Hành trình Khoa học, Không gian và Thời gian!
Các nhà nghiên cứu đã nghĩ ra một phương pháp để ước tính chất lượng không khí trên một miếng đất nhỏ không sử dụng gì ngoài hình ảnh vệ tinh và điều kiện thời tiết. Thông tin như vậy có thể giúp các nhà nghiên cứu xác định các điểm nóng ô nhiễm nguy hiểm, cải thiện đáng kể các nghiên cứu về ô nhiễm đối với sức khỏe con người hoặc có khả năng ảnh hưởng của các sự kiện không thể đoán trước đến chất lượng không khí, như sự bùng phát của đại dịch toàn cầu.
Các nhà nghiên cứu từ Đại học Duke đã nghĩ ra một phương pháp ước tính chất lượng không khí trên một miếng đất nhỏ không sử dụng gì ngoài hình ảnh vệ tinh và điều kiện thời tiết. Thông tin như vậy có thể giúp các nhà nghiên cứu xác định các điểm nóng ô nhiễm nguy hiểm giúp cải thiện đáng kể các nghiên cứu về ô nhiễm đối với sức khỏe con người hoặc có khả năng ảnh hưởng của các sự kiện không thể đoán trước đến chất lượng không khí, như sự bùng phát của đại dịch toàn cầu.
Các kết quả xuất hiện trực tuyến trên tạp chí Môi trường khí quyển .
Mike Bergin, giáo sư kỹ thuật dân dụng và môi trường tại Duke chia sẻ: “Chúng tôi đã sử dụng một thế hệ hình ảnh vệ tinh vi mô mới để ước tính ô nhiễm không khí trên mặt đất ở quy mô không gian nhỏ nhất cho đến nay. Chúng tôi đã có thể làm điều đó bằng cách phát triển một phương pháp hoàn toàn mới sử dụng AI / máy học để diễn giải dữ liệu từ hình ảnh bề mặt và các trạm mặt đất hiện có.”
Phép đo chất lượng không khí cụ thể mà Bergin và các đồng nghiệp quan tâm là lượng các hạt nhỏ trong không khí gọi là PM2,5. Đây là những hạt có đường kính dưới 2,5 micromet – khoảng ba phần trăm đường kính của tóc người – và đã được chứng minh là có tác động mạnh mẽ đến sức khỏe con người vì khả năng đi sâu vào phổi.
Theo nghiên cứu về bệnh tật toàn cầu năm 2015, PM2.5 được xếp hạng toàn cầu là yếu tố nguy cơ tử vong thứ năm, chịu trách nhiệm cho khoảng 4,2 triệu ca tử vong và 103,1 triệu năm sống hoặc bị khuyết tật. Và trong một nghiên cứu gần đây của Trường Y tế Công cộng Đại học Harvard, các nhà nghiên cứu đã phát hiện ra rằng các khu vực có mức PM2.5 cao hơn cũng có liên quan đến tỷ lệ tử vong cao hơn do COVID-19.
Các thực hành tốt nhất hiện nay trong viễn thám để ước tính lượng PM2.5 sử dụng các vệ tinh để đo lượng ánh sáng mặt trời bị tán xạ trở lại không gian bởi các hạt xung quanh trên toàn bộ cột khí quyển. Tuy nhiên, phương pháp này có thể chịu các bất ổn khu vực như mây và bề mặt sáng bóng, trộn khí quyển và tính chất của các hạt PM cũng như không thể ước tính chính xác ở quy mô nhỏ hơn khoảng một km vuông. Trong khi các trạm giám sát ô nhiễm mặt đất có thể cung cấp các phép đo trực tiếp, họ phải chịu những hạn chế riêng và chỉ nằm rải rác trên khắp thế giới.
Các trạm mặt đất rất tốn kém để xây dựng và bảo trì, vì vậy ngay cả các thành phố lớn cũng không có nhiều hơn một số trong số họ. Hơn nữa, hầu như họ luôn đặt ở những khu vực cách xa giao thông và các nguồn địa phương lớn khác, vì vậy trong khi họ có thể đưa ra ý tưởng chung về lượng PM2.5 trong không khí, họ không đến bất kỳ nơi nào gần để phân phối thực sự cho người dân sống ở các khu vực khác nhau trong thành phố đó.
Để tìm kiếm một phương pháp tốt hơn, Bergin và sinh viên tiến sĩ Tongshu Zheng đã chuyển sang Planet, một công ty Mỹ sử dụng các vệ tinh siêu nhỏ để chụp ảnh toàn bộ bề mặt Trái đất mỗi ngày với độ phân giải ba mét mỗi pixel. Nhóm nghiên cứu đã có thể có được ảnh chụp nhanh hàng ngày về Bắc Kinh trong ba năm qua.
Bước đột phá quan trọng đến khi David Carlson, trợ lý giáo sư kỹ thuật dân dụng và môi trường tại Duke và một chuyên gia về học máy, bước vào để giúp đỡ.
