Ny AI dyb læringsmodel tillader tidligere, mere præcise ozonadvarsler

Forskere fra University of Houston har udviklet et kunstig intelligens-baseret ozonprognosesystem, hvilket ville give lokale områder mulighed for at forudsige ozonniveauer 24 timer i forvejen.

Det ville forbedre sundhedsadvarsler for mennesker med øget risiko for at udvikle problemer på grund af høje ozonniveauer.

Yunsoo Choi, lektor ved Institut for Jord- og Atmosfæriske Videnskaber og tilsvarende forfatter til en artikel, der forklarer arbejdet, sagde, at de byggede en kunstigt intelligent model ved hjælp af et konvolutionelt neuralt netværk, som er i stand til at tage information fra nuværende forhold og præcist forudsige ozonniveauer for den næste dag. Værket blev offentliggjort i tidsskriftet Neurale netværk .

"Hvis vi kender forholdene i dag, vi kan forudsige morgendagens betingelser, " sagde Choi.

Ozon er en ustabil gas, dannet af en kemisk reaktion, når sollys kombineres med nitrogenoxider (NOx) og flygtige organiske forbindelser, som begge findes i bil- og industriemissioner. Det kan forårsage luftvejsproblemer hos mennesker, og dem, der er særligt modtagelige over for ozon - inklusive mennesker med astma, ældre og små børn - rådes til at reducere deres eksponering, når ozonniveauet er højt.

Alqamah Sayeed, førsteforfatter på papiret og en ph.d. studerende i Choi's Air Quality Forecasting and Modeling Lab, sagde, at de fleste nuværende ozonprognosemodeller ikke inkorporerer kunstig intelligens og kan tage flere timer at forudsige fremtidige ozonniveauer, frem for blot et par sekunder for den nye model. De er også mindre nøjagtige; forskerne rapporterede, at deres model havde korrekt forudsagt ozonniveauer 24 timer i forvejen mellem 85 % og 90 % af tiden.

En vigtig forskel, Choi sagde, er brugen af ​​konvolutionelle neurale netværk, netværk, der er i stand til at "feje" data og bruge dem til at danne antagelser baseret på, hvad de har lært. Konvolutionelle netværk bruges generelt til at forbedre billedopløsning, han sagde. Choi og Sayeed sagde, at det at bruge netværkene til at udtrække information og derefter bruge kunstig intelligens for at lave forudsigelser ud fra disse data er en ny applikation, illustrerer styrken af ​​netværkenes evne til at indsamle information og drage konklusioner baseret på denne information.

Forskerne brugte meteorologiske data og luftforureningsdata indsamlet på 21 stationer i Houston og andre steder i Texas af Texas Commission on Environmental Quality, repræsenterer forhold mellem 2014 og 2017. Sayeed sagde, at de programmerede de foldede neurale netværk ved hjælp af meteorologiske data - temperatur, barometertryk, vindhastighed og andre variabler - for hver dag, og tilføjede ozonmålinger fra hver station for 2014, 2015 og 2016.

For at teste deres tro på, at modellen ville være i stand til at forudsige ozonniveauer givet meteorologiske forhold fra den foregående dag, de tilføjede vejrdata for 2017 og tjekkede de prognoser, netværket producerede, for nøjagtighed.

Modellens prognoser nåede 90% nøjagtighed, og Choi sagde, at det vil blive mere præcist med tiden, som netværket fortsætter med at lære.

Selvom testene blev udført ved hjælp af Texas-data, forskerne sagde, at modellen kunne bruges overalt i verden. "USA er geografisk forskellig fra Østasien, "Choi sagde, "men fysikken og kemien ved ozondannelse er den samme."

Sayeed sagde, at forskerne i øjeblikket arbejder på at udvide modellen til at omfatte forudsigelser af andre typer forurenende stoffer, herunder partikler, samt at forlænge tidsperioden ud over 24 timer.