随着佛罗伦萨飓风袭击北卡罗来纳州，它释放了可能被称为粪便风暴的东西。大规模的猪场粪池将一些危险的细菌和重金属炖入附近的水道。

更有效的监督可能会阻止一些最坏的影响，但即使在最好的时候，州和联邦环境监管机构也会过度扩张和资金不足。然而，根据斯坦福大学的研究人员的说法，以机器学习的形式提供帮助 - 培训计算机以自动检测数据模式。

他们在Nature Sustainability上发表的研究发现，机器学习技术可以捕获的数量是当前方法的两到七倍，并且表明公共投资具有广泛的应用前景。

“特别是在预算不断减少的时代，确定具有成本效益的方法来保护公众健康和环境至关重要，”该研究的共同作者Elinor Benami说道，他是斯坦福大学艾美特环境与资源跨学科项目(E-IPER)的研究生。地球，能源与环境科学学院。

优化资源

正如美国国税局无法审核每个纳税人一样，大多数政府机构必须不断决定如何分配资源。机器学习方法可以通过预测资金可以产生最大收益的位置来帮助优化该过程。研究人员专注于“清洁水法案”，根据该法案，美国环境保护局和州政府负责管理超过30万个设施，但能够检查不到10%的特定年份。

根据过去检查的数据，研究人员根据设施特征，如地点，行业和检查历史，部署了一系列模型来预测检查失败的可能性。然后，他们在所有设施上运行他们的模型，包括尚未检查的设施。

该技术为每个设施产生了风险评分，表明检查失败的可能性。然后，该小组创建了四个检查方案，反映了不同的制度约束 - 例如不同的检查预算和检查频率 - 并使用该分数确定检查的优先次序并预测违规行为。

在受限制最少的情况下 - 在现实世界中不太可能 - 研究人员预测，与现状相比，违规次数会增加7倍。当他们考虑更多限制时，检测到的违规数量仍然是现状的两倍。

算法的限制

研究人员警告说，尽管它有潜力，机器学习仍有缺陷需要防范。研究的主要作者Miyuki Hino也是E-IPER的研究生，他表示：“算法不完善，有时会使偏见永久存在，并且可能会被游戏化。”

例如，代理商(例如生猪养殖场所有者)可以操纵他们报告的数据以影响获得福利或避免处罚的可能性。其他人可能会改变他们的行为 - 当被捕的风险很低时放松标准 - 如果他们知道被算法选中的可能性。制度，政治和财政方面的限制可能会限制机器学习改进现有做法的能力。如果系统地指导监督远离低收入或少数民族地区的设施，这种方法可能会加剧环境司法问题。此外，机器学习方法不考虑随时间的潜在变化，例如公共政策优先级和污染控制技术。