Студенты Стэнфорда применяют машинное обучение для мониторинга окружающей среды

Исследователи из Стэнфордского университета установили, что применение методов машинного обучения для планирования проверок промышленных объектов может помочь выявлять в 2–7 раз больше нарушений природоохранного законодательства по сравнению с текущими подходами. Результаты исследования, опубликованные в журнале Nature Sustainability, демонстрируют потенциал этой технологии для оптимизации использования ограниченных ресурсов надзорных органов.

Работа была сосредоточена на соблюдении Закона о чистой воде в США, согласно которому Агентство по охране окружающей среды США (EPA) и власти штатов регулируют деятельность более 300 000 объектов, но ежегодно могут инспектировать менее 10% из них. Используя исторические данные о проверках, исследователи обучили модели прогнозировать вероятность нарушения на основе характеристик объекта (местоположение, отрасль, история проверок). Это позволило присвоить каждому объекту «рисковый балл» и приоритезировать плановые инспекции.

«Особенно в эпоху сокращения бюджетов критически важно находить экономически эффективные способы защиты общественного здоровья и окружающей среды», — отметила соавтор исследования Элинор Бенами. Учёные также предупреждают о потенциальных ограничениях алгоритмов, таких как возможность манипулирования данными со стороны предприятий или усиление проблем экологической справедливости, если проверки будут систематически смещаться от объектов в неблагополучных районах. В качестве решений предлагаются случайные выборки объектов для проверок и периодическое обновление моделей.