Mesterséges intelligencia segítségével azonosítják a súlyosan szennyező forrásokat.
A Duke Egyetem (Durham, Észak-Karolina, USA) kutatói olyan módszert fejlesztettek ki, amelyik gépi tanulással műholdfelvételek és időjárási adatok alapján háztömb pontossággal azonosítani tudják a veszélyes aeroszolokat a légkörbe bocsátó forrásokat. Ennek segítségével nemcsak az aeroszolok emberi szervezetre gyakorolt hatását lehet pontosabban vizsgálni, hanem a döntéshozók munkáját is segítik. Mindezt sokkal hatékonyabban és gazdaságosabban teszik, mintha csak a városok különböző pontjain elhelyezett mérőállomások adatait használnák.
Elsősorban a levegőben lebegő úgynevezett PM2.5 részecskéket, azaz a 2,5 mikrométernél kisebb (ez az emberi hajszál vastagságának harmada) szennyező szemcséket vizsgálják. Ezek a szemcsék azért különösen veszélyesek, mert belélegezve, kis méretüknél fogva nagyon mélyre hatolnak a tüdőbe, emiatt a PM2.5 szemcsék a Global Burden of Disease tanulmány 2015-ös listáján ötödik helyen szerepelnek a halálos kockázatot jelentő környezeti tényezők között. A tanulmány szerint a PM2.5 szemcsék egy év alatt 4,2 millió halálesetért voltak felelősek. A Harvard Egyetem kutatói azt is kimutatták, hogy azokon a területeken, ahol nagy a PM2.5 koncentráció, ott magasabb volt a COVID–19 következtében elhunytak aránya. Ez a kutatás azonban csak megyei szintű adatokon alapult, tehát nem vette figyelembe a szennyezés pontos területi eloszlását.
Az algoritmus a háztömb nagyságú területeket erősen szennyező (felső sor), illetve kevéssé szennyező (alsó sor) területekként azonosította. (Kép: Duke University)
Ezzel szemben a Duke Egyetem doktorandusza, Tongshu Zheng és kollégája, David Carlson kimutatták, hogy műholdképek és időjárási adatok felhasználásával, gépi tanulás segítségével a hagyományosnál sokkal pontosabb PM2.5 eloszlási térképek készíthetők. A módszert tökéletesítve és Delhire alkalmazva 300 méteres térbeli felbontással tudták azonosítani a legerősebben szennyező pontokat és a legkevésbé szennyezett területeket. Az algoritmus először az időjárási adatok alapján megbecsüli a PM2.5 szennyezés hozzávetőleges szintjét. Ezután meghatározza a becslés és a tényleges szint közötti különbséget, aminek alapján megtanulja, hogyan lehet a műholdas felvételek használatával pontosabbá tenni az előrejelzést.
A gépi tanulást használó algoritmus számos erősen szennyező pontot azonosított Delhiben. (Kép: Duke University)
Noha az alkalmazott pontos módszer nem vihető át közvetlenül egyik városról a másikra, az algoritmus könnyen megtanulja a módszer alkalmazását az új területre. Hasonlóan könnyen követni tudja az algoritmus az időjárás és a szennyezési kép változásait is. Emellett a kutatók hangsúlyozzák, hogy a jövőben várhatóan nőni fog a földi telepítésű, a levegőminőséget monitorozó szenzorok száma, amelyek adatainak köszönhetően tovább tudják pontosítani a módszerüket.
Kapcsolódó cikkek: Kapcsolódó linkek:
Füst a sztratoszférában
Füstbe burkolódzó India
Kaliforniai tűzvész
Légszennyezés a járvány idején
Kavargó aeroszolok
Továbbra is alacsony a légszennyezés
Légszennyezés az erdőtüzek nyomán
Mezőgazdasági légszennyezés
Légszennyezés azonosítása műholdképekkel és mesterséges intelligenciával (Duke University)
Különösen kártékony műhold készül az Arizona Állami Egyetemen (ASU). A szándékos és jelentős fényszennyezés ellenére indítási lehetőséget kapott a NASA-tól.
