AI는 대기 질을 예측하는 데 도움이 될 수 있지만 2023년 여름 산불 연기와 같은 이상한 사건에도 전통적인 방법이 필요합니다.

산불 연기 캐나다의 극심한 화재 시즌 이로 인해 많은 사람들이 공기 질에 대해 생각하고 앞으로 어떤 일이 일어날지 궁금해하게 되었습니다.

모든 공기에는 기체 화합물과 작은 입자가 포함되어 있습니다.그러나 공기질이 악화됨에 따라 이러한 가스와 입자는 천식을 유발하다 그리고 심장과 호흡기 문제를 악화시킨다 코, 목, 폐로 들어가고 심지어 혈류를 타고 순환하기도 합니다.2023년 6월 초, 산불 연기로 인해 뉴욕시의 하늘이 주황색으로 변했을 때, 응급실 방문 천식의 경우 두 배로 늘었습니다.

~ 안에 대부분의 도시, 일상을 쉽게 찾을 수 있습니다 대기 질 지수 점수 공기가 건강에 해롭거나 위험한 것으로 간주되는 시기를 알려줍니다.그러나 앞으로의 대기 질을 예측하는 것은 그리 간단하지 않습니다.

저는 대기 질 예측 업무를 맡고 있습니다. 토목환경공학과 교수.인공지능은 이러한 예측을 개선했지만 연구에 따르면 기존 기술과 결합할 때 훨씬 더 유용하다는 것이 밝혀졌습니다.이유는 다음과 같습니다.

과학자들이 대기 질을 예측하는 방법

가까운 미래(며칠 또는 그 이상)의 대기 질을 예측하기 위해 과학자들은 일반적으로 두 가지 방법에 의존합니다. 주요 방법:에이 화학 수송 모델 또는 기계 학습 모델.이 두 모델은 완전히 다른 방식으로 결과를 생성합니다.

화학물질 수송 모델은 알려진 많은 화학적, 물리적 공식을 사용하여 대기 오염물질의 존재와 생산량을 계산합니다.그들은 산불, 교통 등 알려진 출처의 오염 물질을 나열하는 지역 기관에서 보고한 배출 목록의 데이터를 사용합니다. 또는 공장, 바람, 강수량, 기온, 일사량 등 대기 정보를 제공하는 기상학 데이터입니다.

이 모델은 대기 오염물질의 흐름과 화학 반응을 시뮬레이션합니다.그러나 그들의 시뮬레이션에는 불확실성이 큰 여러 변수가 포함됩니다.예를 들어, 흐림은 들어오는 태양 복사열을 변화시켜 광화학을 변화시킵니다.이로 인해 결과가 덜 정확해질 수 있습니다.

대신 기계 학습 모델은 과거 데이터로부터 시간 경과에 따른 패턴을 학습하여 특정 지역의 미래 대기 질을 예측한 다음 해당 지식을 현재 조건에 적용하여 미래를 예측합니다.

기계 학습 모델의 단점은 화학 수송 모델처럼 화학적, 물리적 메커니즘을 고려하지 않는다는 것입니다.또한 폭염이나 산불과 같은 극한 조건에서 머신러닝 예측의 정확성은 모델이 해당 데이터에 대해 훈련되지 않은 경우 떨어질 수 있습니다.따라서 기계 학습 모델은 고속도로 근처 출퇴근 시간과 같이 오염 수준이 가장 높은 장소와 시기를 보여줄 수 있지만 일반적으로 캐나다에서 불어오는 산불 연기와 같은 더 무작위적인 사건을 처리할 수는 없습니다.

어느 것이 더 낫습니까?

과학자들은 두 모델 모두 그 자체로는 충분히 정확하지 않다고 판단했습니다. 둘 다의 가장 좋은 특성 함께 모델 품질을 더 잘 예측하는 데 도움이 될 수 있습니다. 우리가 숨쉬는 공기의.

기계 학습-측정 모델 융합(ML-MMF)으로 알려진 이 결합 방법은 다음과 같은 과학 기반 예측을 제공할 수 있습니다. 90% 이상의 정확도.이는 알려진 물리적, 화학적 메커니즘을 기반으로 하며 대기 오염원부터 코까지 전체 과정을 시뮬레이션할 수 있습니다.위성 데이터를 추가하면 대기 질 안전 수준과 오염 물질의 이동 방향을 더 정확하게 대중에게 알리는 데 도움이 될 수 있습니다.

우리는 최근 세 모델 모두의 예측을 비교했습니다. 실제 오염 측정을 통해결과는 놀라웠습니다:결합된 모델은 화학 수송 모델보다 66% 더 정확했고, 기계 학습 모델만 사용한 것보다 12% 더 정확했습니다.

화학 수송 모델은 오늘날에도 공기 질을 예측하는 데 사용되는 가장 일반적인 방법이지만 기계 학습 모델을 사용한 애플리케이션이 점점 더 대중화되고 있습니다.정규 예측 방법 미국에서 사용하는환경 보호국의 AirNow.gov 머신러닝에 의존합니다.이 사이트는 또한 주 및 지방 기관의 대기 질 예측 결과를 수집하며 대부분은 다음을 사용합니다. 화학물질 수송 모델.

정보 소스의 신뢰성이 높아짐에 따라 결합된 모델은 특히 산불 연기와 같이 예측할 수 없는 상황에서 위험한 대기 질을 예측하는 보다 정확한 방법이 될 것입니다.