Искусственный интеллект улучшает прогнозирование загрязнения озоном

Исследовательская группа под руководством профессора Се Пиньхуа из Хэфэйского института физических наук Китайской академии наук разработала новую модель для прогнозирования концентрации приземного озона в регионах Северо-Китайской равнины и дельты реки Янцзы. Модель использует архитектуру последовательной сверточной сети с долгой краткосрочной памятью (CNN-LSTM) для интеграции пространственно-временных метеорологических данных, устраняя ключевые недостатки существующих методов прогнозирования.

Приземный озон стал основным загрязнителем воздуха летом, часто связанным с высокими температурами и низкой влажностью. Однако на уровни озона также влияют сложные метеорологические факторы, такие как атмосферная циркуляция, солнечная радиация, высота пограничного слоя и облачность, что делает точный прогноз сложной задачей. Новая модель, использующая прогнозные метеоданные и архитектуру CNN-LSTM, достигла высокой точности: процент успешных прогнозов для событий с высокой концентрацией озона (MDA8 ≥ 160 мкг/м³) составил 83% на Северо-Китайской равнине и 56% в дельте Янцзы, а коэффициент детерминации R² превысил 0,85.

Результаты, опубликованные в журнале Environmental Science & Technology, предоставляют новый технический подход для раннего предупреждения об озоновом загрязнении. Модель также успешно количественно оценила влияние смещения положения тайфунов на региональные уровни озона.

«Мы получили более четкое представление о том, как погодные условия влияют на озоновое загрязнение, что действительно может помочь улучшить ранние предупреждения о днях с высоким риском», — сказал профессор Се Пиньхуа.