Ο συνδυασμός τεχνητής νοημοσύνης και παραδοσιακών μεθόδων μπορεί να μας βοηθήσει να προβλέψουμε την ποιότητα του αέρα

Αυτό το άρθρο αναδημοσιεύεται από

Η συζήτηση


.

Καπνός πυρκαγιάς από

Εποχή ακραίων πυρκαγιών στον Καναδά

έχει αφήσει πολλούς ανθρώπους να σκέφτονται την ποιότητα του αέρα και να αναρωτιούνται τι να περιμένουν τις επόμενες μέρες.

Όλος ο αέρας περιέχει αέριες ενώσεις και μικρά σωματίδια. Αλλά καθώς η ποιότητα του αέρα χειροτερεύει, αυτά τα αέρια και τα σωματίδια μπορούν

πυροδοτήσει άσθμα

και

επιδεινώνουν καρδιακά και αναπνευστικά προβλήματα

καθώς εισέρχονται στη μύτη, το λαιμό και τους πνεύμονες και ακόμη κυκλοφορούν στην κυκλοφορία του αίματος. Όταν ο καπνός της πυρκαγιάς έκανε τους ουρανούς της Νέας Υόρκης πορτοκαλί στις αρχές Ιουνίου 2023,

επισκέψεις στα επείγοντα

για το άσθμα διπλασιάστηκε.

Σε

οι περισσότερες πόλεις

είναι εύκολο να βρεις ένα καθημερινό

βαθμολογία δείκτη ποιότητας αέρα

που σας λέει πότε ο αέρας θεωρείται ανθυγιεινός ή ακόμα και επικίνδυνος. Ωστόσο, η πρόβλεψη της ποιότητας του αέρα τις επόμενες μέρες δεν είναι τόσο απλή.

Εργάζομαι στην πρόβλεψη της ποιότητας του αέρα ως α

καθηγητής Πολιτικών Μηχανικών και Μηχανικών Περιβάλλοντος

. Η τεχνητή νοημοσύνη έχει βελτιώσει αυτές τις προβλέψεις, αλλά η έρευνα δείχνει ότι είναι πολύ πιο χρήσιμη όταν συνδυάζεται με παραδοσιακές τεχνικές. Να γιατί:

Πώς προβλέπουν οι επιστήμονες την ποιότητα του αέρα

Για να προβλέψουν την ποιότητα του αέρα στο εγγύς μέλλον – λίγες μέρες πριν ή περισσότερο – οι επιστήμονες βασίζονται γενικά σε δύο

κύριες μεθόδους

: ένα

μοντέλο χημικής μεταφοράς

ή ένα μοντέλο μηχανικής μάθησης. Αυτά τα δύο μοντέλα παράγουν αποτελέσματα με εντελώς διαφορετικούς τρόπους.

Τα μοντέλα χημικής μεταφοράς χρησιμοποιούν πολλούς γνωστούς χημικούς και φυσικούς τύπους για τον υπολογισμό της παρουσίας και της παραγωγής ατμοσφαιρικών ρύπων. Χρησιμοποιούν δεδομένα από καταλόγους εκπομπών που αναφέρονται από τοπικούς φορείς και αναφέρουν ρύπους από γνωστές πηγές, όπως πυρκαγιές, κυκλοφορία

ή εργοστάσια

και δεδομένα από τη μετεωρολογία που παρέχουν ατμοσφαιρικές πληροφορίες, όπως άνεμος, βροχόπτωση, θερμοκρασία και ηλιακή ακτινοβολία.

Αυτά τα μοντέλα προσομοιώνουν τη ροή και τις χημικές αντιδράσεις των ατμοσφαιρικών ρύπων. Ωστόσο, οι προσομοιώσεις τους περιλαμβάνουν πολλαπλές μεταβλητές με τεράστιες αβεβαιότητες. Η συννεφιά, για παράδειγμα, αλλάζει την εισερχόμενη ηλιακή ακτινοβολία και συνεπώς τη φωτοχημεία. Αυτό μπορεί να κάνει τα αποτελέσματα λιγότερο ακριβή.

Αντίθετα, τα μοντέλα μηχανικής μάθησης μαθαίνουν μοτίβα με την πάροδο του χρόνου από ιστορικά δεδομένα για να προβλέψουν τη μελλοντική ποιότητα του αέρα για οποιαδήποτε δεδομένη περιοχή και στη συνέχεια να εφαρμόσουν αυτή τη γνώση στις τρέχουσες συνθήκες για να προβλέψουν το μέλλον.

