Как машинное обучение может помочь регуляторам

Учёные из Стэнфорда продемонстрировали, как алгоритм для чтения карт может помочь экологическим регуляторам эффективнее, чем когда-либо, выявлять потенциально загрязняющие объекты животноводства. Профессор права Дэниел Хо и аспирантка Кассандра Хандан-Надер разработали метод использования машинного обучения для обнаружения промышленных животноводческих предприятий (CAFOs) и оценки их экологического риска. Результаты исследования будут опубликованы 8 апреля в Nature Sustainability.

По данным Агентства по охране окружающей среды США (EPA), сельское хозяйство является основным источником загрязнителей водоснабжения страны, причём значительная часть загрязнения, как полагают, исходит от CAFOs. Однако регуляторы не имеют систематизированных данных о местонахождении таких объектов, что затрудняет мониторинг и соблюдение экологического законодательства. Существующие ручные методы (например, анализ аэрофотоснимков) требуют огромных временных затрат.

Исследователи применили метод глубокого обучения, дообучив существующую модель распознавания изображений на основе общедоступных спутниковых снимков (NAIP). Модель научилась идентифицировать характерные признаки ферм, например, длинные прямоугольные птичники. В ходе тестирования в Северной Каролине алгоритм обнаружил на 15% больше птицеводческих ферм, чем было найдено вручную, показав точность 93% в их обнаружении и 97% — в определении новых объектов, построенных после открытия комбикормового завода.

«Наша работа показывает, как государственные органы могут использовать быстрый прогресс в компьютерном зрении для более эффективной защиты чистоты воды», — отметил Дэниел Хо. Учёные надеются, что такой подход, требующий менее 10% ресурсов ручного обследования, позволит регуляторам сосредоточиться на оценке реальных экологических рисков, а в перспективе — и на обнаружении сбросов загрязняющих веществ.