يمكن أن يساعد الذكاء الاصطناعي في التنبؤ بجودة الهواء، ولكن الأحداث الغريبة، مثل صيف 2023 الذي شهد دخان حرائق الغابات، تتطلب أساليب تقليدية أيضًا

دخان حرائق الغابات من موسم الحرائق الشديد في كندا لقد ترك الكثير من الناس يفكرون في جودة الهواء ويتساءلون عما يمكن توقعه في الأيام المقبلة.

يحتوي كل الهواء على مركبات غازية وجزيئات صغيرة.ولكن مع تدهور نوعية الهواء، يمكن لهذه الغازات والجزيئات أن تتفاقم إثارة الربو و تفاقم مشاكل القلب والجهاز التنفسي لأنها تدخل الأنف والحنجرة والرئتين، بل وتنتشر في مجرى الدم.عندما حول دخان حرائق الغابات سماء مدينة نيويورك إلى اللون البرتقالي في أوائل يونيو 2023، زيارات غرفة الطوارئ للربو تضاعف.

في معظم المدن, ، من السهل العثور على يومية درجة مؤشر جودة الهواء يخبرك عندما يعتبر الهواء غير صحي أو حتى خطير.ومع ذلك، فإن التنبؤ بجودة الهواء في الأيام المقبلة ليس بالأمر السهل.

أعمل على التنبؤ بجودة الهواء ك أستاذ الهندسة المدنية والبيئية.وقد أدى الذكاء الاصطناعي إلى تحسين هذه التوقعات، لكن الأبحاث تظهر أنه أكثر فائدة عندما يقترن بالتقنيات التقليدية.إليكم السبب:

كيف يتنبأ العلماء بجودة الهواء

للتنبؤ بجودة الهواء في المستقبل القريب - قبل بضعة أيام أو أكثر - يعتمد العلماء عمومًا على اثنين الطرق الرئيسية:أ نموذج النقل الكيميائي أو نموذج التعلم الآلي.يولد هذان النموذجان نتائج بطرق مختلفة تمامًا.

تستخدم نماذج النقل الكيميائي الكثير من الصيغ الكيميائية والفيزيائية المعروفة لحساب وجود وإنتاج ملوثات الهواء.ويستخدمون بيانات من قوائم جرد الانبعاثات التي أبلغت عنها الوكالات المحلية والتي تدرج الملوثات من مصادر معروفة، مثل حرائق الغابات وحركة المرور أو المصانع, وبيانات من الأرصاد الجوية التي توفر معلومات الغلاف الجوي، مثل الرياح والأمطار ودرجة الحرارة والإشعاع الشمسي.

تحاكي هذه النماذج التدفق والتفاعلات الكيميائية لملوثات الهواء.ومع ذلك، فإن عمليات المحاكاة الخاصة بهم تتضمن متغيرات متعددة مع قدر كبير من عدم اليقين.فالغيوم، على سبيل المثال، تغير الإشعاع الشمسي الوارد وبالتالي الكيمياء الضوئية.هذا يمكن أن يجعل النتائج أقل دقة.

وبدلاً من ذلك، تتعلم نماذج التعلم الآلي الأنماط بمرور الوقت من البيانات التاريخية للتنبؤ بجودة الهواء المستقبلية لأي منطقة معينة، ثم تطبيق هذه المعرفة على الظروف الحالية للتنبؤ بالمستقبل.

الجانب السلبي لنماذج التعلم الآلي هو أنها لا تأخذ في الاعتبار أي آليات كيميائية وفيزيائية، كما تفعل نماذج النقل الكيميائي.كما أن دقة توقعات التعلم الآلي في ظل الظروف القاسية، مثل موجات الحرارة أو أحداث حرائق الغابات، يمكن أن تكون معطلة إذا لم يتم تدريب النماذج على مثل هذه البيانات.لذلك، في حين أن نماذج التعلم الآلي يمكن أن تظهر أين ومتى تكون مستويات التلوث المرتفعة أكثر احتمالا، كما هو الحال خلال ساعة الذروة بالقرب من الطرق السريعة، فإنها لا تستطيع عموما التعامل مع المزيد من الأحداث العشوائية، مثل دخان حرائق الغابات التي تهب من كندا.

أيهما أفضل؟

لقد قرر العلماء أن أيًا من النموذجين ليس دقيقًا بدرجة كافية بمفرده، ولكن باستخدام أفضل الصفات على حد سواء النماذج معا يمكن أن تساعد في التنبؤ بالجودة بشكل أفضل من الهواء الذي نتنفسه.

تتمتع هذه الطريقة المدمجة، والمعروفة باسم دمج نماذج القياس والتعلم الآلي، أو ML-MMF، بالقدرة على توفير تنبؤات مبنية على أساس علمي دقة تزيد عن 90%.وهو يعتمد على آليات فيزيائية وكيميائية معروفة ويمكنه محاكاة العملية برمتها، من مصدر تلوث الهواء إلى أنفك.يمكن أن تساعدهم إضافة بيانات الأقمار الصناعية في إعلام الجمهور بمستويات سلامة جودة الهواء واتجاه انتقال الملوثات بدقة أكبر.

نحن مؤخرا مقارنة التوقعات من النماذج الثلاثة مع قياسات التلوث الفعلية.وكانت النتائج مذهلة:كان النموذج المدمج أكثر دقة بنسبة 66% من نموذج النقل الكيميائي وأكثر دقة بنسبة 12% من نموذج التعلم الآلي وحده.

لا يزال نموذج النقل الكيميائي هو الطريقة الأكثر شيوعًا المستخدمة اليوم للتنبؤ بجودة الهواء، لكن التطبيقات التي تتضمن نماذج التعلم الآلي أصبحت أكثر شيوعًا.العادية طريقة التنبؤ تستخدم من قبل الولايات المتحدةوكالة حماية البيئة AirNow.gov يعتمد على التعلم الآلي.يقوم الموقع أيضًا بتجميع نتائج توقعات جودة الهواء من الوكالات الحكومية والمحلية، والتي يستخدم معظمها النقل الكيميائي نماذج.

ومع زيادة موثوقية مصادر المعلومات، ستصبح النماذج المجمعة طرقًا أكثر دقة للتنبؤ بجودة الهواء الخطرة، خاصة أثناء الأحداث غير المتوقعة مثل دخان حرائق الغابات.