Usando inteligencia artificial, los ingenieros de la Universidad de Cornell han simplificado y reforzado los modelos que calculan con precisión las partículas finas (PM2.5), el hollín, el polvo y los gases de escape emitidos por camiones y automóviles que llegan a los pulmones humanos, contenidos en la contaminación del aire urbano.
Ahora, los planificadores urbanos y los funcionarios gubernamentales de salud pueden obtener una contabilidad más precisa sobre el bienestar de los habitantes urbanos y el aire que respiran, a partir de una nueva investigación publicada en diciembre de 2022 en la revista Investigación de Transporte Parte D.
«La infraestructura determina nuestro entorno de vida, nuestra exposición», dijo el autor principal Oliver Gao, profesor Howard Simpson de Ingeniería Civil y Ambiental en la Facultad de Ingeniería de la Universidad de Cornell. «El impacto de la contaminación del aire debido al transporte, emitido como escape de los automóviles y camiones que circulan por nuestras calles, es muy complicado. Nuestras políticas de infraestructura, transporte y energía tendrán un impacto en la contaminación del aire y, por lo tanto, en la salud pública».
Los métodos anteriores para medir la contaminación del aire eran engorrosos y dependían de cantidades extraordinarias de puntos de datos. «Los modelos más antiguos para calcular el material particulado consumían computacional y mecánicamente y eran complejos», dijo Gao, miembro de la facultad del Centro Cornell Atkinson para la Sostenibilidad. «Pero si desarrolla un modelo de datos de fácil acceso, con la ayuda de la inteligencia artificial llenando algunos de los espacios en blanco, puede tener un modelo preciso a escala local».
El autor principal, Salil Desai, y el científico visitante Mohammad Tayarani, junto con Gao, publicaron «Desarrollo de modelos de aprendizaje automático para el mapeo de concentración de materia particulada relacionada con el tráfico hiperlocal», para ofrecer un método más ágil y menos intensivo en datos para hacer modelos precisos.
La contaminación del aire ambiental es una de las principales causas de muerte prematura en todo el mundo. A nivel mundial, más de 4,2 millones de muertes anuales, en forma de enfermedad cardiovascular, cardiopatía isquémica, accidente cerebrovascular y cáncer de pulmón, se atribuyeron a la contaminación del aire en 2015, según un estudio de Lancet citado en la investigación de Cornell.
En este trabajo, el grupo desarrolló cuatro modelos de aprendizaje automático para concentraciones de material particulado relacionado con el tráfico en datos recopilados en los cinco distritos de la ciudad de Nueva York, que tienen una población combinada de 8,2 millones de personas y un recorrido diario de 55 millones de millas por vehículo.
Las ecuaciones utilizan pocas entradas, como datos de tráfico, topología y meteorología en un algoritmo de IA para aprender simulaciones para una amplia gama de escenarios de concentración de contaminación del aire relacionados con el tráfico.
Su modelo de mejor desempeño fue la Memoria Convolucional a Largo Corto Plazo, o ConvLSTM, que entrenó al algoritmo para predecir muchas observaciones correlacionadas espacialmente.
«Nuestro enfoque basado en datos, principalmente basado en datos de emisiones de vehículos, requiere muchos menos pasos de modelado», dijo Desai. En lugar de centrarse en ubicaciones estacionarias, el método proporciona una estimación de alta resolución de la superficie contaminada de las calles de la ciudad. Una resolución más alta puede ayudar a los estudios de transporte y epidemiología a evaluar los impactos en la salud, la justicia ambiental y la calidad del aire.
El financiamiento para esta investigación provino del Programa de Centros de Transporte Universitario del Departamento de Transporte de EE. UU. y de Cornell Atkinson.
