KI kann dabei helfen, die Luftqualität vorherzusagen, aber auch ungewöhnliche Ereignisse wie der rauchende Waldbrandsommer 2023 erfordern traditionelle Methoden

TheConversation

https://theconversation.com/ai-can-help-forecast-air-quality-but-freak-events-like-2023s-summer-of-wildfire-smoke-require-traditional-methods-too-210170

Waldbrandrauch aus Kanadas extreme Feuersaison Viele Menschen denken über die Luftqualität nach und fragen sich, was sie in den kommenden Tagen erwarten können.

Jede Luft enthält gasförmige Verbindungen und kleine Partikel.Wenn sich die Luftqualität jedoch verschlechtert, können diese Gase und Partikel zunehmen Asthma auslösen Und Herz- und Atemwegsbeschwerden verschlimmern da sie in die Nase, den Rachen und die Lunge gelangen und sogar im Blutkreislauf zirkulieren.Als der Rauch eines Waldbrandes Anfang Juni 2023 den Himmel von New York City orange färbte, Besuche in der Notaufnahme für Asthma verdoppelt.

In die meisten Städte, es ist einfach, eine Tageszeitung zu finden Luftqualitätsindexwert Das sagt Ihnen, wann die Luft als ungesund oder sogar gefährlich gilt.Allerdings ist es nicht so einfach, die Luftqualität in den kommenden Tagen vorherzusagen.

Ich arbeite an der Vorhersage der Luftqualität als Professor für Bau- und Umweltingenieurwesen.Künstliche Intelligenz hat diese Prognosen verbessert, aber Untersuchungen zeigen, dass sie in Kombination mit herkömmlichen Techniken viel nützlicher ist.Hier ist der Grund:

Wie Wissenschaftler die Luftqualität vorhersagen

Um die Luftqualität in naher Zukunft – ein paar Tage im Voraus oder länger – vorherzusagen, verlassen sich Wissenschaftler im Allgemeinen auf zwei Hauptmethoden:A chemisches Transportmodell oder ein maschinelles Lernmodell.Diese beiden Modelle erzeugen Ergebnisse auf völlig unterschiedliche Weise.

Chemische Transportmodelle verwenden viele bekannte chemische und physikalische Formeln, um das Vorhandensein und die Produktion von Luftschadstoffen zu berechnen.Sie verwenden Daten aus Emissionsinventaren, die von lokalen Behörden gemeldet werden und Schadstoffe aus bekannten Quellen wie Waldbränden und Verkehr auflisten oder Fabriken, sowie Daten aus der Meteorologie, die atmosphärische Informationen wie Wind, Niederschlag, Temperatur und Sonneneinstrahlung liefern.

Diese Modelle simulieren die Strömung und chemischen Reaktionen der Luftschadstoffe.Ihre Simulationen beinhalten jedoch mehrere Variablen mit großen Unsicherheiten.Bewölkung beispielsweise verändert die einfallende Sonnenstrahlung und damit die Photochemie.Dadurch können die Ergebnisse ungenauer werden.

A map shows many yellow dots through the Midwest. in particular, where wildfire smoke has been blowing in from Canada.
Die AirNow-Luftverschmutzungsprognosen der EPA nutzen maschinelles Lernen.Bei Waldbränden hilft ein Rauchtransport- und Ausbreitungsmodell dabei, die Ausbreitung von Rauchwolken zu simulieren.Diese Karte ist die Wettervorhersage für August.9. 2023.Gelb bedeutet mäßiges Risiko;Orange weist auf ungesunde Luft für empfindliche Personengruppen hin. AirNow.gov

Stattdessen lernen maschinelle Lernmodelle im Laufe der Zeit Muster aus historischen Daten, um die zukünftige Luftqualität für eine bestimmte Region vorherzusagen, und wenden dieses Wissen dann auf aktuelle Bedingungen an, um die Zukunft vorherzusagen.

Der Nachteil maschineller Lernmodelle besteht darin, dass sie keine chemischen und physikalischen Mechanismen berücksichtigen, wie dies bei chemischen Transportmodellen der Fall ist.Außerdem kann die Genauigkeit von maschinellen Lernprognosen unter extremen Bedingungen wie Hitzewellen oder Waldbränden fehlerhaft sein, wenn die Modelle nicht auf der Grundlage solcher Daten trainiert wurden.Während maschinelle Lernmodelle zwar zeigen können, wo und wann eine hohe Schadstoffbelastung am wahrscheinlichsten ist, etwa während der Hauptverkehrszeit in der Nähe von Autobahnen, können sie im Allgemeinen nicht mit eher zufälligen Ereignissen umgehen, etwa mit dem Rauch eines Waldbrandes, der aus Kanada hereinweht.

Was ist besser?

Wissenschaftler haben festgestellt, dass keines der beiden Modelle für sich genommen genau genug ist, aber mithilfe der beste Eigenschaften von beiden Modelle zusammen kann helfen, die Qualität besser vorherzusagen der Luft, die wir atmen.

Diese kombinierte Methode, bekannt als Machine-Learning-Measurement-Model-Fusion oder ML-MMF, ist in der Lage, wissenschaftlich fundierte Vorhersagen zu liefern mehr als 90 % Genauigkeit.Es basiert auf bekannten physikalischen und chemischen Mechanismen und kann den gesamten Prozess simulieren, von der Luftverschmutzungsquelle bis zu Ihrer Nase.Durch die Hinzufügung von Satellitendaten können sie die Öffentlichkeit präziser über das Sicherheitsniveau der Luftqualität und die Ausbreitungsrichtung der Schadstoffe informieren.

Wir vor kurzem verglichen die Vorhersagen aller drei Modelle mit tatsächlichen Schadstoffmessungen.Die Ergebnisse waren frappierend:Das kombinierte Modell war 66 % genauer als das chemische Transportmodell und 12 % genauer als das maschinelle Lernmodell allein.

Das chemische Transportmodell ist auch heute noch die am häufigsten verwendete Methode zur Vorhersage der Luftqualität, doch Anwendungen mit Modellen des maschinellen Lernens erfreuen sich immer größerer Beliebtheit.Der Stammgast Prognosemethode von den USA verwendetUmweltschutzbehörde AirNow.gov setzt auf maschinelles Lernen.Die Website stellt auch Ergebnisse von Luftqualitätsprognosen staatlicher und lokaler Behörden zusammen, von denen die meisten diese nutzen chemischer Transport Modelle.

Da Informationsquellen immer zuverlässiger werden, werden die kombinierten Modelle zu genaueren Methoden zur Vorhersage gefährlicher Luftqualität, insbesondere bei unvorhersehbaren Ereignissen wie Waldbrandrauch.

Lizenziert unter: CC-BY-SA
CAPTCHA

Entdecken Sie die Website GratisForGratis

^