A perfect dust storm (attribution)

Hemos escrito bastantes veces sobre la influencia del viento en la contaminación del aire y cómo los vientos fuertes (o, para ser más precisos, una ventilación fuerte) pueden ayudar a limpiar el aire en muy poco tiempo. Pero nunca tuvimos la oportunidad de crear una visualización dinámica de este fenómeno, así que de esto se escribirá este artículo.

Cuando se trata de previsión de la calidad del aire, la clave para una mayor precisión es perfeccionar el modelo de previsión y crear una modelización específica para cada país y, mejor aún, para cada ciudad. Por ejemplo, en Beijing, es la proximidad de las montañas en el norte y Hebei en el sur lo que define el modelo:

• Los vientos del sur tienden a aumentar la contaminación en Beijing: si el viento no es lo suficientemente fuerte (es decir, no ventila lo suficiente), las partículas quedarán bloqueadas por las montañas y no podrán moverse más hacia el norte, creando así una partícula densa. concentración en Pekín.
• El viento del norte tiende a limpiar la contaminación: cuando el viento sopla lo suficiente desde el norte, el aire se limpia casi de inmediato ya que no hay ninguna "fuente de contaminación" en el norte (o, al menos, mucho menos que en el sur).

Esto es lo que se puede ver en la siguiente animación, en la que las fuentes de contaminación están ubicadas arbitrariamente donde están ubicadas las estaciones de monitoreo en Hebei. Cada fuente de contaminación emite una partícula cada hora. Cuanto mayor sea el número de partículas en una zona, mayor será la contaminación (el azul corresponde a concentraciones bajas, el rojo ~ marrón a concentraciones altas). El modelo de viento se basa en el Sistema de Pronóstico Global (también conocido como GFS).

Por supuesto, se trata de un modelo muy ligero en comparación con los modelos complejos que requieren potencia de procesamiento de supercomputadoras para poder calcular el pronóstico de la calidad del aire en todo el mundo. Pero tiene la ventaja de explicar visualmente el concepto básico detrás del pronóstico de la calidad del aire.

Para ser más precisos, el modelo debería incluir el perfil vertical del viento, así como el pronóstico para varias alturas (capas); actualmente, el modelo solo utiliza el pronóstico a 10 metros, 100 metros y 5 km. Además, las fuentes de contaminación deberían ser más completas e incluir las fuentes mundiales en general; actualmente, sólo se incluyen las fuentes de Hebei.

Por último, muchos informes de investigación han investigado los sistemas de pronóstico de la calidad del aire basados en el aprendizaje automático o la inteligencia artificial . El concepto detrás es "aprender" comparando los datos observados con los datos pronosticados e identificar patrones repetitivos (como se muestra en el diagrama de la derecha).

Sobre el papel, los sistemas de pronóstico basados en Machine Learning parecen buenos, pero en realidad, ¿son mejores que los modelos deterministas tradicionales (que preferimos en el proyecto del Índice Mundial de Calidad del Aire )? En referencia a la excelente charla TED de Talithia Williams sobre 'Sea dueño de los datos de su cuerpo', nuestra respuesta a esta pregunta es "¡muéstrenos los datos!", ¡y eso es algo sobre lo que escribiremos en nuestro próximo artículo sobre pronósticos!