Duke Üniversitesi’nden araştırmacılar; uydu görüntülerinden ve hava koşullarından başka bir şey kullanmadan küçük bir arazi parçası üzerinde hava kalitesini tahmin etmek için bir yöntem tasarladılar. Bu tür bilgiler; araştırmacıların tehlikeli kirliliğin gizli noktalarını tespit etmelerine, kirlilik çalışmalarının insan sağlığı üzerindeki etkilerini büyük ölçüde iyileştirmesine veya öngörülemeyen olayların havadaki küresel bir salgının patlaması gibi hava kalitesi üzerindeki etkilerini ortadan kaldırmasına yardımcı olabilir.
Duke Üniversitesi İnşaat ve Çevre Mühendisliği Profesörü Mike Bergin: “Şimdiye kadarki en küçük mekansal ölçekte yer seviyesi hava kirliliğini tahmin etmek için yeni nesil bir mikro uydu görüntüleri kullandık. Bunu, yüzey görüntülerinden ve mevcut yer istasyonlarından gelen verileri yorumlamak için AI / makine öğrenimini kullanan tamamen yeni bir yaklaşım geliştirerek başardık.”
Bergin ve meslektaşlarının ilgilendiği özel hava kalitesi ölçümü, PM2.5 adı verilen küçük havadaki partikül miktarıdır. Bunlar, 2.5 mikrometreden daha küçük bir çapa sahip olan (bir insan saçının çapının yaklaşık yüzde üçü) ve akciğerlere derinlemesine seyahat etme yetenekleri nedeniyle insan sağlığı üzerinde dramatik bir etkiye sahip olduğu gösterilen parçacıklardır.
Örneğin, PM2.5, 2015 Küresel Hastalık Yükü araştırmasıyla, yaklaşık 4.2 milyon ölümden ve 103.1 milyon yıl sakatlıkla kaybedilen veya yaşamakta olan yaşamdan sorumlu beşinci ölüm riski faktörü olarak derecelendirildi. Ayrıca Harvard Üniversitesi T.H. Chan Halk Sağlığı Okulu’ndan araştırmacılar; PM2.5 seviyelerinin daha yüksek olduğu alanların COVID-19 nedeniyle daha yüksek ölüm oranları ile ilişkili olduğunu buldular.
Zemin seviyesindeki PM2.5 miktarını tahmin etmek için uzaktan algılamadaki mevcut en iyi uygulamalar; tüm atmosferik kolon üzerinde ortam parçacıkları tarafından ne kadar güneş ışığının uzaya geri dağıtıldığını ölçmek için uyduları kullanır. Bununla birlikte, bu yöntem; bulutlar ve parlak yüzeyler, atmosferik karıştırma ve PM parçacıklarının özellikleri gibi bölgesel belirsizliklerden muzdarip olabilir ve yaklaşık bir kilometrekareden daha küçük ölçeklerde doğru tahminler yapamaz. Yer kirliliği izleme istasyonları doğrudan ölçümler sunsa da; kendi dezavantajlarından muzdariptirler ve sadece seyrek olarak dünya çapında bulunmaktadırlar.
Araştırmacı Bergin: “Yer istasyonları inşa etmek ve bakımını yapmak pahalıdır, bu nedenle büyük şehirlerin bile bir avuç daha fazlasına sahip olması muhtemel değildir. Ayrıca neredeyse her zaman trafikten ve diğer büyük yerel kaynaklardan uzak bölgelere konurlar. Bu nedenle havadaki PM2.5 miktarı hakkında genel bir fikir verebilirken, gerçek bir dağıtım vermek için (o şehrin farklı bölgelerinde yaşayan insanlar) yakın bir yere gelmezler.
Daha iyi bir yöntem arayışında Bergin ve doktora öğrencisi Tongshu Zheng; piksel başına üç metre çözünürlükle her gün tüm Dünya yüzeyinin fotoğraflarını çekmek için mikro uydular kullanan Amerikalı bir şirket olan Planet’e döndüler. Ekip, son üç yılda Pekin’in günlük görüntüsünü alabildi.
