人工智能可以帮助预测空气质量，但像 2023 年夏季野火烟雾这样的反常事件也需要传统方法

野火烟雾来自 加拿大极端火灾季节 让很多人开始思考空气质量，并想知道未来几天会发生什么。

所有空气都含有气态化合物和小颗粒。但随着空气质量变得更糟，这些气体和颗粒物会 引发哮喘 和 加剧心脏和呼吸系统问题 当它们进入鼻子、喉咙和肺部，甚至在血液中循环时。2023 年 6 月上旬，当野火烟雾将纽约市的天空变成橙色时， 急诊室就诊 哮喘增加一倍。

在 大多数城市, ，很容易找到每日 空气质量指数得分 它会告诉您空气何时被认为不健康甚至危险。然而，预测未来几天的空气质量并不是那么简单。

我从事空气质量预测工作 土木与环境工程教授. 。人工智能改进了这些预测，但研究表明，与传统技术结合使用时，它的用处要大得多。原因如下：

科学家如何预测空气质量

为了预测不久的将来（提前几天或更长时间）的空气质量，科学家通常依赖于两个因素 主要方法:一个 化学品运输模型 或机器学习模型。这两个模型以完全不同的方式产生结果。

化学传输模型使用大量已知的化学和物理公式来计算空气污染物的存在和产生。他们使用当地机构报告的排放清单中的数据，其中列出了已知来源的污染物，例如野火、交通 或工厂, ，以及提供大气信息的气象数据，例如风、降水、温度和太阳辐射。

这些模型模拟空气污染物的流动和化学反应。然而，他们的模拟涉及多个变量，具有巨大的不确定性。例如，云量会改变入射的太阳辐射，从而改变光化学。这可能会使结果不太准确。

相反，机器学习模型从历史数据中学习随时间变化的模式，以预测任何给定地区未来的空气质量，然后将这些知识应用于当前条件来预测未来。

机器学习模型的缺点是它们不像化学传输模型那样考虑任何化学和物理机制。此外，如果模型没有接受此类数据的训练，机器学习预测在极端条件下（例如热浪或野火事件）的准确性可能会降低。因此，虽然机器学习模型可以显示最有可能出现高污染水平的地点和时间，例如在高速公路附近的高峰时段，但它们通常无法处理更多的随机事件，例如从加拿大吹来的野火烟雾。

哪个更好？

科学家们已经确定，这两种模型本身都不够准确，但使用 两者的最佳属性 一起模特 可以帮助更好地预测质量 我们呼吸的空气。

这种组合方法被称为机器学习-测量模型融合（ML-MMF），能够提供基于科学的预测 准确率超过90%. 。它基于已知的物理和化学机制，可以模拟从空气污染源到鼻子的整个过程。添加卫星数据可以帮助他们更准确地向公众通报空气质量安全水平和污染物的传播方向。

我们最近 比较所有三个模型的预测 与实际的污染测量。结果是惊人的：组合模型比化学品运输模型准确率高 66%，比单独的机器学习模型准确率高 12%。

化学物质输送模型仍然是当今预测空气质量最常用的方法，但机器学习模型的应用正变得越来越流行。常规的 预测方法 被美国使用环境保护局的 AirNow.gov 依赖机器学习。该网站还汇编了州和地方机构的空气质量预报结果，其中大部分使用 化学品运输 型号.

随着信息源变得更加可靠，组合模型将成为预测危险空气质量的更准确方法，特别是在野火烟雾等不可预测的事件期间。