ИИ может помочь спрогнозировать качество воздуха, но такие ужасные события, как дым от лесных пожаров летом 2023 года, требуют и традиционных методов.

Дым от лесных пожаров Экстремальный сезон пожаров в Канаде заставило многих людей задуматься о качестве воздуха и задаться вопросом, чего ожидать в ближайшие дни.

Весь воздух содержит газообразные соединения и мелкие частицы.Но по мере ухудшения качества воздуха эти газы и частицы могут вызвать астму и усугубить проблемы с сердцем и дыханием когда они попадают в нос, горло и легкие и даже циркулируют в кровотоке.Когда в начале июня 2023 года дым лесных пожаров окрасил небо Нью-Йорка в оранжевый цвет, посещение отделения неотложной помощи для астмы удвоилось.

В большинство городов, легко найти ежедневный индекс качества воздуха это подскажет вам, когда воздух считается нездоровым или даже опасным.Однако предсказать качество воздуха в предстоящие дни не так просто.

Я занимаюсь прогнозированием качества воздуха в качестве профессор гражданского и экологического строительства.Искусственный интеллект улучшил эти прогнозы, но исследования показывают, что он гораздо полезнее в сочетании с традиционными методами.Вот почему:

Как ученые прогнозируют качество воздуха

Чтобы предсказать качество воздуха в ближайшем будущем – на несколько дней вперед или дольше – ученые обычно полагаются на два показателя: основные методы:а модель химического транспорта или модель машинного обучения.Эти две модели дают результаты совершенно по-разному.

В моделях химического переноса используется множество известных химических и физических формул для расчета присутствия и образования загрязнителей воздуха.Они используют данные из кадастров выбросов, сообщаемых местными агентствами, в которых перечислены загрязняющие вещества из известных источников, таких как лесные пожары, дорожное движение и т. д. или фабрики, и данные метеорологии, которые предоставляют информацию об атмосфере, такую ​​как ветер, осадки, температура и солнечная радиация.

Эти модели моделируют поток и химические реакции загрязнителей воздуха.Однако их моделирование включает в себя множество переменных с огромными неопределенностями.Например, облачность меняет поступающую солнечную радиацию и, следовательно, фотохимию.Это может сделать результаты менее точными.

Вместо этого модели машинного обучения изучают закономерности с течением времени на основе исторических данных, чтобы прогнозировать будущее качество воздуха для любого данного региона, а затем применять эти знания к текущим условиям для прогнозирования будущего.

Недостатком моделей машинного обучения является то, что они не учитывают какие-либо химические и физические механизмы, как это делают модели химического транспорта.Кроме того, точность прогнозов машинного обучения в экстремальных условиях, таких как жара или лесные пожары, может быть неточной, если модели не обучались на таких данных.Таким образом, хотя модели машинного обучения могут показать, где и когда наиболее вероятны высокие уровни загрязнения, например, в час пик возле автострад, они, как правило, не могут справиться с более случайными событиями, такими как дым от лесных пожаров, дующий из Канады.

Что лучше?

Ученые определили, что ни одна из моделей сама по себе не является достаточно точной, но использование лучшие качества обоих модели вместе может помочь лучше прогнозировать качество воздуха, которым мы дышим.

Этот комбинированный метод, известный как объединение моделей машинного обучения и измерений, или ML-MMF, способен предоставлять научно обоснованные прогнозы с точность более 90%.Он основан на известных физических и химических механизмах и может моделировать весь процесс — от источника загрязнения воздуха до вашего носа.Добавление спутниковых данных может помочь им с большей точностью информировать общественность как об уровне безопасности качества воздуха, так и о направлении движения загрязняющих веществ.

Мы недавно сравнили прогнозы всех трех моделей с фактическими измерениями загрязнения.Результаты были поразительными:Комбинированная модель оказалась на 66% точнее, чем модель химического транспорта, и на 12% точнее, чем модель машинного обучения в отдельности.

Модель химического транспорта по-прежнему остается наиболее распространенным методом, используемым сегодня для прогнозирования качества воздуха, но приложения с моделями машинного обучения становятся все более популярными.Обычный метод прогнозирования используется СШААгентство по охране окружающей среды AirNow.gov опирается на машинное обучение.На сайте также собраны результаты прогнозов качества воздуха от государственных и местных агентств, большинство из которых используют химический транспорт модели.

Поскольку источники информации станут более надежными, комбинированные модели станут более точным способом прогнозирования опасного качества воздуха, особенно во время непредсказуемых событий, таких как задымление от лесных пожаров.