“Khi tôi đi đến các cuộc hội thảo về máy học và trí tuệ nhân tạo, tôi thường là người duy nhất từ một bộ phận kỹ thuật môi trường,” Carlson nói. “Nhưng đây là những loại dự án chính xác mà tôi ở đây để hỗ trợ, và tại sao Duke lại có tầm quan trọng cao như vậy trong việc thuê các chuyên gia dữ liệu trong toàn bộ trường đại học.”
Với sự giúp đỡ của Carlson, Bergin và Zheng đã áp dụng một mạng lưới thần kinh tích chập với thuật toán rừng ngẫu nhiên vào bộ ảnh, kết hợp với dữ liệu khí tượng từ trạm thời tiết của Bắc Kinh. Mặc dù nghe có vẻ như một câu nói cửa miệng, nhưng không khó để chọn đường đi qua những cái cây.
Một khu rừng ngẫu nhiên là một thuật toán học máy tiêu chuẩn sử dụng rất nhiều cây quyết định khác nhau để đưa ra dự đoán. Chúng ta đều đã thấy những cây quyết định, có lẽ là một meme internet sử dụng một loạt các câu hỏi có / không phân nhánh để quyết định có nên ăn burrito hay không. Ngoại trừ trong trường hợp này, thuật toán đang xem xét các cây quyết định dựa trên các số liệu như gió, độ ẩm tương đối, nhiệt độ và hơn thế nữa, và sử dụng các câu trả lời kết quả để đưa ra ước tính về nồng độ PM2,5.
Tuy nhiên, thuật toán rừng ngẫu nhiên không xử lý tốt với hình ảnh. Đó là nơi các mạng nơ ron tích chập xuất hiện. Các thuật toán này tìm kiếm các tính năng phổ biến trong các hình ảnh như đường và va chạm và bắt đầu nhóm chúng lại với nhau. Khi thuật toán “thu nhỏ”, nó tiếp tục gộp các nhóm tương tự lại với nhau, kết hợp các hình dạng cơ bản thành các tính năng phổ biến như các tòa nhà và đường cao tốc. Cuối cùng, thuật toán đưa ra một bản tóm tắt của hình ảnh dưới dạng một danh sách các tính năng phổ biến nhất của nó và chúng được đưa vào khu rừng ngẫu nhiên cùng với dữ liệu thời tiết.
Hình ảnh ô nhiễm cao chắc chắn là nhanh hơn và mờ hơn so với hình ảnh bình thường, nhưng mắt người thực sự không thể biết mức độ ô nhiễm chính xác từ những chi tiết đó. Nhưng thuật toán có thể chọn ra những khác biệt này ở cả các tính năng cấp thấp và cấp cao – các cạnh bị mờ và hình dạng bị che khuất nhiều hơn – và chính xác biến chúng thành ước tính chất lượng không khí.
Mạng lưới thần kinh tích chập không cho chúng ta dự đoán tốt như chúng ta muốn chỉ với những hình ảnh,” ông Trịnh nói thêm. “Nhưng khi bạn đặt những kết quả đó vào một khu rừng ngẫu nhiên với dữ liệu thời tiết, kết quả sẽ tốt như mọi thứ khác hiện có, nếu không muốn nói là tốt hơn.”
Trong nghiên cứu, các nhà nghiên cứu đã sử dụng 10,400 hình ảnh để huấn luyện mô hình của họ để dự đoán mức PM2.5 cục bộ không sử dụng gì ngoài hình ảnh vệ tinh và điều kiện thời tiết. Họ đã thử nghiệm mô hình kết quả của họ trên 2.622 hình ảnh khác để xem nó có thể dự đoán PM2.5 tốt đến mức nào.
Họ cho thấy trung bình mô hình của họ chính xác trong phạm vi 24% mức PM2.5 thực tế được đo tại các trạm tham chiếu, ở mức cao nhất của phổ cho các loại mô hình này, đồng thời có độ phân giải không gian cao hơn nhiều. Trong khi hầu hết các thực hành tiêu chuẩn hiện tại có thể dự đoán các mức xuống tới 1 triệu mét vuông, phương pháp mới này chính xác đến 40.000 – tương đương với kích thước của tám sân bóng đá được đặt cạnh nhau.
Với mức độ cụ thể và chính xác đó, Bergin tin rằng phương pháp của họ sẽ mở ra một loạt các ứng dụng mới cho các mô hình như vậy.
Nhóm nghiên cứu nghĩ rằng đây là một sự đổi mới lớn trong việc thu hồi vệ tinh về chất lượng không khí và sẽ là xương sống của rất nhiều nghiên cứu sắp tới. Họ đã bắt đầu nhận được các câu hỏi về việc sử dụng nó để xem mức độ PM2.5 sẽ thay đổi như thế nào khi thế giới bắt đầu hồi phục từ sự lây lan của COVID-19.
Nguồn truyện:
Tài liệu được cung cấp bởi Đại học Duke . Bản gốc được viết bởi Ken Kingery. Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :