.
Os americanos no nordeste prestaram mais atenção aos alertas de qualidade do ar neste verão, quando a fumaça de incêndios florestais engrossou os céus com uma névoa tingida de laranja. A fumaça e outras fontes de poluição do ar contêm partículas minúsculas, chamadas de material particulado fino (PM 2.5). Menor que a largura de um fio de cabelo humano, o PM 2,5 apresenta riscos à saúde quando inalado, especialmente para pessoas com problemas cardíacos e pulmonares pré-existentes. Para avaliar a exposição ao PM 2.5 e ajudar as autoridades de saúde pública a desenvolver estratégias, uma equipe de pesquisa liderada pela Penn State projetou modelos aprimorados usando inteligência artificial e dados de mobilidade.
“Nossa pesquisa mostra que a incorporação de inteligência artificial e dados de mobilidade em modelos de qualidade do ar pode melhorar os modelos e ajudar os tomadores de decisão e autoridades de saúde pública a priorizar áreas que precisam de monitoramento extra ou alertas de segurança devido à qualidade do ar insalubre ou uma combinação de qualidade do ar insalubre e alta tráfego de pedestres”, disse Manzhu Yu, professor assistente de geografia na Penn State e primeiro autor do estudo.
Relatado na revista Frontiers in Environmental Science, os pesquisadores examinaram medições de PM 2,5 em oito grandes áreas metropolitanas nos Estados Unidos continentais. Os dados de qualidade do ar vieram de estações de monitoramento da Agência de Proteção Ambiental (EPA) e sensores de baixo custo geralmente adquiridos e distribuídos por organizações comunitárias locais. Eles usaram os dados para encontrar médias horárias de PM 2,5 em cada região.
Os cientistas inserem os dados da qualidade do ar em um modelo de regressão do uso da terra. O modelo usa fatores geográficos locais como níveis de aerossol medidos por satélite, também chamados de profundidade óptica de aerossol; distância até a estrada ou córrego mais próximo; elevação; vegetação; e condições meteorológicas, como umidade e velocidade do vento, para examinar como os fatores afetam a qualidade do ar. Os modelos anteriores adotaram uma abordagem linear para avaliar a poluição do ar, o que significa que atribuíram uma importância fixa a cada fator geográfico e seu impacto na qualidade do ar, explicou Yu. Certos fatores, como vegetação e condições meteorológicas, no entanto, não podem ser representados dessa maneira porque mudam de hora em hora ou sazonalmente e podem ter interações complexas com outros fatores que afetam a qualidade do ar.
Yu e seus colegas adotaram uma abordagem não linear para explicar melhor essas mudanças ou fatores complexos, incorporando aprendizado de máquina automatizado – um tipo de inteligência artificial que executa automaticamente tarefas demoradas, como preparação de dados, seleção de parâmetros e seleção e implantação de modelos – – no modelo de regressão do uso da terra. A abordagem de aprendizado de máquina automatizado usou um método de conjunto, que permite que a máquina execute e combine vários modelos para identificar o modelo de melhor desempenho para cada região. Os pesquisadores também examinaram dados anônimos de mobilidade de telefones celulares para identificar áreas com qualidade do ar insalubre e alto número de visitantes.
Os pesquisadores descobriram que seu método automatizado de aprendizado de máquina com dados integrados de sensores de baixo custo e estações de monitoramento da EPA melhorou a precisão dos modelos de exposição à poluição do ar em uma média de 17,5%, oferecendo maior variação espacial do que usar monitores regulatórios sozinhos. Yu creditou a precisão aprimorada à capacidade do método de explicar melhor as variáveis dinâmicas da profundidade óptica do aerossol e os fatores meteorológicos, que consistentemente provaram ser os mais importantes em todas as regiões de estudo. O componente de dados de mobilidade permitiu que a equipe mapeasse possíveis pontos de acesso em regiões e horários durante o dia e o ano em que um grande número de pessoas pode estar exposto a altos níveis de PM 2,5 nessas áreas.
“Muitas áreas podem ter níveis consistentemente altos de poluição do ar, como aquelas perto de fábricas e grandes centros de transporte, mas isso não é informação suficiente para fazer uma lista prioritária de locais que precisam de monitoramento extra ou alertas de saúde”, disse ela. “Nossos mapas de exposição baseados em mobilidade mostram pontos críticos de autoridades de saúde pública e tomadores de decisão com níveis de qualidade do ar insalubres, além de alto tráfego de visitantes. Eles podem usar essas informações para enviar alertas para os telefones celulares das pessoas quando entram em uma área com níveis realmente altos de PM 2,5 para reduzir sua exposição à qualidade do ar insalubre.”
Colaboradores adicionais para a pesquisa foram Shiyan Zhang, candidato a doutorado em geografia, Penn State; Junjun Yin, professor assistente de pesquisa no Social Science Research Institute, Penn State; Jiheng Miao, que recentemente se formou como bacharel em geografia pela Penn State; Kai Zhang, Professor Associado de Inovação da Empire na Escola de Saúde Pública, Universidade Estadual de Nova York, Albany; e Matthew Varela, um estudante recém-formado da Penn State que recentemente se formou em meteorologia pela Universidade de Oklahoma e participou do estudo durante o programa de experiências de pesquisa de verão de 2022 da Penn State para graduandos em ciência do clima.
A Penn State, por meio do Miller Faculty Fellow Award do College of Earth and Mineral Sciences, apoiou esta pesquisa.
.
