Onderzoekers van Duke University hebben een methode ontwikkeld die gebruikmaakt van machine learning, satellietbeelden en weergegevens om autonoom hotspots van zware luchtvervuiling te vinden, stadsblok voor stadsblok.

De techniek kan een zegen zijn voor het vinden en verminderen van bronnen van gevaarlijke aerosolen, het bestuderen van de effecten van luchtverontreiniging op de menselijke gezondheid, en beter geïnformeerd, sociaal rechtvaardige openbare beleidsbeslissingen.

"Voor nu, onderzoekers die de verspreiding van luchtverontreinigende stoffen door een stad proberen te meten, zouden ofwel het beperkte aantal bestaande monitoren proberen te gebruiken of sensoren in een stad in voertuigen aandrijven, " zei Mike Bergin, hoogleraar civiele techniek en milieutechniek aan Duke. "Maar het opzetten van sensornetwerken is tijdrovend en kostbaar, en het enige dat het besturen van een sensor je echt vertelt, is dat wegen grote bronnen van vervuilende stoffen zijn. Het is enorm voordelig om lokale hotspots van luchtvervuiling te kunnen vinden met behulp van satellietbeelden."

De specifieke luchtverontreinigende stoffen waar Bergin en zijn collega's in geïnteresseerd zijn, zijn kleine deeltjes in de lucht die PM2.5 worden genoemd. Dit zijn deeltjes met een diameter van minder dan 2,5 micrometer - ongeveer drie procent van de diameter van een mensenhaar - en waarvan is aangetoond dat ze een dramatisch effect hebben op de menselijke gezondheid vanwege hun vermogen om diep in de longen te reizen.

De Global Burden of Disease-studie plaatste PM2,5 op de vijfde plaats op de lijst van risicofactoren voor sterfte in 2015. De studie gaf aan dat PM2,5 in één jaar tijd verantwoordelijk was voor ongeveer 4,2 miljoen doden en 103,1 miljoen verloren levensjaren of geleefd met een handicap. Een recente studie van de Harvard University T.H. Chan School of Public Health ontdekte ook dat gebieden met hogere PM2.5-niveaus geassocieerd zijn met hogere sterftecijfers als gevolg van COVID-19.

Maar de Harvard-onderzoekers hadden alleen toegang tot PM2.5-gegevens op provinciaal niveau binnen de Verenigde Staten. Hoewel een waardevol uitgangspunt, Vervuilingsstatistieken op provinciaal niveau kunnen niet doordringen tot een buurt naast een kolengestookte elektriciteitscentrale versus een buurt naast een park dat 30 mijl boven de wind ligt. En de meeste landen buiten de westerse wereld hebben dat niveau van monitoring van de luchtkwaliteit niet.

"Grondstations zijn duur om te bouwen en te onderhouden, dus zelfs grote steden hebben er waarschijnlijk niet meer dan een handvol, "zei Bergin. "Dus hoewel ze misschien een algemeen idee geven van de hoeveelheid PM2,5 in de lucht, ze komen niet in de buurt van het geven van een echte distributie voor de mensen die in verschillende gebieden in die stad wonen."

In eerder werk met promovendus Tongshu Zheng en collega David Carlson, assistent-professor civiele en milieutechniek aan Duke, toonden de onderzoekers aan dat satellietbeelden, weergegevens en machine learning kunnen PM2.5-metingen op kleine schaal opleveren.

Voortbouwend op dat werk en focussen op Peking, het team heeft nu hun methoden verbeterd en het algoritme geleerd om automatisch hotspots en koele plekken met luchtvervuiling te vinden met een resolutie van 300 meter - ongeveer de lengte van een blok in New York City.

De vooruitgang werd geboekt met behulp van een techniek die residueel leren wordt genoemd. Het algoritme schat eerst de niveaus van PM2,5 met alleen weergegevens. Vervolgens meet het het verschil tussen deze schattingen en de werkelijke niveaus van PM2,5 en leert het zichzelf satellietbeelden te gebruiken om zijn voorspellingen beter te maken.

"Als er eerst voorspellingen worden gedaan met het weer, en vervolgens worden satellietgegevens later toegevoegd om ze te verfijnen, het stelt het algoritme in staat om ten volle te profiteren van de informatie in satellietbeelden, " zei Zheng.

De onderzoekers gebruikten vervolgens een algoritme dat aanvankelijk was ontworpen om ongelijkmatige verlichting in een afbeelding aan te passen om gebieden met hoge en lage niveaus van luchtvervuiling te vinden. Lokale contrastnormalisatie genoemd, de techniek zoekt in wezen naar pixels ter grootte van een stadsblok met hogere of lagere niveaus van PM2.5 dan andere in hun omgeving.

"Deze hotspots zijn notoir moeilijk te vinden op kaarten van PM-niveaus, omdat de lucht op sommige dagen gewoon heel slecht is in de hele stad, en het is echt moeilijk te zeggen of er echte verschillen tussen zijn of dat er gewoon een probleem is met het beeldcontrast, "zei Carlson. "Het is een groot voordeel om een ​​specifieke buurt te kunnen vinden die de neiging heeft om hoger of lager te blijven dan overal elders, omdat het ons kan helpen vragen over gezondheidsverschillen en milieuvriendelijkheid te beantwoorden."

Hoewel de exacte methoden die het algoritme zichzelf aanleert niet van stad naar stad kunnen worden overgedragen, het algoritme zou zichzelf gemakkelijk nieuwe methoden kunnen aanleren op verschillende locaties. En hoewel steden in de loop van de tijd kunnen evolueren in zowel weers- als vervuilingspatronen, het algoritme zou geen problemen moeten hebben om met hen mee te evolueren. Plus, de onderzoekers wijzen erop, het aantal luchtkwaliteitssensoren gaat de komende jaren alleen maar toenemen, dus ze geloven dat hun aanpak met de tijd alleen maar beter zal worden.

"Ik denk dat we in deze afbeeldingen gebouwde omgevingen kunnen vinden die verband houden met de warme en koele plekken, die een enorme component van milieurechtvaardigheid kan hebben, " zei Bergin. "De volgende stap is om te zien hoe deze hotspots verband houden met de sociaaleconomische status en het aantal ziekenhuisopnames door langdurige blootstellingen. Ik denk dat deze aanpak ons ​​heel ver kan brengen en de potentiële toepassingen zijn gewoon geweldig."

De resultaten verschenen op 1 april online in het tijdschrift Teledetectie .