Luchtverontreiniging door de verbranding van fossiele brandstoffen heeft gevolgen voor de menselijke gezondheid, maar het blijft een uitdaging om de vervuilingsniveaus op een bepaalde tijd en plaats te voorspellen, volgens een team van wetenschappers die zich tot deep learning wenden om de schattingen van de luchtkwaliteit te verbeteren. De resultaten van de studie van het team kunnen nuttig zijn voor modelbouwers die onderzoeken hoe economische factoren zoals industriële productiviteit en gezondheidsfactoren zoals ziekenhuisopnames veranderen met de vervuilingsniveaus.

"Luchtkwaliteit is een van de grootste problemen in een stedelijk gebied die het leven van mensen beïnvloedt, " zei Manzhu Yu, assistent-professor geografie aan Penn State. "Toch zijn bestaande waarnemingen niet voldoende om uitgebreide informatie te verstrekken die kwetsbare bevolkingsgroepen kan helpen vooruit te plannen."

Satelliet- en grondobservaties meten elk luchtvervuiling, maar ze zijn beperkt zeiden de wetenschappers. Satellieten, bijvoorbeeld, kunnen een bepaalde locatie elke dag op hetzelfde tijdstip passeren en missen hoe emissies op verschillende uren variëren. Weerstations op de grond verzamelen continu gegevens, maar alleen op een beperkt aantal locaties.

Dit behandelen, de wetenschappers gebruikten deep learning, een soort machine learning, om de relatie tussen satelliet- en grondobservaties van stikstofdioxide in het grotere gebied van Los Angeles te analyseren. Stikstofdioxide wordt grotendeels in verband gebracht met emissies van verkeer en elektriciteitscentrales, zeiden de wetenschappers.

"Het probleem op dit moment is dat stikstofdioxide veel varieert gedurende de dag, " zei Yu. "Maar we hebben nog geen uur gehad, product op voorstedelijke schaal beschikbaar om luchtvervuiling te volgen. Door oppervlakte- en satellietwaarnemingen te vergelijken, we kunnen zelfs schattingen maken met een hogere ruimtelijke en temporele resolutie."

De geleerde relatie stelde de onderzoekers in staat om dagelijkse satellietwaarnemingen te doen en schattingen per uur te maken van atmosferische stikstofdioxide in roosters van ongeveer 3 mijl, zeiden de wetenschappers. Ze rapporteerden onlangs hun bevindingen in het tijdschrift Wetenschap van de totale omgeving .

"De uitdaging hier is of we een verband kunnen vinden tussen metingen vanaf het aardoppervlak en satellietwaarnemingen van de troposfeer, die eigenlijk ver van elkaar verwijderd zijn. Dat is waar diep leren om de hoek komt kijken."

Deep learning-algoritmen werken net als het menselijk brein en bevatten meerdere lagen kunstmatige neuronen voor het verwerken van gegevens en het creëren van patronen. Het systeem leert en traint zichzelf op basis van verbindingen die het vindt in grote hoeveelheden data, zeiden de wetenschappers.

De wetenschappers testten twee dieplerende algoritmen en vonden degene die de waarnemingen op de grond rechtstreeks vergeleek met de satellietwaarnemingen die de stikstofdioxideniveaus nauwkeuriger voorspelden. Informatie toevoegen zoals meteorologische gegevens, hoogte en de locaties van de grondstations en hoofdwegen en energiecentrales verbeterden de voorspellingsnauwkeurigheid verder.

Yu zei dat het onderzoek kan worden herhaald voor andere broeikasgassen en toegepast kan worden op verschillende steden of op regionale en continentale schaal. zeiden de wetenschappers. In aanvulling, het model zou kunnen worden bijgewerkt wanneer nieuw, satellieten met een hogere resolutie worden gelanceerd.

"Met een hoge spatiotemporele resolutie, onze resultaten zullen de studie tussen luchtkwaliteit en gezondheidskwesties vergemakkelijken en het begrip van de dynamische evolutie van verontreinigende stoffen in de lucht verbeteren, ' zei Yu.