חיזוי איכות האוויר בימים הקרובים לא יהיה פשוט.
על ידי יהושע ש. פו/השיחה |
מאמר זה פורסם מחדש מ השיחה.
עשן שריפות מ עונת השריפות הקיצונית של קנדה השאיר הרבה אנשים לחשוב על איכות האוויר ותוהים למה לצפות בימים הקרובים.
כל האוויר מכיל תרכובות גזים וחלקיקים קטנים. אבל ככל שאיכות האוויר מחמירה, הגזים והחלקיקים האלה יכולים לעורר אסטמה ו להחמיר בעיות לב ונשימה כשהם נכנסים לאף, לגרון ולריאות ואף מסתובבים במחזור הדם. כאשר עשן שריפות הפך את שמי העיר ניו יורק לכתום בתחילת יוני 2023, ביקורים בחדר מיון לאסטמה הוכפל.
ב רוב הערים, קל למצוא יומית ציון מדד איכות האוויר זה אומר לך מתי האוויר נחשב לא בריא או אפילו מסוכן. עם זאת, חיזוי איכות האוויר בימים הקרובים אינו כל כך פשוט.
אני עובד על חיזוי איכות אוויר בתור א פרופסור להנדסה אזרחית וסביבתית. בינה מלאכותית שיפרה את התחזיות הללו, אבל מחקרים מראים שהיא הרבה יותר שימושית בשילוב עם טכניקות מסורתיות. הנה למה:
כיצד מדענים חוזים את איכות האוויר
כדי לחזות את איכות האוויר בעתיד הקרוב - כמה ימים קדימה או יותר - מדענים מסתמכים בדרך כלל על שניים
שיטות עיקריות: א מודל הובלה כימית או מודל למידת מכונה. שני המודלים הללו מייצרים תוצאות בדרכים שונות לחלוטין.מודלים של הובלה כימית משתמשים בהרבה נוסחאות כימיות ופיזיקליות ידועות כדי לחשב נוכחות וייצור של מזהמי אוויר. הם משתמשים בנתונים ממלאי פליטות שדווחו על ידי סוכנויות מקומיות שמפרטות מזהמים ממקורות ידועים, כגון שריפות בר, תנועה או מפעלים, ונתונים ממטאורולוגיה המספקים מידע אטמוספרי, כמו רוח, משקעים, טמפרטורה וקרינת שמש.
מודלים אלה מדמים את הזרימה והתגובות הכימיות של מזהמי האוויר. עם זאת, הסימולציות שלהם כוללות משתנים מרובים עם אי ודאויות עצומות. עננות, למשל, משנה את קרינת השמש הנכנסת ובכך את הפוטוכימיה. זה יכול להפוך את התוצאות לפחות מדויקות.
AirNow.gov
מודלים של למידת מכונה במקום זאת לומדים דפוסים לאורך זמן מנתונים היסטוריים כדי לחזות אוויר עתידי איכות עבור כל אזור נתון, ולאחר מכן ליישם את הידע הזה בתנאים הנוכחיים כדי לחזות את עתיד.
החיסרון של מודלים של למידת מכונה הוא שהם אינם מתחשבים במנגנונים כימיים ופיזיקליים כלשהם, כפי שעושים מודלים של הובלה כימית. כמו כן, הדיוק של תחזיות למידת מכונה בתנאים קיצוניים, כגון גלי חום או אירועי שריפות בשדה קוצים, יכול להיות כבוי אם הדגמים לא אומנו על נתונים כאלה. לכן, בעוד שמודלים של לימוד מכונה יכולים להראות היכן ומתי צפויות רמות זיהום גבוהות, כגון במהלך שעת העומס ליד כבישים מהירים, הם בדרך כלל לא יכולים להתמודד עם אירועים אקראיים יותר, כמו עשן שריפות שנושב מ קנדה.
איזה יותר טוב?
מדענים קבעו שאף מודל אינו מדויק מספיק בפני עצמו, אלא באמצעות התכונות הטובות ביותר של שניהם דגמים ביחד יכול לעזור לחזות טוב יותר את האיכות של האוויר שאנו נושמים.
לשיטה המשולבת הזו, הידועה בשם היתוך מודל מדידה, או ML-MMF, יש את היכולת לספק תחזיות מבוססות מדע עם יותר מ-90% דיוק. הוא מבוסס על מנגנונים פיזיקליים וכימיים ידועים ויכול לדמות את כל התהליך, ממקור זיהום האוויר ועד האף. הוספת נתוני לווין יכולה לעזור להם ליידע את הציבור הן על רמות הבטיחות של איכות האוויר והן על כיוון תנועת המזהמים בדיוק רב יותר.
אנחנו לאחרונה השוו תחזיות מכל שלושת הדגמים עם מדידות זיהום בפועל. התוצאות היו בולטות: המודל המשולב היה מדויק יותר ב-66% ממודל ההובלה הכימית וב-12% מדויק יותר ממודל למידת המכונה בלבד.
מודל ההובלה הכימית הוא עדיין השיטה הנפוצה ביותר בשימוש כיום כדי לחזות את איכות האוויר, אך יישומים עם מודלים של לימוד מכונה הופכים פופולריים יותר. הקבוע שיטת חיזוי בשימוש על ידי הסוכנות להגנת הסביבה של ארה"ב AirNow.gov מסתמך על למידת מכונה. האתר גם אוסף תוצאות תחזיות של איכות אוויר מסוכנויות ממלכתיות ומקומיות, שרובן משתמשות בהן הובלה כימיתדגמים.
ככל שמקורות המידע יהיו אמינים יותר, המודלים המשולבים יהפכו לדרכים מדויקות יותר לחזות איכות אוויר מסוכנת, במיוחד במהלך אירועים בלתי צפויים כמו עשן שריפות.
יהושע ש. פו הוא פרופסור הקנצלר להנדסה, שינויי אקלים והנדסה אזרחית וסביבתית ב- אוניברסיטת טנסי. פו קיבל מימון מ-U. ס. EPA למחקרי שריפות ובריאות האדם.
מאמר זה פורסם מחדש מ השיחה תחת רישיון Creative Commons. קרא את ה מאמר מקורי.