Το μειονέκτημα των μοντέλων μηχανικής μάθησης είναι ότι δεν λαμβάνουν υπόψη χημικούς και φυσικούς μηχανισμούς, όπως κάνουν τα μοντέλα χημικής μεταφοράς. Επίσης, η ακρίβεια των προβολών μηχανικής μάθησης υπό ακραίες συνθήκες, όπως κύματα καύσωνα ή πυρκαγιές, μπορεί να είναι απενεργοποιημένη εάν τα μοντέλα δεν είχαν εκπαιδευτεί σε τέτοια δεδομένα. Έτσι, ενώ τα μοντέλα μηχανικής μάθησης μπορούν να δείξουν πού και πότε είναι πιο πιθανά τα υψηλά επίπεδα ρύπανσης, όπως κατά τη διάρκεια της ώρας αιχμής κοντά σε αυτοκινητόδρομους, γενικά δεν μπορούν να αντιμετωπίσουν πιο τυχαία γεγονότα, όπως ο καπνός από την πυρκαγιά που φυσά από τον Καναδά.

Ποιό είναι καλύτερο?

Οι επιστήμονες έχουν διαπιστώσει ότι κανένα μοντέλο δεν είναι αρκετά ακριβές από μόνο του, αλλά χρησιμοποιώντας το

καλύτερα χαρακτηριστικά και των δύο

μοντέλα μαζί

μπορεί να βοηθήσει στην καλύτερη πρόβλεψη της ποιότητας

του αέρα που αναπνέουμε.

Αυτή η συνδυασμένη μέθοδος, γνωστή ως σύντηξη μοντέλου μηχανικής μάθησης – μέτρησης, ή ML-MMF, έχει τη δυνατότητα να παρέχει επιστημονικές προβλέψεις με

μεγαλύτερη από 90% ακρίβεια

. Βασίζεται σε γνωστούς φυσικούς και χημικούς μηχανισμούς και μπορεί να προσομοιώσει την όλη διαδικασία, από την πηγή της ατμοσφαιρικής ρύπανσης μέχρι τη μύτη σας. Η προσθήκη δορυφορικών δεδομένων μπορεί να τους βοηθήσει να ενημερώσουν το κοινό τόσο για τα επίπεδα ασφάλειας της ποιότητας του αέρα όσο και για την κατεύθυνση που ταξιδεύουν οι ρύποι με μεγαλύτερη ακρίβεια.

Εμείς πρόσφατα

σύγκρινε προβλέψεις και από τα τρία μοντέλα

με πραγματικές μετρήσεις ρύπανσης. Τα αποτελέσματα ήταν εντυπωσιακά: Το συνδυασμένο μοντέλο ήταν 66% πιο ακριβές από το μοντέλο χημικής μεταφοράς και 12% πιο ακριβές από το μοντέλο μηχανικής μάθησης μόνο.

Το μοντέλο χημικής μεταφοράς εξακολουθεί να είναι η πιο κοινή μέθοδος που χρησιμοποιείται σήμερα για την πρόβλεψη της ποιότητας του αέρα, αλλά οι εφαρμογές με μοντέλα μηχανικής μάθησης γίνονται όλο και πιο δημοφιλείς. Η τακτική

μέθοδος πρόβλεψης

χρησιμοποιείται από την Υπηρεσία Προστασίας του Περιβάλλοντος των ΗΠΑ

AirNow.gov

βασίζεται στη μηχανική μάθηση. Ο ιστότοπος συγκεντρώνει επίσης αποτελέσματα προβλέψεων για την ποιότητα του αέρα από κρατικούς και τοπικούς φορείς, οι περισσότεροι από τους οποίους χρησιμοποιούν

μεταφορά χημικών


μοντέλα

.

Καθώς οι πηγές πληροφοριών γίνονται πιο αξιόπιστες, τα συνδυασμένα μοντέλα θα γίνουν πιο ακριβείς τρόποι πρόβλεψης της επικίνδυνης ποιότητας του αέρα, ιδιαίτερα κατά τη διάρκεια απρόβλεπτων γεγονότων όπως ο καπνός από τις πυρκαγιές.

Joshua S. Fu

είναι Καθηγητής Καγκελαρίου στη Μηχανική, την Κλιματική Αλλαγή και την Πολιτική και Περιβαλλοντική Μηχανική στο

Πανεπιστήμιο του Τενεσί


.

Η Fu έλαβε χρηματοδότηση από την EPA των ΗΠΑ για μελέτες πυρκαγιών και ανθρώπινης υγείας.

Αυτό το άρθρο αναδημοσιεύεται από

Η συζήτηση

με άδεια Creative Commons. Διαβάστε το

πρωτότυπο άρθρο

.