L'intelligenza artificiale può aiutare a prevedere la qualità dell'aria, ma eventi anomali come l'estate di fumo degli incendi del 2023 richiedono anche metodi tradizionali

Fumo di incendi da La stagione degli incendi estremi in Canada ha portato molte persone a pensare alla qualità dell’aria e a chiedersi cosa aspettarsi nei giorni a venire.

Tutta l'aria contiene composti gassosi e piccole particelle.Ma man mano che la qualità dell’aria peggiora, questi gas e particelle possono peggiorare scatenare l’asma E aggravare i problemi cardiaci e respiratori poiché entrano nel naso, nella gola e nei polmoni e circolano persino nel flusso sanguigno.Quando il fumo degli incendi ha trasformato i cieli di New York in arancione all’inizio di giugno 2023, visite al pronto soccorso per l’asma è raddoppiato.

In la maggior parte delle città, è facile trovare un quotidiano Punteggio dell’indice di qualità dell’aria che ti dice quando l'aria è considerata malsana o addirittura pericolosa.Tuttavia, prevedere la qualità dell’aria nei giorni a venire non è così semplice.

Mi occupo di previsione della qualità dell'aria come a professore di ingegneria civile e ambientale.L’intelligenza artificiale ha migliorato queste previsioni, ma la ricerca mostra che è molto più utile se abbinata alle tecniche tradizionali.Ecco perché:

Come gli scienziati prevedono la qualità dell'aria

Per prevedere la qualità dell’aria nel prossimo futuro – qualche giorno o più – gli scienziati generalmente si basano su due fattori metodi principali:UN modello di trasporto chimico o un modello di apprendimento automatico.Questi due modelli generano risultati in modi totalmente diversi.

I modelli di trasporto chimico utilizzano molte formule chimiche e fisiche conosciute per calcolare la presenza e la produzione di inquinanti atmosferici.Usano i dati degli inventari delle emissioni riportati dalle agenzie locali che elencano gli inquinanti provenienti da fonti note, come incendi e traffico o fabbriche, e dati meteorologici che forniscono informazioni atmosferiche, come vento, precipitazioni, temperatura e radiazione solare.

Questi modelli simulano il flusso e le reazioni chimiche degli inquinanti atmosferici.Tuttavia, le loro simulazioni coinvolgono molteplici variabili con enormi incertezze.La nuvolosità, ad esempio, modifica la radiazione solare in arrivo e quindi la fotochimica.Ciò può rendere i risultati meno accurati.

I modelli di apprendimento automatico apprendono invece modelli nel tempo dai dati storici per prevedere la futura qualità dell’aria per una determinata regione, quindi applicare tale conoscenza alle condizioni attuali per prevedere il futuro.

Lo svantaggio dei modelli di apprendimento automatico è che non considerano alcun meccanismo chimico e fisico, come fanno i modelli di trasporto chimico.Inoltre, l’accuratezza delle proiezioni basate sull’apprendimento automatico in condizioni estreme, come ondate di caldo o incendi, può essere compromessa se i modelli non sono stati addestrati su tali dati.Quindi, mentre i modelli di apprendimento automatico possono mostrare dove e quando sono più probabili livelli elevati di inquinamento, come durante le ore di punta vicino alle autostrade, generalmente non possono gestire eventi più casuali, come il fumo degli incendi che soffia dal Canada.

Quale è meglio?

Gli scienziati hanno stabilito che nessuno dei due modelli è sufficientemente accurato da solo, ma utilizzando il migliori attributi di entrambi modelli insieme può aiutare a prevedere meglio la qualità dell'aria che respiriamo.

Questo metodo combinato, noto come fusione tra apprendimento automatico e modello di misurazione, o ML-MMF, ha la capacità di fornire previsioni su base scientifica con precisione superiore al 90%..Si basa su meccanismi fisici e chimici conosciuti ed è in grado di simulare l'intero processo, dalla fonte di inquinamento atmosferico al naso.L’aggiunta di dati satellitari può aiutarli a informare il pubblico sia sui livelli di sicurezza della qualità dell’aria sia sulla direzione in cui viaggiano gli inquinanti con maggiore precisione.

Noi di recente hanno confrontato le previsioni di tutti e tre i modelli con misurazioni effettive dell’inquinamento.I risultati sono stati sorprendenti:Il modello combinato era più accurato del 66% rispetto al modello di trasporto chimico e del 12% più accurato rispetto al modello di apprendimento automatico da solo.

Il modello di trasporto chimico è ancora il metodo più comune utilizzato oggi per prevedere la qualità dell’aria, ma le applicazioni con modelli di apprendimento automatico stanno diventando sempre più popolari.Il regolare metodo di previsione utilizzato dagli Stati Unitidell’Agenzia per la Protezione dell’Ambiente AirNow.gov si basa sull'apprendimento automatico.Il sito raccoglie anche i risultati delle previsioni sulla qualità dell'aria provenienti da agenzie statali e locali, la maggior parte delle quali utilizza trasporto chimico modelli.

Man mano che le fonti di informazione diventeranno più affidabili, i modelli combinati diventeranno strumenti più accurati per prevedere la qualità dell’aria pericolosa, in particolare durante eventi imprevedibili come il fumo degli incendi.