u00e9ricos<\/strong> por toda una ciudad utilizando un n\u00famero limitado de monitores y sensores<\/strong> conducidos en la ciudad a trav\u00e9s de veh\u00edculos. Ahora, con el algoritmo de IA<\/strong> los investigadores son capaces de estudiar cada \u00e1rea utilizando im\u00e1genes satelitales<\/strong>, una soluci\u00f3n m\u00e1s barata la cual tambi\u00e9n ahorra tiempo. <\/p>\n De acuerdo con Mike Bergin los contaminantes atmosf\u00e9ricos espec\u00edficos son diminutas part\u00edculas en el aire<\/strong> llamadas PM2,5<\/strong>. Se tratan de compuestos que tienen un di\u00e1metro inferior a 2,5 micr\u00f3metros, es decir, aproximadamente el tres por ciento del di\u00e1metro de un cabello humano. Los cient\u00edficos demostraron que tienen un efecto dram\u00e1tico en la salud humana<\/strong> debido a su capacidad para viajar profundamente a los pulmones. <\/p>\n Los inicios del algoritmo se basan en un trabajo anterior por parte de Bergin, su colega David Carlson<\/strong> y su alumno de doctorado Tongshu Zheng.<\/strong> El equipo de trabajo mostr\u00f3 que las im\u00e1genes satelitales, los datos meteorol\u00f3gicos<\/strong> y el aprendizaje autom\u00e1tico pod\u00edan proporcionar mediciones PM2,5 a peque\u00f1a escala<\/strong>. <\/p>\n Este nuevo trabajo centrado en la ciudad de Pek\u00edn<\/strong> (una de las m\u00e1s contaminadas del planeta), el equipo mejor\u00f3 los m\u00e9todos de reconocimiento<\/strong> por parte del algoritmo. Esta vez, pudo encontrar autom\u00e1ticamente puntos cr\u00edticos y puntos frescos de contaminaci\u00f3n del aire con una distancia related a Nueva York<\/strong>. <\/p>\n Cabe se\u00f1alar, el avance se realiz\u00f3 mediante el uso de una t\u00e9cnica llamada aprendizaje residual<\/strong>, donde el algoritmo primero estima los niveles de PM2,5 utilizando los datos meteorol\u00f3gicos. Despu\u00e9s mide la diferencia<\/strong> entre esas estimaciones y los niveles reales de PM2,5 y se ense\u00f1a a s\u00ed mismo a utilizar im\u00e1genes satelitales<\/strong> para mejorar sus predicciones. <\/p>\n Bergin detalla que el algoritmo puede aprender f\u00e1cilmente nuevos m\u00e9todos<\/strong> en diferentes ubicaciones, a pesar de que las ciudades podr\u00edan evolucionar. Con el tiempo y el an\u00e1lisis de patrones clim\u00e1ticos<\/strong> e im\u00e1genes satelitales de la contaminaci\u00f3n, el algoritmo no deber\u00eda tener ning\u00fan problema en evolucionar al mismo tiempo. <\/p>\n DESCARGA LA NOTA<\/a>\u00a0
\n S\u00cdGUENOS EN GOOGLE NEWS<\/a><\/p>\n<\/div>\n