机器学习，以帮助环境监测, 由斯坦福大学的学生展开
囊中羞涩的环境监管有一个强大的和廉价的新武器. 机器学习的方法可以增加一倍以上检测违规数量, 根据斯坦福的研究.
由于飓风佛罗伦萨通过北卡罗莱纳州地的方式, 它释放了可能礼貌地被称为粪便风暴. 大规模的养猪场粪便池洗危险的细菌和重金属的炖到附近的水道.
在飓风佛罗伦萨展示水的河之后流出到大西洋的卫星图像变色的碎片和污染物. (图片来源: NASA)
更有效的监督可能阻止一些最恶劣的影响, 但即使在最好的时代, 州和联邦环境监管的过度扩张，资金不足. 帮助就在眼前, 然而, 在机器学习的形式 - 培训电脑自动检测数据中的模式 - 根据斯坦福大学的研究人员.
其 研究, 出版于 自然可持续发展, 发现机器学习技术能赶上二至七倍之多的违法行为作为当前的方法, 并提出了公共投资深远的应用.
“尤其是在预算减少的时代, 确定具有成本效益的方式，以保护公众健康和环境是关键,”研究的合着者埃莉诺Benami说, 研究生在埃米特跨学科计划对环境与资源 (E-IPER) 在地球的斯坦福大学的学校, 能源 & 环境科学.
优化资源
正如IRS无法审核每一个纳税人, 大多数政府机构必须不断做出如何分配资源的决定. 机器学习方法可以帮助预测优化这一进程的资金哪里能得到最大的好处. 研究人员专注于清洁水法案, 在其下中美. 环保局和州政府负责监管超过 300,000 设施也很能检查小于 10 那些在某一年的百分比.
北卡罗来纳州养猪场的废弃物泻湖 (图片来源: 史蒂夫 / Flickr的)
使用从过去的检查数据, 研究人员展开了一系列的模型来预测失败检查的可能性, 基于设施的特点, 如位置, 工业和检查历史. 然后, 他们跑他们的模型上的所有设施, 包括那些还没有被检查.
这种技术产生的风险评分对每座设施, 表明它是如何可能失败检查. 小组随后创建了四个检查场景反射不同体制的限制 - 改变检查预算和检查的频率, - 然后，用分数优先检查和预测违规.
根据与约束最少的方案 - 不可能在现实世界 - 的研究人员预测追赶七次相比现状违规数量. 当他们占据了更多的限制, 发现违规的人数仍然增加一倍现状.
算法的限制
尽管它的潜力, 机器学习有缺陷防范, 研究人员警告. “算法是不完美, 他们有时可以延续偏见，他们可以耍花招,说：”研究的主要作者野美雪, 一个研究生在E-IPER.
例如, 代理, 这样的生猪养殖场业主, 可以操纵自己报告的数据来影响收受利益或避免惩罚的可能性. 其他人可能改变他们的行为 - 放宽标准时被抓的风险低 - 如果他们知道他们的算法被选择的可能性. 制度, 政治和财政紧缩可能会限制机器学习的是改进现有做法的能力. 这种方法有可能加剧了环境司法问题，如果系统从位于低收入或少数民族地区设施指导监督远. 也, 机器学习方法没有考虑随着时间的潜在变化, 如在公共政策的优先事项和污染控制技术.
研究人员建议的补救措施，其中的一些挑战. 随机选择一些设施, 不管他们的风险评分, 偶尔重新训练模型，以反映了最新的风险因素可能有助于保持低风险设施对他们的遵约脚趾. 环境司法问题可以内置到检查目标的做法. 检查使用自报数据可以帮助管理有关设施的战略行为和操纵关注的价值和取舍.
研究人员认为，今后的工作中可以考察更多的机器学习方法融入EPA的更广泛的执法工作的复杂性, 如结合具体的执法重点或识别技术, 财务和人力资源的限制. 此外, 这些方法可以在其他环境中的中美应用. 超越地方监管机构正在寻求有效地利用有限的资源.
“这种模式是可以用的成本和不同的检查的好处更详细地增强起点, 违规和执法响应,”合着者和同胞E-IPER研究生尼娜·布鲁克斯说.
由Rob乔丹.
资源:
发表评论
你必须 登录 要么 寄存器 添加新评论 .