Maschinelles Lernen Umweltüberwachung zu unterstützen, von Stanford Studenten im Einsatz
Knapp bei Kasse Umweltbehörden haben eine leistungsfähige und preiswerte neue Waffe. Methoden des maschinellen Lernens könnte mehr als das Doppelte der Anzahl der Verletzungen erkannt, nach Stanford-Forscher.
Als Boden Hurrikan Florenz seinen Weg durch North Carolina, es freigegeben, was höflich ein Exkrement Sturm nennen könnte. Massive hog Hofdünger Becken gewaschen, um einen Eintopf von gefährlichen Bakterien und Schwermetalle in der Nähe von Wasserstraßen.
Satellitenbilder von Flussmündungen in den Atlantischen Ozean im Gefolge des Hurrikans Florenz zeigen Wasser verfärbt durch Schmutz und Schadstoffe. (Bildquelle: NASA)
Effizientere Überwachung einige der schlimmsten Auswirkungen haben könnte verhindert, aber auch in den besten Zeiten, Landes- und Bundesumweltbehörden sind überfordert und unterfinanziert. Hilfe naht, jedoch, in Form von maschinellem Lernen - Computer Trainingsmuster in Daten automatisch erkennen - nach Stanford-Forscher.
Ihr Studie, veröffentlicht in Natur Nachhaltigkeit, stellt fest, dass Techniken des maschinellen Lernens zwei- bis siebenmal so viele Übertretungen wie aktuelle Ansätze fangen konnten, und schlägt vor, weitreichende Anwendungen für öffentliche Investitionen.
„Gerade in einer Zeit der Abnahme Budgets, kostengünstige Möglichkeiten zu identifizieren öffentliche Gesundheit zu schützen und die Umwelt ist entscheidend,“, Sagte Studie Mitverfasser Elinor Benami, ein Doktorand in dem Emmett Interdisziplinären Programm auf Umwelt und Ressourcen (E-IPER) in Stanford School of Earth, Energie & Umweltwissenschaften.
Optimierung der Ressourcen
So wie die IRS kann nicht jeden Steuerzahler prüfen, die meisten Regierungsbehörden müssen ständig Entscheidungen über die Allokation von Ressourcen. Methoden des maschinellen Lernens kann dazu beitragen, diesen Prozess zu optimieren, indem die Vorhersage, wo die Mittel den größten Nutzen liefern können. Die Forscher konzentrierten sich auf den Clean Water Act, unter denen die US-. Environmental Protection Agency und die Länder sind verantwortlich für mehr Regulierung als 300,000 aber die Einrichtungen sind in der Lage, weniger zu kontrollieren als 10 Prozent von denen in einem bestimmten Jahr.
Ein North Carolina Schweinefarm der Abfall Lagune (Bildquelle: Steve / Flickr)
Mit den Daten aus früheren Inspektionen, die Forscher im Einsatz eine Reihe von Modellen, die Wahrscheinlichkeit eines unterbliebenen Prüfung vorherzusagen, basierend auf Einrichtung Eigenschaften, wie Standort, Industrie und Prüfhistorie. Dann, sie liefen ihre Modelle auf allen Einrichtungen, darunter auch solche, die noch haben inspiziert.
Diese Technik erzeugte ein Risiko-Score für jede Anlage, die angibt, wie wahrscheinlich es war eine Inspektion zum Scheitern verurteilt. Die Gruppe erstellt dann vier Inspektionsszenarien unterschiedliche institutionelle Beschränkungen reflektierenden - Inspektions Budgets und Prüffrequenzen variierende, zum Beispiel - und verwendet, um den Score Inspektionen zu priorisieren und Verletzungen vorhersagen.
Unter dem Szenario mit den wenigstenen Einschränkungen - unwahrscheinlich, dass in der realen Welt - die Forscher vorausgesagten fangen bis zu sieben Mal die Zahl der Verstöße im Vergleich zum Status quo. Wenn sie für weitere Einschränkungen berücksichtigt, die Anzahl der Verletzungen festgestellt wurde doppelt noch den Status quo.
Grenzen der Algorithmen
Trotz seines Potenzials, maschinelles Lernen hat Mängel zum Schutz vor, die Forscher warnen. „Algorithmen sind unvollkommen, sie können Bias manchmal verewigen und sie können gamed werden,“, Sagte Studie führen Autor Miyuki Hino, auch ein Doktorand in E-IPER.
Beispielsweise, Agenten, solche Schweinefarmbesitzer, können ihre gemeldeten Daten manipulieren, um die Wahrscheinlichkeit zu beeinflussen, Vorteile zu erhalten oder Strafen zu vermeiden. Andere können ihr Verhalten ändern – Standards lockern, wenn das Risiko, erwischt zu werden, gering ist – wenn sie ihre Wahrscheinlichkeit kennen, vom Algorithmus ausgewählt zu werden. Institutionell, Politische und finanzielle Zwänge könnten die Fähigkeit des maschinellen Lernens einschränken, bestehende Praktiken zu verbessern. Der Ansatz könnte möglicherweise Bedenken hinsichtlich der Umweltgerechtigkeit verschärfen, wenn er die Aufsicht systematisch von Einrichtungen weglenkt, die sich in Gebieten mit niedrigem Einkommen oder Minderheiten befinden. Ebenfalls, Der maschinelle Lernansatz berücksichtigt keine potenziellen Änderungen im Laufe der Zeit, wie in den Prioritäten der öffentlichen Politik und Technologien zur Kontrolle der Umweltverschmutzung.
Die Forscher schlagen Abhilfemaßnahmen für einige dieser Herausforderungen vor. Auswahl einiger Einrichtungen nach dem Zufallsprinzip, unabhängig von ihrer Risikobewertung, und gelegentliches erneutes Trainieren des Modells, um aktuelle Risikofaktoren widerzuspiegeln, könnte dazu beitragen, Einrichtungen mit geringem Risiko in Bezug auf die Einhaltung von Vorschriften auf Trab zu halten. Bedenken hinsichtlich der Umweltgerechtigkeit könnten in die Praktiken der Inspektionszielsetzung eingebaut werden. Die Untersuchung des Werts und der Kompromisse bei der Verwendung von selbst gemeldeten Daten könnte dazu beitragen, Bedenken hinsichtlich des strategischen Verhaltens und der Manipulation durch Einrichtungen auszuräumen.
Die Forscher schlagen vor, dass zukünftige Arbeiten zusätzliche Komplexitäten der Integration eines maschinellen Lernansatzes in die umfassenderen Durchsetzungsbemühungen der EPA untersuchen könnten, wie das Einbeziehen spezifischer Durchsetzungsprioritäten oder das Identifizieren von technischen, finanzielle und personelle Einschränkungen. In Ergänzung, diese Methoden könnten in anderen Kontexten innerhalb der USA angewendet werden. und darüber hinaus, wo Regulierungsbehörden versuchen, begrenzte Ressourcen effizient zu nutzen.
„Dieses Modell ist ein Ausgangspunkt, der mit mehr Einzelheiten zu den Kosten und Nutzen der verschiedenen Kontrollen ergänzt werden könnte, Verletzungen und Durchsetzung Antworten,“, Sagte Co-Autor und Kollegen E-IPER Student Absolvent Nina Brooks.
Von Rob Jordan.
Quelle:
Hinterlasse eine Antwort
Sie müssen Anmeldung oder registrieren um einen neuen Kommentar hinzuzufügen .