Forskere henvender sig til dyb læring for at forbedre luftkvalitetsprognoserne

Luftforurening fra afbrænding af fossile brændstoffer påvirker menneskers sundhed, men at forudsige forureningsniveauer på et givet tidspunkt og sted er stadig udfordrende, ifølge et team af videnskabsmænd, der henvender sig til dyb læring for at forbedre skøn over luftkvaliteten. Resultaterne af holdets undersøgelse kan være nyttige for modelbyggere, der undersøger, hvordan økonomiske faktorer som industriel produktivitet og sundhedsfaktorer som hospitalsindlæggelser ændrer sig med forureningsniveauet.

"Luftkvalitet er et af de store problemer i et byområde, der påvirker menneskers liv, " sagde Manzhu Yu, assisterende professor i geografi ved Penn State. "Alligevel er eksisterende observationer ikke tilstrækkelige til at give omfattende information, der kan hjælpe sårbare befolkningsgrupper med at planlægge fremad."

Satellit- og jordbaserede observationer måler hver især luftforurening, men de er begrænsede, sagde forskerne. satellitter, for eksempel, kan passere et givet sted på samme tidspunkt hver dag og gå glip af, hvordan emissionerne varierer på forskellige tidspunkter. Jordbaserede vejrstationer indsamler løbende data, men kun på et begrænset antal steder.

For at løse dette, forskerne brugte deep learning, en form for maskinlæring, at analysere forholdet mellem satellit- og jordbaserede observationer af nitrogendioxid i Los Angeles-området. Kvælstofdioxid er i høj grad forbundet med emissioner fra trafik og kraftværker, sagde forskerne.

"Problemet lige nu er, at nitrogendioxid varierer meget i løbet af dagen, " sagde Yu. "Men vi har ikke haft en time, produkt i sub-urban skala tilgængeligt til at spore luftforurening. Ved at sammenligne overfladeniveau og satellitobservationer, vi kan faktisk producere estimater med højere rumlig og tidsmæssig opløsning."

Det lærde forhold gjorde det muligt for forskerne at tage daglige satellitobservationer og skabe timelige estimater af atmosfærisk nitrogendioxid i omtrent 3-mile gitter, sagde forskerne. De rapporterede for nylig deres resultater i tidsskriftet Videnskab om det samlede miljø .

"Udfordringen her er, om vi kan finde en sammenhæng mellem målinger fra jordens overflade og satellitobservationer af troposfæren, som faktisk er langt væk fra hinanden. Det er her, dyb læring kommer ind."

Deep learning-algoritmer fungerer meget som den menneskelige hjerne og har flere lag af kunstige neuroner til at behandle data og skabe mønstre. Systemet lærer og træner sig selv baseret på forbindelser, det finder inden for store mængder data, sagde forskerne.

Forskerne testede to dyb-læringsalgoritmer og fandt den, der sammenlignede de jordbaserede observationer direkte med satellitobservationerne, der mere præcist forudsagde nitrogendioxidniveauer. Tilføjelse af information såsom meteorologiske data, højde og placeringen af ​​de jordbaserede stationer og større veje og kraftværker forbedrede forudsigelsesnøjagtigheden yderligere.

Yu sagde, at undersøgelsen kunne gentages for andre drivhusgasser og anvendes til forskellige byer eller på regional og kontinental skala, sagde forskerne. Ud over, modellen kunne opdateres, når den er ny, satellitter med højere opløsning opsendes.

"Med en høj spatiotemporal opløsning, vores resultater vil lette undersøgelsen mellem luftkvalitet og sundhedsspørgsmål og forbedre forståelsen af ​​den dynamiske udvikling af luftbårne forurenende stoffer, " sagde Yu.