结合人工智能和传统方法可以帮助我们预测空气质量

本文转载自The Conversation。

加拿大的野火烟雾 极端的火灾季节让很多人思考空气质量，想知道未来几天会发生什么。

所有空气都含有气体化合物和小颗粒。但是随着空气质量的恶化，这些气体和颗粒会引发哮喘，加剧心脏和呼吸系统问题，因为它们会进入鼻子、喉咙和肺部，甚至在血液中循环。2023年6月初，当野火烟雾使纽约市的天空变成橙色时，哮喘急诊室就诊人数翻了一番。

在大多数城市，很容易找到每日空气质量指数分数，告诉你什么时候空气被认为是不健康甚至有害的。然而，预测未来几天的空气质量并不那么简单。

我作为土木和环境工程教授从事空气质量预测工作。人工智能改进了这些预测，但研究表明，与传统技术相结合时，它更有用。原因如下：

科学家如何预测空气质量

为了预测近期的空气质量——提前几天或更长时间——科学家通常依赖两种主要方法：化学迁移模型或机器学习模型。这两种模型以完全不同的方式产生结果。

化学迁移模型使用许多已知的化学和物理公式来计算空气污染物的存在和产生。它们使用当地机构报告的排放清单数据，列出来自已知来源的污染物，如野火、交通或工厂，以及提供大气信息的气象学数据，如风、降水、温度和太阳辐射。

这些模型模拟空气污染物的流动和化学反应。然而，他们的模拟涉及具有巨大不确定性的多个变量。例如，云量会改变入射的太阳辐射，从而改变光化学。这会使结果不太准确。

相反，机器学习模型会随着时间的推移从历史数据中学习模式，以预测任何给定地区的未来空气质量，然后将该知识应用于当前条件以预测未来。

机器学习模型的缺点是，它们不像化学传输模型那样考虑任何化学和物理机制。此外，如果模型没有在热浪或野火事件等极端条件下进行训练，机器学习预测的准确性可能会降低。因此，虽然机器学习模型可以显示高污染水平最有可能发生在哪里和什么时候，比如高速公路附近的高峰时间，但它们通常不能处理更随机的事件，比如从加拿大吹来的野火烟雾。

那么哪一个更好呢？

科学家们已经确定，这两个模型本身都不够准确，但是结合使用这两个模型的最佳属性可以帮助更好地预测我们呼吸的空气质量。

这种被称为机器学习-测量模型融合或ML-MMF的组合方法能够以90%以上的准确率提供基于科学的预测。它基于已知的物理和化学机制，可以模拟从空气污染源到鼻子的整个过程。添加卫星数据可以帮助他们更准确地向公众通报空气质量安全水平和污染物的传播方向。

我们最近将所有三种模型的预测与实际污染测量进行了比较。结果令人震惊：组合模型比化学迁移模型准确66%，比单独的机器学习模型准确12%。

化学输运模型仍然是当今预测空气质量最常用的方法，但机器学习模型的应用正变得越来越流行。美国环境保护署AirNow.gov使用的常规预测方法依赖于机器学习。该网站还汇编了州和地方机构的空气质量预测结果，其中大部分使用化学输运模型。

随着信息源变得更加可靠，组合模型将成为预测有害空气质量的更准确方法，特别是在野火烟雾等不可预测事件期间。

乔舒亚·傅是田纳西大学工程、气候变化和土木与环境工程的校长教授。傅获得了美国环保局对野火和人类健康研究的资助。

这篇文章是在知识共享许可下从对话中重新发布的。 阅读原文。