ИИ может помочь прогнозировать качество воздуха, но необычные события, такие как задымление от лесных пожаров летом 2023 года, требуют и традиционных методов

Летом 2023 года дым от экстремального сезона лесных пожаров в Канаде заставил многих задуматься о качестве воздуха и его прогнозе.

Ухудшение качества воздуха, связанное с газами и частицами, может вызывать астму и усугублять проблемы с сердцем и органами дыхания. Например, когда дым от лесных пожаров окрасил небо Нью-Йорка в оранжевый цвет в начале июня 2023 года, количество обращений в отделения неотложной помощи по поводу астмы удвоилось.

Хотя ежедневный индекс качества воздуха доступен во многих городах, прогнозирование его на несколько дней вперед является сложной задачей.

Как ученые прогнозируют качество воздуха

Для прогнозирования качества воздуха в ближайшем будущем ученые в основном используют два метода: химико-транспортную модель или модель машинного обучения, которые работают принципиально по-разному.

• Химико-транспортные модели используют известные химические и физические формулы для расчета концентрации загрязняющих веществ. Они опираются на данные инвентаризации выбросов и метеорологические данные (ветер, осадки, температура). Однако их симуляции могут быть менее точными из-за неопределенностей, например, в облачности, влияющей на фотохимию.
• Модели машинного обучения учатся на исторических данных, чтобы предсказывать качество воздуха, но не учитывают химические и физические механизмы. Их точность может снижаться в экстремальных условиях (волны жары, лесные пожары), если такие события не были представлены в обучающих данных.

Что лучше?

Исследования показывают, что ни одна модель не является достаточно точной сама по себе, но объединение лучших атрибутов обеих моделей дает более надежный прогноз.

Этот комбинированный метод, известный как слияние машинного обучения и измерений (ML-MMF), основан на известных физико-химических механизмах и может с высокой точностью моделировать весь путь загрязнения от источника до человека. Добавление спутниковых данных повышает точность прогноза направления движения загрязняющих веществ.

Сравнение прогнозов всех трех моделей с реальными измерениями показало, что комбинированная модель была на 66% точнее химико-транспортной модели и на 12% точнее модели машинного обучения.

Хотя химико-транспортное моделирование остается наиболее распространенным методом, применение моделей машинного обучения набирает популярность. По мере улучшения источников данных комбинированные модели станут еще более точным инструментом для прогнозирования опасного качества воздуха, особенно во время непредсказуемых событий, таких как задымление от лесных пожаров.