A IA pode ajudar a prever a qualidade do ar, mas eventos estranhos como a fumaça dos incêndios florestais no verão de 2023 também exigem métodos tradicionais

Fumaça de incêndio florestal de Temporada extrema de incêndios no Canadá deixou muitas pessoas pensando sobre a qualidade do ar e se perguntando o que esperar nos próximos dias.

Todo ar contém compostos gasosos e pequenas partículas.Mas à medida que a qualidade do ar piora, estes gases e partículas podem desencadear asma e agravar problemas cardíacos e respiratórios à medida que entram no nariz, garganta e pulmões e até circulam na corrente sanguínea.Quando a fumaça do incêndio deixou os céus da cidade de Nova York laranja no início de junho de 2023, visitas ao pronto-socorro para asma dobrou.

Em a maioria das cidades, é fácil encontrar um diário pontuação do índice de qualidade do ar que informa quando o ar é considerado prejudicial à saúde ou mesmo perigoso.No entanto, prever a qualidade do ar nos próximos dias não é tão simples.

Eu trabalho na previsão da qualidade do ar como um professor de engenharia civil e ambiental.A inteligência artificial melhorou essas previsões, mas pesquisas mostram que é muito mais útil quando combinada com técnicas tradicionais.Aqui está o porquê:

Como os cientistas prevêem a qualidade do ar

Para prever a qualidade do ar num futuro próximo – com alguns dias de antecedência ou mais – os cientistas geralmente baseiam-se em dois métodos principais:um modelo de transporte químico ou um modelo de aprendizado de máquina.Esses dois modelos geram resultados de maneiras totalmente diferentes.

Os modelos de transporte químico utilizam muitas fórmulas químicas e físicas conhecidas para calcular a presença e produção de poluentes atmosféricos.Eles usam dados de inventários de emissões relatados por agências locais que listam poluentes de fontes conhecidas, como incêndios florestais, tráfego ou fábricas, e dados meteorológicos que fornecem informações atmosféricas, como vento, precipitação, temperatura e radiação solar.

Esses modelos simulam o fluxo e as reações químicas dos poluentes atmosféricos.No entanto, suas simulações envolvem múltiplas variáveis ​​com enormes incertezas.A nebulosidade, por exemplo, altera a radiação solar incidente e, portanto, a fotoquímica.Isso pode tornar os resultados menos precisos.

Em vez disso, os modelos de aprendizagem automática aprendem padrões ao longo do tempo a partir de dados históricos para prever a qualidade do ar futura para qualquer região e, em seguida, aplicam esse conhecimento às condições atuais para prever o futuro.

A desvantagem dos modelos de aprendizagem automática é que eles não consideram quaisquer mecanismos químicos e físicos, como fazem os modelos de transporte químico.Além disso, a precisão das projeções de aprendizado de máquina sob condições extremas, como ondas de calor ou incêndios florestais, pode ser prejudicada se os modelos não forem treinados com esses dados.Assim, embora os modelos de aprendizagem automática possam mostrar onde e quando são mais prováveis ​​níveis elevados de poluição, como durante a hora de ponta perto de autoestradas, geralmente não conseguem lidar com eventos mais aleatórios, como o fumo de um incêndio florestal vindo do Canadá.

Qual é melhor?

Os cientistas determinaram que nenhum dos modelos é preciso o suficiente por si só, mas usando o melhores atributos de ambos modelos juntos pode ajudar a prever melhor a qualidade do ar que respiramos.

Este método combinado, conhecido como fusão de modelo de medição de aprendizado de máquina, ou ML-MMF, tem a capacidade de fornecer previsões baseadas na ciência com mais de 90% de precisão.Baseia-se em mecanismos físicos e químicos conhecidos e pode simular todo o processo, desde a fonte de poluição do ar até o nariz.Adicionar dados de satélite pode ajudá-los a informar o público sobre os níveis de segurança da qualidade do ar e a direção em que os poluentes estão viajando com maior precisão.

Nós recentemente comparou previsões de todos os três modelos com medições reais de poluição.Os resultados foram impressionantes:O modelo combinado foi 66% mais preciso que o modelo de transporte químico e 12% mais preciso que o modelo de aprendizado de máquina sozinho.

O modelo de transporte químico ainda é o método mais comum usado atualmente para prever a qualidade do ar, mas as aplicações com modelos de aprendizado de máquina estão se tornando mais populares.O normal método de previsão usado pelos EUAAgência de Proteção Ambiental AirNow.gov depende do aprendizado de máquina.O site também compila resultados de previsões da qualidade do ar de agências estaduais e locais, a maioria das quais usa transporte químico modelos.

À medida que as fontes de informação se tornam mais fiáveis, os modelos combinados tornar-se-ão formas mais precisas de prever a qualidade perigosa do ar, especialmente durante eventos imprevisíveis como o fumo de incêndios florestais.