Forskare vid Duke University har utvecklat en metod som använder maskininlärning, satellitbilder och väderdata för att självständigt hitta hotspots av kraftiga luftföroreningar, stadskvarter för stadskvarter.

Tekniken kan vara en välsignelse för att hitta och mildra källor till farliga aerosoler, studera effekterna av luftföroreningar på människors hälsa, och göra bättre informerade, socialt rättvisa offentliga beslut.

"Före nu, forskare som försöker mäta fördelningen av luftföroreningar i en stad skulle antingen försöka använda det begränsade antalet befintliga monitorer eller köra sensorer runt en stad i fordon, sa Mike Bergin, professor i civil- och miljöteknik vid Duke. "Men att sätta upp sensornätverk är tidskrävande och kostsamt, och det enda som verkligen säger dig att köra en sensor är att vägar är stora källor till föroreningar. Att kunna hitta lokala hotspots för luftföroreningar med hjälp av satellitbilder är oerhört fördelaktigt."

De specifika luftföroreningarna som Bergin och hans kollegor är intresserade av är små luftburna partiklar som kallas PM2.5. Dessa är partiklar som har en diameter på mindre än 2,5 mikrometer – ungefär tre procent av diametern på ett människohår – och som har visat sig ha en dramatisk effekt på människors hälsa på grund av deras förmåga att resa djupt ner i lungorna.

Global Burden of Disease-studien rankade PM2,5 på femte plats på sin lista över riskfaktorer för dödlighet 2015. Studien visade att PM2.5 var ansvarigt på ett år för cirka 4,2 miljoner dödsfall och 103,1 miljoner år av liv som förlorats eller levt med funktionsnedsättning. En färsk studie från Harvard University T.H. Chan School of Public Health fann också att områden med högre PM2,5-nivåer är förknippade med högre dödlighet på grund av covid-19.

Men Harvard-forskarna kunde bara komma åt PM2.5-data på länsvis nivå inom USA. Även om det är en värdefull utgångspunkt, Föroreningsstatistik på länsnivå kan inte borra ner till en stadsdel bredvid ett koleldat kraftverk jämfört med en bredvid en park som ligger 30 mil upp mot vinden. Och de flesta länder utanför västvärlden har inte den nivån av luftkvalitetsövervakning.

"Markstationer är dyra att bygga och underhålla, så även stora städer kommer sannolikt inte att ha mer än en handfull av dem, " sa Bergin. "Så även om de kan ge en allmän uppfattning om mängden PM2,5 i luften, de kommer inte i närheten av att ge en sann fördelning för människorna som bor i olika områden i staden."

I tidigare arbete med doktoranden Tongshu Zheng och kollegan David Carlson, biträdande professor i civil- och miljöteknik vid Duke, forskarna visade att satellitbilder, väderdata och maskininlärning skulle kunna ge PM2.5-mätningar i liten skala.

Bygger på det arbetet och fokuserar på Peking, teamet har nu förbättrat sina metoder och lärt algoritmen att automatiskt hitta hotspots och svala fläckar av luftföroreningar med en upplösning på 300 meter – ungefär lika lång som ett New York City-kvarter.

Framsteg gjordes genom att använda en teknik som kallas restinlärning. Algoritmen uppskattar först nivåerna av PM2.5 med enbart väderdata. Den mäter sedan skillnaden mellan dessa uppskattningar och de faktiska nivåerna av PM2.5 och lär sig att använda satellitbilder för att göra sina förutsägelser bättre.

"När förutsägelser görs först med vädret, och sedan läggs satellitdata till senare för att finjustera dem, det låter algoritmen dra full nytta av informationen i satellitbilder, " sa Zheng.

Forskarna använde sedan en algoritm som ursprungligen utformades för att justera ojämn belysning i en bild för att hitta områden med höga och låga nivåer av luftföroreningar. Kallas lokal kontrastnormalisering, Tekniken letar i huvudsak efter pixlar i stadsblock som har högre eller lägre nivåer av PM2,5 än andra i sin närhet.

"Dessa hotspots är notoriskt svåra att hitta på kartor över PM-nivåer eftersom luften vissa dagar bara är riktigt dålig över hela staden, och det är verkligen svårt att avgöra om det finns verkliga skillnader mellan dem eller om det bara finns ett problem med bildkontrasten, " sa Carlson. "Det är en stor fördel att kunna hitta en specifik stadsdel som tenderar att stanna högre eller lägre än överallt annars, eftersom det kan hjälpa oss att svara på frågor om hälsoskillnader och miljömässig rättvisa."

Även om de exakta metoderna som algoritmen lär sig själv inte kan överföras från stad till stad, Algoritmen kan lätt lära sig nya metoder på olika platser. Och medan städer kan utvecklas över tiden i både väder och föroreningsmönster, Algoritmen borde inte ha några problem att utvecklas med dem. Plus, forskarna påpekar, antalet luftkvalitetssensorer kommer bara att öka under de kommande åren, så de tror att deras tillvägagångssätt bara kommer att bli bättre med tiden.

"Jag tror att vi kommer att kunna hitta byggda miljöer i dessa bilder som är relaterade till de varma och svala platserna, som kan ha en enorm miljörättvisa komponent, ", sa Bergin. "Nästa steg är att se hur dessa hotspots är relaterade till socioekonomisk status och antalet sjukhusinläggningar från långtidsexponeringar. Jag tror att det här tillvägagångssättet kan ta oss riktigt långt och de potentiella tillämpningarna är bara fantastiska."

Resultaten dök upp online den 1 april i tidskriften Fjärranalys .