Investigadores estadounidenses han desarrollado un método que utiliza el aprendizaje automático, las imágenes por satélite y los datos meteorológicos para identificar de forma autónoma focos de contaminación atmosférica, manzana por manzana.
Según sus desarrolladores, de la Universidad de Duke, la técnica podría ayudar a encontrar y mitigar las fuentes de aerosoles peligrosos, a estudiar los efectos de la contaminación atmosférica en la salud humana y a tomar decisiones políticas públicas mejor informadas y socialmente justas.
“Hasta ahora, los investigadores que trataban de medir la distribución de los contaminantes atmosféricos en una ciudad intentaban utilizar el limitado número de monitores existentes o desplazar los sensores por la ciudad en vehículos”, explica Mike Bergin, profesor de ingeniería civil y ambiental de Duke. “Sin embargo, la creación de redes de sensores lleva mucho tiempo y es muy costosa, y lo único que nos dice la conducción de un sensor es que las carreteras son grandes fuentes de contaminantes. Ser capaz de encontrar focos locales de contaminación atmosférica utilizando imágenes de satélite es enormemente útil”.
Bergin y sus colegas centraron su investigación en contaminantes atmosféricos concretos: unas diminutas partículas en suspensión llamadas PM2,5, de diámetro inferior a 2,5 micrómetros, aproximadamente el 3% del diámetro de un cabello humano. Se sabe que afectan a la salud humana debido a su capacidad de viajar hasta los pulmones.
Una investigación dirigida por el Instituto de Métrica y Evaluación de la Salud (IHME), denominada “Estudio de la Carga Global de la Enfermedad” (GBD), situó las PM2,5 en el quinto lugar de su lista de factores de riesgo de mortalidad en 2015. El estudio mostró que las PM2,5 fueron responsables en un año de unos 4,2 millones de muertes y 103,1 millones de años de vida perdidos o vividos con discapacidad.
Mientras tanto, un estudio reciente de la Universidad de Harvard encontró una relación entre las áreas con niveles más altos de PM2,5 y las tasas de mortalidad más altas debido a Covid-19. Sin embargo, los investigadores de Harvard subrayaron que sólo pudieron acceder a los datos de PM2,5 a nivel de condado dentro de los Estados Unidos. Si bien es un punto de partida valioso, las estadísticas de contaminación a nivel de condado no pueden desglosar un vecindario junto a una central eléctrica de carbón frente a uno junto a un parque que está a 30 millas del viento, dijeron los investigadores. Además, la mayoría de los países fuera del mundo occidental no disponen de ese nivel de control de la calidad del aire.
“Las estaciones terrestres son caras de construir y mantener, por lo que incluso las grandes ciudades no suelen tener más que un puñado de ellas”, explicó Bergin. “Así que, aunque en general pueden indicar la cantidad de PM2,5 en el aire, no se acercan a dar una distribución real para las personas que viven en diferentes zonas de esa ciudad”.
En un trabajo previo con el estudiante de doctorado Tongshu Zheng y su colega David Carlson, profesor asistente de ingeniería civil y ambiental en Duke, los investigadores demostraron que las imágenes de satélite, los datos meteorológicos y el aprendizaje automático podían proporcionar mediciones de PM2,5 a pequeña escala. Partiendo de ese trabajo y centrándose en Delhi, el equipo afirma que ahora ha mejorado sus métodos y ha enseñado al algoritmo a encontrar puntos calientes y fríos de contaminación atmosférica con una resolución de 300 m.
Para el estudio, los investigadores utilizaron una técnica llamada aprendizaje residual. En ella, el algoritmo estima primero los niveles de PM2,5 utilizando únicamente los datos meteorológicos. A continuación, mide la diferencia entre estas estimaciones y los niveles reales de PM2,5 y se enseña a sí mismo a utilizar imágenes de satélite para mejorar sus predicciones.
Los investigadores utilizaron un algoritmo diseñado inicialmente para ajustar la iluminación desigual de una imagen con el fin de encontrar zonas con niveles altos y bajos de contaminación atmosférica. La técnica, denominada normalización del contraste local, busca los píxeles del tamaño de una ciudad que tienen niveles de PM2,5 más altos o más bajos que otros en su proximidad.
“Estos puntos conflictivos son muy difíciles de encontrar en los mapas de niveles de PM porque algunos días el aire es terrible en toda la ciudad, y es realmente difícil saber si hay verdaderas diferencias entre ellos o si sólo hay un problema con el contraste de la imagen”, dijo Carlson. “Es una gran ventaja encontrar un barrio específico que se mantiene más alto o más bajo que en todos los demás, porque puede ayudarnos a responder a preguntas sobre las disparidades de salud y la equidad medioambiental”.
Aunque los métodos exactos que el algoritmo enseña por sí mismo no pueden transferirse de una ciudad a otra, los investigadores afirmaron que el algoritmo podría enseñarse a sí mismo fácilmente métodos alternativos en diferentes lugares. Los investigadores también afirmaron que el número de sensores de calidad del aire no hará más que aumentar en los próximos años y creen que su enfoque sólo mejorará con el tiempo.
“Creo que podremos encontrar en estas imágenes entornos construidos relacionados con los puntos calientes y fríos, que pueden tener un enorme componente de justicia ambiental”, dijo Bergin. “El siguiente paso es ver cómo se relacionan estos puntos calientes con el estatus socioeconómico y las tasas de ingreso hospitalario por exposiciones a largo plazo”, concluyó señalando el investigador.
