Использование распространенных технологий и данных «Интернета вещей» для атмосферных наук

Использование распространенных технологий и краудсорсинговых данных может принести пользу прогнозированию погоды и атмосферным исследованиям. К такому выводу приходит новая статья доктора Ноама Дэвида, приглашенного ученого в лаборатории доцента Ёсихидэ Сэкимогото в Институте промышленных наук Токийского университета (Япония). Обзор, опубликованный в журнале Advances in Atmospheric Sciences, указывает на потенциал этого инновационного подхода.

Специализированные инструменты для мониторинга окружающей среды часто ограничены техническими и практическими ограничениями. Например, наземные датчики могут страдать от низкой пространственной репрезентативности, а спутники — от недостаточной точности измерений у поверхности Земли. Это ограничивает возможность проведения репрезентативных наблюдений. В то же время, многосистемные и IoT-технологии (Интернет вещей) становятся все более распространенными, генерируя беспрецедентные объемы данных с огромным охватом. Возникает возможность дополнить современные методы мониторинга этими большими потоками данных. Хотя такие ресурсы изначально не предназначены для экологического мониторинга и менее точны, чем специализированные сенсоры, они могут служить ценным дополнением, особенно там, где профессиональные инструменты не развернуты.

Смартфоны содержат чувствительные к погоде датчики, и их данные могут использоваться для мониторинга атмосферного давления и температуры. Данные из социальных сетей, распространяемые как открытый исходный код, предоставляют информацию от тысяч «человеческих наблюдателей». Беспроводные каналы связи между базовыми станциями сотовой связи — еще один пример: погодные условия влияют на силу сигнала, что позволяет использовать эти каналы как средство мониторинга окружающей среды. Ряд исследований указывает на возможность отслеживать осадки, туман, водяной пар, росу и даже предшественников загрязнения воздуха с помощью данных таких систем.

Данные от этих новых «сенсоров» могут быть ассимилированы в высокоразрешающие численные модели прогнозирования, что потенциально улучшит возможности прогнозов. Такой подход может заложить основу для новых систем раннего предупреждения о природных опасностях и создать продукты, необходимые для различных областей, внеся значительный вклад в общественное здоровье и безопасность.