杜克大学的研究人员已经开发出一种方法，该方法使用机器学习，卫星图像和天气数据来自动查找一个城市一个城市又一个城市的重度空气污染的热点。

该技术可能是发现和减轻有害气溶胶来源，研究空气污染对人类健康的影响以及做出更明智的，对社会公正的公共政策决定的福音。

杜克大学土木与环境工程学教授迈克·贝尔金说：“在此之前，试图测量整个城市中空气污染物分布的研究人员要么试图使用数量有限的现有监测器，要么尝试在城市中驾驶传感器来驾驶车辆。” “但是建立传感器网络既耗时又昂贵，而且唯一能告诉您的是，道路是污染物的主要来源。能够使用卫星图像找到当地的空气污染热点非常有利。”

“能够找到一个比其他任何地方都更高或更低的特定社区是一个很大的优势，因为它可以帮助我们回答有关健康差异和环境公平性的问题。”

-戴维·卡尔森

贝尔金和他的同事感兴趣的特定的空气污染物是称为PM2.5的微小空气传播颗粒。这些粒子的直径小于2.5微米（约占人类头发直径的3％），并且由于其能够深入肺部而对人类健康产生了显着影响。

2015年，《全球疾病负担》研究将PM2.5列为死亡风险因素清单的第五位。该研究表明，PM2.5在一年内造成约420万人死亡和1.031亿年生命丧失或残障。哈佛大学陈陈公共卫生学院的最新研究还发现，PM2.5水平较高的地区与COVID-19导致的死亡率较高相关。

但是哈佛大学的研究人员只能访问美国境内每个县的PM2.5数据。虽然这是一个有价值的起点，但是县级污染统计数据无法深入到燃煤电厂旁边的社区，而不是下风向30英里公园旁边的社区。而且，西方世界以外的大多数国家/地区都没有达到这样的空气质量监控水平。

贝尔金说：“地面站的建造和维护成本很高，因此，即使是大城市，也很少有这样的站。” “因此，尽管他们可以大致了解空气中PM2.5的量，但它们并不能为居住在该城市不同地区的人们提供真正的分布。”

在与博士生郑同树和杜克大学土木与环境工程学助理教授戴维·卡尔森（David Carlson）的先前工作中，研究人员表明，卫星图像，天气数据和机器学习可以提供小规模的PM2.5测量。

基于这项工作，并专注于德里，该团队现在改进了他们的方法，并教导了该算法以自动查找分辨率为300米（大约相当于纽约市街区的长度）的空气污染的热点和凉点。

通过使用称为残差学习的技术取得了进步。该算法首先仅使用天气数据估算PM2.5的水平。然后，它测量这些估计值与PM2.5实际水平之间的差异，并自学使用卫星图像来使其预测更好。

“如果先根据天气做出预测，然后再添加卫星数据以对其进行微调，则可以使算法充分利用卫星图像中的信息，” Zheng说。

“下一步是看看这些热点与长期暴露引起的社会经济状况和住院率之间的关系。我认为这种方法可以带给我们真正的帮助，潜在的应用程序真是太棒了。”

-迈克·贝尔金

然后，研究人员使用了一种算法，该算法最初旨在调整图像中的不均匀照明，以查找空气污染程度高低的区域。这种称为局部对比度归一化的技术本质上是寻找具有比其周围其他像素更高或更低的PM2.5水平的城市街区大小的像素。

“众所周知，这些热点很难在PM水平地图上找到，因为有时候整个城市的空气真的很差，而且很难分辨它们之间是否存在真正的差异，或者图像是否存在问题对比一下。”卡尔森说。“能够找到一个比其他任何地方都更高或更低的特定社区是一个很大的优势，因为它可以帮助我们回答有关健康差异和环境公平性的问题。”

虽然该算法教给自己的确切方法无法在城市之间转移，但该算法可以轻松地教给自己在不同位置的新方法。尽管城市可能会随着时间的推移在天气和污染模式方面不断发展，但该算法在发展过程中应该不会遇到任何麻烦。此外，研究人员指出，空气质量传感器的数量在未来几年只会增加，因此他们相信随着时间的推移，这种方法只会变得更好。

贝尔金说：“我认为我们将能够在这些图像中找到与热点和热点相关的建筑环境，这些环境可能具有巨大的环境正义成分。” “下一步是看看这些热点与长期暴露引起的社会经济状况和住院率之间的关系。我认为这种方法可以带给我们真正的帮助，潜在的应用程序真是太棒了。”