Nel prossimo futuro smetteremo di respirare lo Smog | L’innovazione tecnologica salva città

Una nuova IA è in grado di combattere l’inquinamento atmosferico e salvare la salute dei cittadini delle grandi metropoli

L’inquinamento atmosferico delle nostre città è sempre più grave. Addirittura moltissime metropoli italiane sono spesso costrette a limitare la circolazione dei veicoli per evitare il superamento delle soglie di inquinamento dell’aria.

Con i mezzi pubblici che non sempre funzionano alla perfezione, auto elettriche ancora accessibili, per il prezzo, solo a pochi, l’unico modo per tutelare la salute dei cittadini è utilizzare controlli sempre più serrati e precisi.

Per fortuna, le nuove tecnologie possono fornire un enorme aiuto anche in questo.

Una IA contro lo smog

Utilizzando l’intelligenza artificiale, gli ingegneri della Cornell University, di New York, hanno semplificato e rafforzato i modelli che calcolano con precisione il particolato fine (PM2,5) – la fuliggine, la polvere e i gas di scarico emessi da camion e automobili che finiscono nei polmoni umani – contenuto nell’inquinamento atmosferico urbano.

Ora gli urbanisti e i funzionari governativi che si occupano di salute possono ottenere una contabilità più precisa sul benessere degli abitanti delle città e sull’aria che respirano, grazie a una nuova ricerca pubblicata il 20 dicembre 2022 sulla rivista Transportation Research Part D.

“Le infrastrutture determinano il nostro ambiente di vita e la nostra esposizione”, ha dichiarato l’autore senior Oliver Gao, Howard Simpson Professor of Civil and Environmental Engineering presso il College of Engineering. “L’impatto dell’inquinamento atmosferico dovuto ai trasporti – emesso dai gas di scarico delle auto e dei camion che percorrono le nostre strade – è molto complicato. Le nostre infrastrutture, i trasporti e le politiche energetiche avranno un impatto sull’inquinamento atmosferico e quindi sulla salute pubblica”.

Oliver Gao, professore di ingegneria civile e ambientale presso il College of Engineering.
I metodi precedenti per misurare l’inquinamento atmosferico erano macchinosi e si basavano su una quantità straordinaria di dati. “I vecchi modelli per calcolare il particolato erano complessi e dispendiosi dal punto di vista computazionale e meccanico”, ha dichiarato Gao, borsista presso il Cornell Atkinson Center for Sustainability. “Ma se si sviluppa un modello di dati facilmente accessibile, con l’aiuto dell’intelligenza artificiale che riempie alcuni spazi vuoti, si può avere un modello accurato su scala locale”.

L’autore principale Salil Desai ’20, M.Eng. ’21 e il visiting scientist Mohammad Tayarani, insieme a Gao, hanno pubblicato “Developing Machine Learning Models for Hyperlocal Traffic Related Particulate Matter Concentration Mapping” (Sviluppo di modelli di apprendimento automatico per la mappatura della concentrazione di particolato legata al traffico iperlocale), per offrire un metodo più snello e meno impegnativo dal punto di vista dei dati per creare modelli accurati.

Un problema per ogni paese

L’inquinamento atmosferico è una delle principali cause di morte prematura nel mondo. A livello globale, più di 4,2 milioni di decessi annuali – sotto forma di malattie cardiovascolari, cardiopatie ischemiche, ictus e cancro ai polmoni – sono stati attribuiti all’inquinamento atmosferico nel 2015, secondo uno studio di Lancet citato nella ricerca della Cornell.

In questo lavoro, il gruppo ha sviluppato quattro modelli di apprendimento automatico per le concentrazioni di particolato legate al traffico nei dati raccolti nei cinque distretti di New York, che hanno una popolazione combinata di 8,2 milioni di persone e un chilometraggio giornaliero di 55 milioni di chilometri.

Le equazioni utilizzano pochi input come i dati sul traffico, la topologia e la meteorologia in un algoritmo di intelligenza artificiale per apprendere simulazioni per un’ampia gamma di scenari di concentrazione di inquinamento atmosferico legati al traffico.

Il modello più performante è stato il Convolutional Long Short-term Memory, o ConvLSTM, che ha addestrato l’algoritmo a prevedere molte osservazioni spazialmente correlate.

“Il nostro approccio guidato dai dati, basato principalmente sui dati delle emissioni dei veicoli, richiede un numero notevolmente inferiore di fasi di modellazione”, ha dichiarato Desai. Invece di concentrarsi su luoghi stazionari, il metodo fornisce una stima ad alta risoluzione della superficie inquinata delle strade cittadine. Una risoluzione più elevata può aiutare gli studi sui trasporti e l’epidemiologia a valutare gli impatti sulla salute, sulla giustizia ambientale e sulla qualità dell’aria.

I finanziamenti per questa ricerca provengono dal Programma dei Centri universitari di trasporto del Dipartimento dei trasporti degli Stati Uniti e da Cornell Atkinson.