AI は大気質の予測に役立ちますが、2023 年の夏の山火事の煙のような異常事態には従来の方法も必要です

～からの山火事の煙 カナダの極度の火災シーズン 多くの人々が大気の質について考え、今後どうなるか疑問を抱いています。

すべての空気には、ガス状化合物と小さな粒子が含まれています。しかし、大気の質が悪化すると、これらのガスや粒子が発生する可能性があります。 喘息を引き起こす そして 心臓や呼吸器の問題を悪化させる それらは鼻、喉、肺に入り、さらには血流中を循環します。2023 年 6 月初旬、山火事の煙がニューヨーク市の空をオレンジ色に染めたとき、 救急室の訪問 喘息の場合は2倍になりました。

で ほとんどの都市, 、毎日を見つけるのは簡単です 空気質指数スコア これは、空気が不健康または危険であるとみなされる時期を示します。ただし、数日後の大気の質を予測するのはそれほど簡単ではありません。

私は大気質予測に取り組んでいます。 土木環境工学教授. 。人工知能はこれらの予測を改善しましたが、研究によると、従来の技術と組み合わせることで、より有用であることが示されています。その理由は次のとおりです。

科学者は大気の質をどのように予測するか

近い将来、つまり数日先、あるいはそれ以上の大気質を予測するために、科学者は通常、次の 2 つの要素に頼っています。 主な方法:ある 化学輸送モデル または機械学習モデル。これら 2 つのモデルは、まったく異なる方法で結果を生成します。

化学輸送モデルは、多くの既知の化学式および物理式を使用して、大気汚染物質の存在と生成を計算します。彼らは、山火事や交通機関などの既知の発生源からの汚染物質を列挙した地元機関によって報告された排出量インベントリのデータを使用しています。 または工場, 、風、降水量、気温、日射量などの大気情報を提供する気象学のデータ。

これらのモデルは、大気汚染物質の流れと化学反応をシミュレートします。ただし、彼らのシミュレーションには、大きな不確実性を伴う複数の変数が含まれています。たとえば、曇りがあると、入ってくる太陽放射が変化し、光化学が変化します。これにより、結果の精度が低下する可能性があります。

代わりに、機械学習モデルは過去のデータから時間の経過に伴うパターンを学習して、特定の地域の将来の大気質を予測し、その知識を現在の状況に適用して将来を予測します。

機械学習モデルの欠点は、化学輸送モデルとは異なり、化学的および物理的メカニズムが考慮されていないことです。また、熱波や山火事などの極端な条件下での機械学習予測の精度は、モデルがそのようなデータに基づいてトレーニングされていない場合、精度が低くなる可能性があります。そのため、機械学習モデルは、高速道路付近のラッシュアワーなど、汚染レベルが最も高くなる可能性が高い場所と時期を示すことはできますが、一般に、カナダから吹き込む山火事の煙のような、よりランダムなイベントには対処できません。

どちらが良いでしょうか？

科学者たちは、どちらのモデルもそれ自体では十分な精度がないと判断しましたが、 両方の優れた特性 一緒にモデル 品質をより正確に予測するのに役立ちます 私たちが呼吸する空気のこと。

機械学習と測定モデルの融合 (ML-MMF) として知られるこの組み合わせ手法には、科学に基づいた予測を提供する機能があります。 90%以上の精度. 。これは既知の物理的および化学的メカニズムに基づいており、大気汚染源から鼻に至るまでのプロセス全体をシミュレートできます。衛星データを追加すると、大気質の安全性レベルと汚染物質の移動方向の両方をより正確に国民に知らせることができます。

私たちは最近 3 つのモデルすべてからの予測を比較しました 実際の汚染測定結果も併せてご紹介します。結果は驚くべきものでした。組み合わせたモデルは、化学輸送モデルよりも 66% 精度が高く、機械学習モデルのみよりも 12% 精度が高かった。

化学輸送モデルは現在でも大気質を予測するために最も一般的に使用されている方法ですが、機械学習モデルを使用したアプリケーションの人気が高まっています。定期的な 予測方法 米国によって使用されている環境保護庁の AirNow.gov 機械学習に依存しています。このサイトは、州および地方機関からの大気質予測結果もまとめており、そのほとんどは次の情報を使用しています。 化学輸送 モデル.

情報ソースの信頼性が高まるにつれて、特に山火事の煙のような予測不可能な出来事の際に、統合モデルは危険な大気質をより正確に予測する方法となります。