Aprendizado de máquina para auxiliar no monitoramento ambiental, implantado por alunos de Stanford
Reguladores ambientais sem dinheiro têm uma nova arma poderosa e barata. Métodos de aprendizado de máquina podem mais do que dobrar o número de violações detectadas, de acordo com pesquisadores de Stanford.
Enquanto o furacão Florence passa pela Carolina do Norte, ele liberou o que poderia ser educadamente chamado de tempestade de excrementos. Grandes piscinas de esterco de fazendas de porcos lavaram um ensopado de bactérias perigosas e metais pesados em cursos de água próximos.
Imagens de satélite de fluxos de rios para o Oceano Atlântico na sequência do furacão Florence mostram água descolorida por detritos e poluentes. (crédito: NASA)
Uma supervisão mais eficiente pode ter evitado alguns dos piores efeitos, mas mesmo nos melhores momentos, reguladores ambientais estaduais e federais estão sobrecarregados e subfinanciados. A ajuda está à mão, Contudo, na forma de aprendizado de máquina – treinando computadores para detectar automaticamente padrões em dados – de acordo com pesquisadores de Stanford.
Seus estude, publicado em natureza Sustentabilidade, descobre que as técnicas de aprendizado de máquina podem detectar duas a sete vezes mais infrações do que as abordagens atuais, e sugere aplicações de longo alcance para investimentos públicos.
“Especialmente em uma era de orçamentos decrescentes, identificar maneiras econômicas de proteger a saúde pública e o meio ambiente é fundamental,” disse a coautora do estudo Elinor Benami, um estudante de pós-graduação no Programa Interdisciplinar Emmett em Meio Ambiente e Recursos (E-IPER) na Escola da Terra de Stanford, Energia & Ciencias ambientais.
Otimizando recursos
Assim como o IRS não pode auditar todos os contribuintes, a maioria das agências governamentais deve tomar decisões constantemente sobre como alocar recursos. Os métodos de aprendizado de máquina podem ajudar a otimizar esse processo, prevendo onde os fundos podem gerar mais benefícios. Os pesquisadores se concentraram na Lei da Água Limpa, em que os E.U.A.. A Agência de Proteção Ambiental e os governos estaduais são responsáveis por regulamentar mais de 300,000 instalações, mas são capazes de inspecionar menos de 10 por cento daqueles em um determinado ano.
Lagoa de resíduos de uma fazenda de porcos da Carolina do Norte (crédito: Steve / Flickr)
Usando dados de inspeções anteriores, os pesquisadores implantaram uma série de modelos para prever a probabilidade de falha em uma inspeção, com base nas características da instalação, como localização, história da indústria e inspeção. Então, eles executaram seus modelos em todas as instalações, incluindo aqueles que ainda não foram inspecionados.
Esta técnica gerou uma pontuação de risco para cada instalação, indicando a probabilidade de falhar em uma inspeção. O grupo então criou quatro cenários de inspeção refletindo diferentes restrições institucionais – orçamentos de inspeção variados e frequências de inspeção, por exemplo – e usou a pontuação para priorizar inspeções e prever violações.
No cenário com o menor número de restrições – improvável no mundo real – os pesquisadores previram pegar até sete vezes o número de violações em comparação com o status quo. Quando eles contabilizaram mais restrições, o número de violações detectadas ainda era o dobro do status quo.
Limites de algoritmos
Apesar de seu potencial, aprendizado de máquina tem falhas para se proteger, os pesquisadores alertam. “Algoritmos são imperfeitos, eles podem perpetuar o preconceito às vezes e eles podem ser enganados,” disse o principal autor do estudo, Miyuki Hino, também estudante de pós-graduação em E-IPER.
Por exemplo, agentes, esses donos de fazenda de porcos, podem manipular seus dados relatados para influenciar a probabilidade de receber benefícios ou evitar penalidades. Outros podem alterar seu comportamento – padrões de relaxamento quando o risco de serem pegos é baixo – se souberem da probabilidade de serem selecionados pelo algoritmo. Institucional, restrições políticas e financeiras podem limitar a capacidade do aprendizado de máquina de melhorar as práticas existentes. A abordagem poderia exacerbar as preocupações com a justiça ambiental se sistematicamente direcionar a supervisão para longe de instalações localizadas em áreas de baixa renda ou minorias. Além disso, a abordagem de aprendizado de máquina não leva em conta possíveis mudanças ao longo do tempo, como em prioridades de políticas públicas e tecnologias de controle de poluição.
Os pesquisadores sugerem soluções para alguns desses desafios. Selecionando algumas instalações aleatoriamente, independentemente de suas pontuações de risco, e, ocasionalmente, retreinar o modelo para refletir os fatores de risco atualizados pode ajudar a manter as instalações de baixo risco em alerta sobre a conformidade. As preocupações com a justiça ambiental podem ser incorporadas às práticas de direcionamento da inspeção. Examinar o valor e as compensações do uso de dados autorrelatados pode ajudar a gerenciar as preocupações sobre o comportamento estratégico e a manipulação pelas instalações.
Os pesquisadores sugerem que trabalhos futuros podem examinar as complexidades adicionais da integração de uma abordagem de aprendizado de máquina nos esforços de fiscalização mais amplos da EPA, como a incorporação de prioridades de aplicação específicas ou a identificação de, limitações financeiras e de recursos humanos. além do que, além do mais, esses métodos podem ser aplicados em outros contextos nos EUA. e além, onde os reguladores estão procurando fazer uso eficiente de recursos limitados.
“Este modelo é um ponto de partida que pode ser ampliado com mais detalhes sobre os custos e benefícios de diferentes inspeções, violações e respostas de aplicação,” disse a coautora e colega de pós-graduação do E-IPER Nina Brooks.
Por Rob Jordan.
Fonte:
Deixe uma resposta
Você deve Conecte-se ou registro para adicionar um novo comentário .