• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> La nature
    Des étudiants de Stanford déploient un apprentissage automatique pour faciliter la surveillance de l'environnement

    Légende :Les images satellite des sorties de rivières vers l'océan Atlantique à la suite de l'ouragan Florence montrent une eau décolorée par les débris et les polluants. Crédit :NASA

    Alors que l'ouragan Florence traversait la Caroline du Nord, il a déclenché ce qu'on pourrait appeler poliment une tempête d'excréments. D'énormes bassins de fumier de ferme porcine ont entraîné un ragoût de bactéries dangereuses et de métaux lourds dans les cours d'eau avoisinants.

    Une surveillance plus efficace aurait pu empêcher certains des pires effets, mais même dans le meilleur des cas, les régulateurs étatiques et fédéraux de l'environnement sont surexploités et sous-financés. L'aide est à portée de main, cependant, selon les chercheurs de Stanford, sous la forme d'apprentissage automatique, c'est-à-dire d'entraîner les ordinateurs à détecter automatiquement des modèles dans les données.

    Leur étude, Publié dans Durabilité de la nature , constate que les techniques d'apprentissage automatique pourraient détecter deux à sept fois plus d'infractions que les approches actuelles, et suggère des applications de grande envergure pour les investissements publics.

    "Surtout à une époque de baisse des budgets, il est essentiel d'identifier des moyens rentables de protéger la santé publique et l'environnement, " a déclaré Elinor Benami, co-auteur de l'étude, un étudiant diplômé du programme interdisciplinaire Emmett sur l'environnement et les ressources (E-IPER) à la Stanford's School of Earth, Sciences de l'énergie et de l'environnement.

    Optimiser les ressources

    Tout comme l'IRS ne peut pas auditer chaque contribuable, la plupart des agences gouvernementales doivent constamment prendre des décisions sur la façon d'allouer les ressources. Les méthodes d'apprentissage automatique peuvent aider à optimiser ce processus en prédisant où les fonds peuvent rapporter le plus d'avantages. Les chercheurs se sont concentrés sur la Clean Water Act, en vertu de laquelle l'Agence de protection de l'environnement des États-Unis et les gouvernements des États sont chargés de réglementer plus de 300, 000 établissements mais sont en mesure d'inspecter moins de 10 % de ceux-ci au cours d'une année donnée.

    En utilisant les données des inspections passées, les chercheurs ont déployé une série de modèles pour prédire la probabilité d'échec d'une inspection, en fonction des caractéristiques de l'installation, comme l'emplacement, l'industrie et l'historique des inspections. Puis, ils ont couru leurs modèles sur toutes les installations, y compris ceux qui n'avaient pas encore été inspectés.

    Cette technique a généré un score de risque pour chaque installation, indiquant la probabilité qu'il échoue à une inspection. Le groupe a ensuite créé quatre scénarios d'inspection reflétant différentes contraintes institutionnelles - des budgets d'inspection et des fréquences d'inspection variables, par exemple, et utilisé le score pour hiérarchiser les inspections et prédire les violations.

    Dans le scénario avec le moins de contraintes - peu probable dans le monde réel - les chercheurs ont prédit un rattrapage jusqu'à sept fois le nombre de violations par rapport au statu quo. Lorsqu'ils représentaient plus de contraintes, le nombre de violations détectées était encore le double du statu quo.

    Limites des algorithmes

    Malgré son potentiel, l'apprentissage automatique a des défauts contre lesquels se prémunir, avertissent les chercheurs. "Les algorithmes sont imparfaits, ils peuvent parfois perpétuer les préjugés et ils peuvent être joués, " a déclaré l'auteur principal de l'étude Miyuki Hino, également étudiant diplômé en E-IPER.

    Par exemple, agents, ces propriétaires de fermes porcines, peuvent manipuler leurs données déclarées pour influencer la probabilité de recevoir des prestations ou d'éviter des pénalités. D'autres peuvent modifier leur comportement – ​​normes assouplies lorsque le risque d'être pris est faible – s'ils connaissent leur probabilité d'être sélectionnés par l'algorithme. Institutionnel, les contraintes politiques et financières pourraient limiter la capacité de l'apprentissage automatique à améliorer les pratiques existantes. L'approche pourrait potentiellement exacerber les problèmes de justice environnementale si elle éloigne systématiquement la surveillance des installations situées dans les zones à faible revenu ou minoritaires. Aussi, l'approche d'apprentissage automatique ne tient pas compte des changements potentiels au fil du temps, comme dans les priorités des politiques publiques et les technologies de contrôle de la pollution.

    Les chercheurs proposent des remèdes à certains de ces défis. Sélection aléatoire de certaines installations, quels que soient leurs scores de risque, et occasionnellement, le recyclage du modèle pour refléter les facteurs de risque à jour pourrait aider à garder les établissements à faible risque sur leurs gardes quant à la conformité. Les préoccupations en matière de justice environnementale pourraient être intégrées aux pratiques de ciblage des inspections. L'examen de la valeur et des compromis de l'utilisation des données autodéclarées pourrait aider à gérer les préoccupations concernant le comportement stratégique et la manipulation par les installations.

    Les chercheurs suggèrent que les travaux futurs pourraient examiner les complexités supplémentaires de l'intégration d'une approche d'apprentissage automatique dans les efforts d'application plus larges de l'EPA, telles que l'incorporation de priorités spécifiques en matière d'application ou l'identification d'éléments techniques, limitations des ressources financières et humaines. En outre, ces méthodes pourraient être appliquées dans d'autres contextes aux États-Unis et au-delà, où les régulateurs cherchent à utiliser efficacement des ressources limitées.

    "Ce modèle est un point de départ qui pourrait être complété avec plus de détails sur les coûts et les avantages des différentes inspections, les violations et les réponses d'application, ", a déclaré Nina Brooks, co-auteur et étudiante diplômée de l'E-IPER.


    © Science https://fr.scienceaq.com