A perfect dust storm (attribution)

Έχουμε γράψει αρκετές φορές για την επίδραση του ανέμου στην ατμοσφαιρική ρύπανση και για το πώς οι ισχυροί άνεμοι (ή, για να είμαστε πιο ακριβείς, ο ισχυρός αερισμός ) μπορούν να βοηθήσουν στον καθαρισμό του αέρα σε πολύ σύντομο χρονικό διάστημα. Αλλά δεν είχαμε ποτέ την ευκαιρία να δημιουργήσουμε με μια δυναμική απεικόνιση αυτού του φαινομένου, γι' αυτό θα γράψει αυτό το άρθρο.

Όσον αφορά την πρόβλεψη για την ποιότητα του αέρα, το κλειδί για καλύτερη ακρίβεια είναι η βελτίωση του μοντέλου πρόβλεψης και η δημιουργία μιας συγκεκριμένης μοντελοποίησης για κάθε χώρα και, ακόμη καλύτερα, για κάθε πόλη. Για παράδειγμα, στο Πεκίνο, είναι η εγγύτητα των βουνών στο Βορρά και του Hebei στο νότο που ορίζει το μοντέλο:

• Ο νότιος άνεμος τείνει να αυξάνει τη ρύπανση στο Πεκίνο: Εάν ο άνεμος δεν είναι αρκετά δυνατός (δηλαδή δεν αερίζεται αρκετά), τότε τα σωματίδια θα μπλοκαριστούν από τα βουνά και δεν θα μπορούν να μετακινηθούν πιο βόρεια, δημιουργώντας έτσι ένα πυκνό σωματίδιο συγκέντρωση στο Πεκίνο.
• Ο βόρειος άνεμος τείνει να καθαρίζει τη ρύπανση: Όταν ο άνεμος φυσάει επαρκώς από τον Βορρά, ο αέρας καθαρίζεται σχεδόν αμέσως αφού δεν υπάρχει «πηγή ρύπανσης» στο βορρά (ή, τουλάχιστον, πολύ λιγότερο από ό,τι στο νότο).

Αυτό μπορεί να δει κανείς στο παρακάτω animation, στο οποίο οι πηγές ρύπανσης εντοπίζονται αυθαίρετα εκεί που βρίσκονται οι σταθμοί παρακολούθησης στο Hebei. Κάθε πηγή ρύπανσης εκπέμπει ένα σωματίδιο κάθε ώρα. Όσο περισσότερος είναι ο αριθμός των σωματιδίων σε μια ζώνη, τόσο μεγαλύτερη είναι η ρύπανση (το μπλε αντιστοιχεί σε χαμηλή συγκέντρωση, το κόκκινο ~ καφέ σε υψηλές συγκεντρώσεις). Το μοντέλο ανέμου βασίζεται στο Παγκόσμιο Σύστημα Πρόβλεψης (γνωστός και ως GFS).

Αυτό είναι φυσικά ένα πολύ ελαφρύ μοντέλο σε σύγκριση με τα πολύπλοκα μοντέλα που απαιτούν υπερυπολογιστική ισχύ επεξεργασίας για να είναι σε θέση να υπολογίσει την πρόβλεψη για την ποιότητα του αέρα σε ολόκληρο τον κόσμο. Αλλά έχει το πλεονέκτημα να εξηγεί οπτικά τη βασική ιδέα πίσω από την πρόβλεψη της ποιότητας του αέρα.

Για να είμαστε πιο ακριβείς, το μοντέλο θα πρέπει να περιλαμβάνει κατακόρυφο προφίλ ανέμου, καθώς και την πρόβλεψη για πολλά ύψη (στρώσεις) - προς το παρόν, το μοντέλο χρησιμοποιεί μόνο την πρόγνωση στα 10 μέτρα, 100 μέτρα και 5 χιλιόμετρα. Επιπλέον, οι πηγές ρύπανσης θα πρέπει να είναι πιο πλήρεις και να περιλαμβάνουν τις συνολικές παγκόσμιες πηγές - προς το παρόν περιλαμβάνονται μόνο πηγές από το Hebei.

Τέλος, πολλές ερευνητικές εκθέσεις έχουν διερευνήσει συστήματα πρόβλεψης για την ποιότητα του αέρα με βάση τη Μηχανική Μάθηση ή την Τεχνητή Νοημοσύνη . Η ιδέα πίσω από είναι να «μάθουμε» συγκρίνοντας τα παρατηρούμενα δεδομένα με τα προβλεπόμενα δεδομένα και να εντοπίσουμε επαναλαμβανόμενα μοτίβα (όπως φαίνεται στο διάγραμμα στα δεξιά).

Στα χαρτιά, το σύστημα πρόβλεψης που βασίζεται στη Μηχανική Μάθηση φαίνεται καλό, αλλά στην πραγματικότητα, είναι καλύτερα από τα παραδοσιακά ντετερμινιστικά μοντέλα (τα οποία προτιμάμε στο έργο World Air Quality Index ); Αναφερόμενοι στην εξαιρετική ομιλία TED από την Talithia Williams με θέμα «Διακτήστε τα δεδομένα του σώματός σας», η απάντησή μας σε αυτήν την ερώτηση είναι «δείξε μας τα δεδομένα!», και αυτό είναι κάτι για το οποίο θα γράψουμε στο επόμενο άρθρο μας για τις προβλέψεις!