Ozonniveaus in de troposfeer van de aarde (het laagste niveau van onze atmosfeer) kunnen nu tot twee weken van tevoren nauwkeurig worden voorspeld, een opmerkelijke verbetering ten opzichte van de huidige systemen die de ozonniveaus slechts drie dagen vooruit nauwkeurig kunnen voorspellen. Het nieuwe kunstmatige-intelligentiesysteem dat is ontwikkeld in het Air Quality Forecasting and Modeling Lab van de University of Houston, zou kunnen leiden tot verbeterde manieren om problemen met hoge ozon te beheersen en zelfs bijdragen aan oplossingen voor problemen met klimaatverandering.

"Dit was een hele uitdaging. Niemand had dit eerder gedaan. Ik geloof dat we de eersten zijn die twee weken van tevoren proberen de ozonniveaus aan het oppervlak te voorspellen, " zei Yunsoo Choi, hoogleraar atmosferische chemie en AI deep learning aan UH's College of Natural Sciences and Mathematics. De bevindingen worden online gepubliceerd in het wetenschappelijke tijdschrift, Wetenschappelijke rapporten .

Ozon, een kleurloos gas, is behulpzaam op de juiste plaats en hoeveelheid. Als onderdeel van de stratosfeer van de aarde ("de ozonlaag"), het beschermt door de UV-straling van de zon weg te filteren. Maar als er hoge concentraties ozon zijn in de buurt van het aardoppervlak, het is giftig voor longen en harten.

"Ozon is een secundaire vervuiler, en het kan mensen op een slechte manier beïnvloeden, " verklaarde promovendus Alqamah Sayeed, een onderzoeker in Choi's lab en de eerste auteur van het onderzoekspaper. Blootstelling kan leiden tot irritatie van de keel, moeite met ademhalen, astma, zelfs ademhalingsschade. Sommige mensen zijn bijzonder vatbaar, inclusief de allerjongsten, ouderen en chronisch zieken.

Ozonniveaus zijn een frequent onderdeel geworden van dagelijkse weerberichten. Maar in tegenstelling tot weersvoorspellingen, die tot 14 dagen van tevoren redelijk nauwkeurig kan zijn, ozonniveaus zijn slechts twee of drie dagen van tevoren voorspeld - tot deze doorbraak.

De enorme verbetering in prognoses is slechts een deel van het verhaal van dit nieuwe onderzoek. De andere is hoe het team het voor elkaar heeft gekregen. Conventionele prognoses maken gebruik van een numeriek model, wat betekent dat het onderzoek is gebaseerd op vergelijkingen voor de beweging van gassen en vloeistoffen in de atmosfeer.

De beperkingen waren duidelijk voor Choi en zijn team. Het numerieke proces is traag, resultaten duur maken om te verkrijgen, en nauwkeurigheid is beperkt. "De nauwkeurigheid van het numerieke model begint na de eerste drie dagen af ​​te nemen, ' zei Choi.

Het onderzoeksteam gebruikte een unieke verliesfunctie bij het ontwikkelen van het machine learning-algoritme. Een verliesfunctie helpt bij de optimalisatie van het AI-model door beslissingen toe te wijzen aan de bijbehorende kosten. In dit project, onderzoekers gebruikten index van overeenstemming, bekend als IOA, als de verliesfunctie voor het AI-model ten opzichte van conventionele verliesfuncties. IOA is een wiskundige vergelijking van de hiaten tussen wat wordt verwacht en hoe dingen daadwerkelijk blijken te zijn.

Met andere woorden, teamleden voegden historische ozongegevens toe aan de proeven terwijl ze de reacties van het programma geleidelijk verfijnden. De combinatie van het numerieke model en de IOA als de verliesfunctie stelde het AI-algoritme uiteindelijk in staat om de resultaten van echte ozonomstandigheden nauwkeurig te voorspellen door te herkennen wat er eerder in vergelijkbare situaties is gebeurd. Het lijkt veel op hoe het menselijk geheugen is opgebouwd.

"Denk aan een jongen die een kop hete thee op tafel ziet staan ​​en die uit nieuwsgierigheid probeert aan te raken. Op het moment dat het kind de kop aanraakt, hij realiseert zich dat het heet is en niet rechtstreeks mag worden aangeraakt. Door die ervaring, het kind heeft zijn geest getraind, " zei Sayeed. "In een heel basale zin, het is hetzelfde met AI. Je geeft input, de computer geeft je output. Na vele herhalingen en correcties, het proces wordt in de loop van de tijd verfijnd, en het AI-programma gaat 'weten' hoe te reageren op eerder gepresenteerde omstandigheden. Op basisniveau, kunstmatige intelligentie ontwikkelt zich op dezelfde manier als het kind leerde om niet zo'n haast te hebben om de volgende kop hete thee te pakken."

In het labortorium, het team gebruikte vier tot vijf jaar aan ozongegevens in wat Sayeed beschreef als "een evoluerend proces" om het AI-systeem te leren ozoncondities te herkennen en de voorspellingen te schatten, na verloop van tijd beter worden.

"Deep learning toepassen op luchtkwaliteit en weersvoorspellingen is als zoeken naar de heilige graal, net als in de films, " zei Choi, die een grote fan is van actieplots. "In het labortorium, we hebben een paar jaar moeilijke tijden doorgemaakt. Er is een proces. Eindelijk, we hebben de heilige graal gegrepen. Dit systeem werkt. Het AI-model 'begrijpt' hoe te voorspellen. Ondanks het jarenlange werk, het voelt op de een of andere manier nog steeds als een verrassing voor mij, zelfs vandaag."

Voordat succes in het laboratorium kan leiden tot echte service, er zijn veel commerciële stappen in het verschiet voordat de wereld kan profiteren van de ontdekking.

"Als je de toekomst kent - luchtkwaliteit in dit geval - kun je veel dingen voor de gemeenschap doen. Dit kan van cruciaal belang zijn voor deze planeet. Wie weet? Misschien kunnen we erachter komen hoe we het probleem van de klimaatverandering kunnen oplossen. toekomst kan verder gaan dan weersvoorspellingen en ozonvoorspellingen. Dit kan helpen om de planeet veiliger te maken, ' zei Choi.

Klinkt als een happy end voor elk goed actieverhaal.