Onderzoekers van de Universiteit van Houston hebben een op kunstmatige intelligentie gebaseerd ozonvoorspellingssysteem ontwikkeld. waardoor lokale gebieden 24 uur van tevoren de ozonniveaus zouden kunnen voorspellen.

Dat zou de gezondheidswaarschuwingen verbeteren voor mensen met een verhoogd risico op het ontwikkelen van problemen vanwege hoge ozonniveaus.

Yunsoo Choi, universitair hoofddocent bij de afdeling Aard- en Atmosferische Wetenschappen en corresponderende auteur voor een paper waarin het werk wordt uitgelegd, zeiden dat ze een kunstmatig intelligent model hebben gebouwd met behulp van een convolutioneel neuraal netwerk, die in staat is om informatie uit de huidige omstandigheden te halen en de ozonniveaus voor de volgende dag nauwkeurig te voorspellen. Het werk is gepubliceerd in het tijdschrift Neurale netwerken .

"Als we de omstandigheden van vandaag kennen, kunnen we de omstandigheden van morgen voorspellen, ' zei Choi.

Ozon is een onstabiel gas, gevormd door een chemische reactie wanneer zonlicht wordt gecombineerd met stikstofoxiden (NOx) en vluchtige organische stoffen, die beide worden aangetroffen in auto- en industriële emissies. Het kan ademhalingsproblemen veroorzaken bij mensen, en degenen die bijzonder vatbaar zijn voor ozon, waaronder mensen met astma, ouderen en jonge kinderen - wordt geadviseerd om hun blootstelling te verminderen wanneer de ozonniveaus hoog zijn.

Alqamah Sayeed, eerste auteur op het papier en een Ph.D. student in Choi's Air Quality Forecasting and Modeling Lab, zei dat de meeste huidige ozonvoorspellingsmodellen geen kunstmatige intelligentie bevatten en dat het enkele uren kan duren om toekomstige ozonniveaus te voorspellen, in plaats van slechts een paar seconden voor het nieuwe model. Ze zijn ook minder nauwkeurig; de onderzoekers rapporteerden dat hun model de ozonniveaus 24 uur van tevoren tussen 85% en 90% van de tijd correct voorspelde.

Een belangrijk verschil, Choi zei, is het gebruik van convolutionele neurale netwerken, netwerken die in staat zijn om gegevens te "vegen" en die te gebruiken om veronderstellingen te vormen op basis van wat het heeft geleerd. De convolutionele netwerken worden over het algemeen gebruikt om de beeldresolutie te verbeteren, hij zei. Choi en Sayeed zeiden dat het gebruik van de netwerken om informatie te extraheren en vervolgens kunstmatige intelligentie te gebruiken om voorspellingen te doen van die gegevens een nieuwe toepassing is. ter illustratie van de kracht van het vermogen van de netwerken om informatie te verzamelen en conclusies te trekken op basis van die informatie.

De onderzoekers gebruikten meteorologische en luchtvervuilingsgegevens die op 21 stations in Houston en elders in Texas zijn verzameld door de Texas Commission on Environmental Quality, die de omstandigheden tussen 2014 en 2017 vertegenwoordigen. Sayeed zei dat ze de convolutionele neurale netwerken programmeerden met behulp van meteorologische gegevens:temperatuur, barometrische druk, windsnelheid en andere variabelen - voor elke dag, en ozonmetingen van elk station toegevoegd voor 2014, 2015 en 2016.

Om hun overtuiging te testen dat het model ozonniveaus zou kunnen voorspellen, gegeven de meteorologische omstandigheden van de vorige dag, ze voegden weergegevens voor 2017 toe en controleerden de voorspellingen die het netwerk produceerde op nauwkeurigheid.

De voorspellingen van het model bereikten een nauwkeurigheid van 90%, en Choi zei dat het in de loop van de tijd nauwkeuriger zal worden, terwijl het netwerk blijft leren.

Hoewel de tests werden gedaan met behulp van Texas-gegevens, de onderzoekers zeiden dat het model overal ter wereld kan worden gebruikt. "De VS is geografisch anders dan Oost-Azië, " zei Choi, "maar de fysica en chemie van de vorming van ozon zijn hetzelfde."

Sayeed zei dat de onderzoekers momenteel werken om het model uit te breiden met voorspellingen van andere soorten verontreinigende stoffen, inclusief fijnstof, evenals om de periode te verlengen tot meer dan 24 uur.