Explorando redes neurais convolucionais e vídeo espacial para mapeamento em campo em assentamentos informais

FUNDAMENTAÇÃO: O ônus da saúde em assentamentos informais do mundo em desenvolvimento frequentemente coincide com a falta de dados espaciais que poderiam ser usados para guiar estratégias de intervenção. O vídeo espacial (SV) tem se mostrado uma ferramenta útil para coletar dados ambientais e sociais em escala granular, embora o esforço necessário para transformar esses quadros de vídeo codificados espacialmente em mapas limite a sustentabilidade e escalabilidade. Neste artigo, exploramos o uso de redes neurais convolucionais (CNN) para resolver esse problema, identificando automaticamente riscos ambientais relacionados a doenças em uma série de SV coletados no Haiti. Nosso objetivo é determinar o potencial do aprendizado de máquina no mapeamento de riscos à saúde para esses ambientes, avaliando os desafios enfrentados na adequação do treinamento dos modelos de classificação exigidos. RESULTADOS: Mostramos que o SV pode ser uma fonte adequada para identificar e extrair automaticamente características de risco à saúde usando aprendizado de máquina. Enquanto objetos bem definidos como drenos, baldes, pneus e animais podem ser classificados de forma eficiente, massas mais amorfas como lixo ou água parada são difíceis de classificar. Nossos resultados mostram ainda que variações no número de quadros de imagem selecionados, na resolução da imagem e combinações destes podem ser usadas para melhorar o desempenho geral do modelo. CONCLUSÃO: O aprendizado de máquina, em combinação com vídeo espacial, pode ser utilizado para identificar automaticamente riscos ambientais associados a problemas de saúde comuns em assentamentos informais, embora haja variações no tipo de dado necessário para o treinamento com base na localização. O sucesso com base no tipo de risco identificado também tende a variar geograficamente. No entanto, estamos confiantes em identificar uma série de melhores práticas para coleta de dados, treinamento de modelos e desempenho nesses ambientes. Também discutimos o próximo passo de testar essas descobertas em outros ambientes e como adicionar os dados geográficos coletados simultaneamente poderia ser usado para criar uma ferramenta automática de mapeamento de riscos à saúde.