Bu çalışmada kilit atılım; Duke’ta İnşaat ve Çevre Mühendisliği Yardımcı Profesörü ve Makine Öğrenimi Uzmanı David Carlson’un yardımıyla oldu.
Carlson’ın yardımıyla Bergin ve Zheng; Pekin Hava İstasyonu’ndan gelen meteorolojik verilerle birlikte, görüntü setine rasgele bir orman algoritması ile bir konvolüsyonel sinir ağı uyguladılar.
Rasgele bir orman, bir tahmin yapmak için birçok farklı karar ağacı kullanan standart bir makine öğrenme algoritmasıdır. Bu durum dışında, algoritma; rüzgar, bağıl nem, sıcaklık ve daha fazlası gibi metriklere dayanan karar ağaçlarına bakmakta ve sonuçta elde edilen cevapları PM2.5 konsantrasyonları için bir tahmine ulaşmak için kullanmaktadır.
Ancak, rasgele orman algoritmaları görüntülerle iyi ilgilenmez. Evrişimli sinir ağları devreye girer. Bu algoritmalar çizgiler ve çarpmalar gibi görüntülerde ortak özellikler arar ve bunları birlikte gruplandırmaya başlar. Algoritma “uzaklaştıkça”, temel şekilleri binalar ve otoyollar gibi ortak özelliklerle birleştirerek benzer grupları bir araya getirmeye devam eder. Sonunda algoritma; görüntünün en yaygın özelliklerinin bir listesi olarak bir özeti ile gelir ve bunlar hava durumu verileriyle birlikte rasgele ormana atılır.
Araştırmacı Carlson: “Yüksek kirlilikteki görüntüler kesinlikle normal görüntülerden daha sisli ve bulanıktır, ancak insan gözü bu ayrıntılardan kaynaklanan kirlilik seviyelerini tam olarak söyleyemez. Dahası algoritma; hem düşük hem de yüksek düzey özelliklerde bu farklılıkları seçebilir (kenarlar daha bulanıktır ve şekiller daha gizlidir) ve bunları tam olarak hava kalitesi tahminlerine dönüştürür.”
Araştırmacı Zheng: “Evrimsel sinir ağı bize sadece görüntülerle istediğimiz kadar iyi bir tahmin vermiyor. Ancak bu sonuçları hava durumu verileriyle rastgele bir ormana koyduğunuzda, sonuçlar daha iyi olmasa bile şu anda mevcut olan her şey kadar iyidir.”
Çalışmada, araştırmacılar, uydu görüntüleri ve hava koşullarından başka bir şey kullanmadan yerel PM2.5 seviyelerini tahmin etmek için modellerini eğitmek için 10.400 görüntü kullandılar. PM2.5’i ne kadar iyi tahmin edebileceğini görmek için sonuçta elde ettikleri modeli 2.622 görüntü üzerinde test ettiler.
Ortalama olarak, modellerinin; bu tür modeller için spektrumun en yüksek ucunda bulunan referans istasyonlarında ölçülen gerçek PM2.5 seviyelerinin yüzde 24’ü içinde doğru olduğunu ve aynı zamanda çok daha yüksek bir uzaysal çözünürlüğe sahip olduklarını göstermektedir. Mevcut standart uygulamaların çoğu 1 milyon metrekareye kadar seviyeleri tahmin edebilse de, yeni yöntem yan yana yerleştirilen sekiz futbol sahasının büyüklüğü olan 40.000’e kadar doğrudur.
Bu özgüllük ve doğruluk seviyesiyle Bergin, yöntemlerinin bu modeller için çok çeşitli yeni kullanımlar açacağına inanıyor.
Araştırmacı Bergin: “Bunun, hava kalitesinin uydu alımlarında büyük bir yenilik olduğunu ve çok fazla araştırmanın bel kemiği olacağını düşünüyoruz. Dünya COVID-19’un yayılmasından sonra toparlanmaya başladığında PM2.5 seviyelerinin nasıl değişeceğine bakmak için bunu kullanmaya başlıyoruz.”
