Regístrate ahora

Iniciar sesión

Contraseña perdida

Perdiste tu contraseña? Por favor, introduzca su dirección de correo electrónico. Recibirá un enlace y se creará una nueva contraseña por correo electrónico.

Añadir mensaje

Debe iniciar sesión para añadir notas .

Añadir pregunta

Debe iniciar sesión para hacer una pregunta.

Iniciar sesión

Regístrate ahora

Bienvenido a Scholarsark.com! Su registro le conceda el acceso a la utilización de más características de esta plataforma. Puede hacer preguntas, hacer contribuciones o proporcionar respuestas, ver los perfiles de otros usuarios y mucho más. Regístrate ahora!

Aprendizaje automático para ayudar al monitoreo ambiental, desplegado por los estudiantes de Stanford

Los reguladores ambientales con problemas de liquidez tienen una nueva arma poderosa y barata. Los métodos de aprendizaje automático podrían duplicar con creces el número de infracciones detectadas, según los investigadores de Stanford.

Mientras el huracán Florence se abría paso a través de Carolina del Norte, soltó lo que cortésmente podría llamarse una tormenta de excremento. Enormes piscinas de estiércol de granjas de cerdos lavaron un estofado de bacterias peligrosas y metales pesados ​​en las vías fluviales cercanas.

Las imágenes de satélite de las salidas de los ríos al Océano Atlántico tras el paso del huracán Florence muestran el agua descolorida por los escombros, incluidos los contaminantes derramados por las granjas porcinas..

Las imágenes de satélite de los desagües de los ríos hacia el Océano Atlántico tras el paso del huracán Florence muestran el agua descolorida por los escombros y los contaminantes.. (Credito de imagen: NASA)

Una supervisión más eficiente podría haber evitado algunos de los peores efectos, pero incluso en el mejor de los casos, los reguladores ambientales estatales y federales están sobrecargados y sin fondos suficientes. La ayuda esta ala mano, sin embargo, en forma de aprendizaje automático: entrenar computadoras para detectar automáticamente patrones en los datos, según investigadores de Stanford.

Sus estudiar, publicado en Naturaleza Sostenibilidad, descubre que las técnicas de aprendizaje automático podrían detectar de dos a siete veces más infracciones que los enfoques actuales, y sugiere aplicaciones de largo alcance para inversiones públicas.

“Especialmente en una era de presupuestos decrecientes, es fundamental identificar formas rentables de proteger la salud pública y el medio ambiente,”, dijo la coautora del estudio, Elinor Benami., estudiante de posgrado en el Programa Interdisciplinario Emmett sobre Medio Ambiente y Recursos (E-IPER) en la Escuela de la Tierra de Stanford, Energía & Ciencias Ambientales.

Optimización de recursos

Así como el IRS no puede auditar a todos los contribuyentes, la mayoría de las agencias gubernamentales deben tomar decisiones constantemente sobre cómo asignar recursos. Los métodos de aprendizaje automático pueden ayudar a optimizar ese proceso al predecir dónde los fondos pueden generar el mayor beneficio. Los investigadores se centraron en la Ley de Agua Limpia, bajo el cual los EE.UU.. La Agencia de Protección Ambiental y los gobiernos estatales son responsables de regular más de 300,000 instalaciones pero son capaces de inspeccionar menos de 10 por ciento de aquellos en un año dado.

La laguna de desechos de una granja de cerdos de Carolina del Norte

La laguna de desechos de una granja de cerdos de Carolina del Norte (Credito de imagen: Steve / Flickr)

Uso de datos de inspecciones anteriores, los investigadores implementaron una serie de modelos para predecir la probabilidad de fallar una inspección, en función de las características de las instalaciones, como la ubicación, historia de la industria y la inspección. Entonces, corrieron sus modelos en todas las instalaciones, incluidos los que aún no habían sido inspeccionados.

Esta técnica generó una puntuación de riesgo para cada instalación., indicando la probabilidad de fallar en una inspección. Luego, el grupo creó cuatro escenarios de inspección que reflejaban diferentes restricciones institucionales: presupuestos de inspección y frecuencias de inspección variables., por ejemplo, y utilizó la puntuación para priorizar las inspecciones y predecir las infracciones.

Bajo el escenario con la menor cantidad de restricciones, poco probable en el mundo real, los investigadores predijeron capturar hasta siete veces el número de violaciones en comparación con el statu quo.. Cuando dieron cuenta de más limitaciones, el número de infracciones detectadas seguía siendo el doble del statu quo.

Límites de los algoritmos

A pesar de su potencial, El aprendizaje automático tiene fallas para protegerse, los investigadores advierten. “Los algoritmos son imperfectos, pueden perpetuar el sesgo a veces y pueden ser manipulados,”, dijo el autor principal del estudio, Miyuki Hino., también estudiante de posgrado en E-IPER.

Por ejemplo, agentes, tales dueños de granjas de cerdos, pueden manipular sus datos informados para influir en la probabilidad de recibir beneficios o evitar sanciones. Otros pueden alterar su comportamiento, relajando los estándares cuando el riesgo de ser atrapados es bajo, si conocen la probabilidad de ser seleccionados por el algoritmo.. Institucional, las restricciones políticas y financieras podrían limitar la capacidad del aprendizaje automático para mejorar las prácticas existentes. El enfoque podría potencialmente exacerbar las preocupaciones de justicia ambiental si desvía sistemáticamente la supervisión de las instalaciones ubicadas en áreas de minorías o de bajos ingresos.. también, el enfoque de aprendizaje automático no tiene en cuenta los posibles cambios a lo largo del tiempo, como en las prioridades de las políticas públicas y las tecnologías de control de la contaminación.

Los investigadores sugieren remedios para algunos de estos desafíos.. Seleccionar algunas instalaciones al azar, independientemente de sus puntuaciones de riesgo, y ocasionalmente volver a entrenar el modelo para reflejar los factores de riesgo actualizados podría ayudar a mantener a las instalaciones de bajo riesgo alerta sobre el cumplimiento. Las preocupaciones de justicia ambiental podrían integrarse en las prácticas de focalización de la inspección. Examinar el valor y las compensaciones del uso de datos autoinformados podría ayudar a manejar las preocupaciones sobre el comportamiento estratégico y la manipulación por parte de las instalaciones..

Los investigadores sugieren que el trabajo futuro podría examinar las complejidades adicionales de integrar un enfoque de aprendizaje automático en los esfuerzos de cumplimiento más amplios de la EPA., tales como la incorporación de prioridades de aplicación específicas o la identificación de, limitaciones financieras y de recursos humanos. Adicionalmente, estos métodos podrían aplicarse en otros contextos dentro de los EE. UU.. y más allá donde los reguladores buscan hacer un uso eficiente de los recursos limitados.

“Este modelo es un punto de partida que podría ampliarse con mayor detalle sobre los costos y beneficios de las diferentes inspecciones, infracciones y respuestas de cumplimiento,”, dijo la coautora y estudiante de posgrado de E-IPER, Nina Brooks..

Por Rob Jordán.


Fuente:

ZZZ – NO EDITAR – Página de noticias

Acerca de Marie

Deja una respuesta