A perfect dust storm (attribution)

We hebben al heel wat keren geschreven over de invloed van wind op luchtvervuiling, en hoe harde wind (of preciezer gezegd: sterke ventilatie ) kan helpen om de lucht in zeer korte tijd te zuiveren. Maar we hebben nooit de kans gehad om een dynamische visualisatie van dit fenomeen te maken, dus dit is waar dit artikel over zal schrijven.

Als het gaat om het voorspellen van de luchtkwaliteit, is de sleutel tot een betere nauwkeurigheid het verfijnen van het voorspellingsmodel, en het creëren van een specifieke modelisatie voor elk land, en, nog beter, voor elke stad. In Beijing is het bijvoorbeeld de nabijheid van de bergen in het noorden en Hebei in het zuiden die het model definieert:

• Zuidenwind heeft de neiging de vervuiling in Beijing te vergroten: als de wind niet sterk genoeg is (dat wil zeggen niet voldoende ventileert ), worden de deeltjes geblokkeerd door de bergen en kunnen ze niet verder naar het noorden bewegen, waardoor een dichte deeltjesgrootte ontstaat. concentratie in Peking.
• Noordenwind heeft de neiging de vervuiling op te ruimen: Wanneer de wind voldoende uit het noorden waait, wordt de lucht vrijwel onmiddellijk gezuiverd, aangezien er in het noorden geen "vervuilingsbron" is (of in ieder geval veel minder dan in het zuiden).

Dit is wat je kunt zien in de onderstaande animatie, waarin de bronnen van vervuiling willekeurig worden gelokaliseerd op de plek waar de meetstations zich in Hebei bevinden. Elke vervuilingsbron stoot elk uur één deeltje uit. Hoe meer deeltjes in een zone, hoe hoger de vervuiling (blauw komt overeen met lage concentratie, rood ~ bruin met hoge concentraties). Het windmodel is gebaseerd op het Global Forecast System (ook bekend als GFS).

Dit is natuurlijk een heel licht model vergeleken met de complexe modellen die supercomputerverwerkingskracht vereisen om de luchtkwaliteitsvoorspelling voor de hele wereld te kunnen berekenen. Maar het heeft het voordeel dat het het basisconcept achter de voorspelling van de luchtkwaliteit visueel uitlegt.

Om preciezer te zijn: het model zou een verticaal windprofiel moeten bevatten, evenals de voorspelling voor verschillende hoogtes (lagen) - momenteel gebruikt het model alleen de voorspelling op 10 meter, 100 meter en 5 km. Bovendien zouden de bronnen van vervuiling completer moeten zijn en alle bronnen van de wereld moeten omvatten - momenteel zijn alleen bronnen uit Hebei opgenomen.

Ten slotte hebben veel onderzoeksrapporten onderzoek gedaan naar op machine learning of kunstmatige intelligentie gebaseerde voorspellingssystemen voor de luchtkwaliteit. Het concept hierachter is om te "leren" door de waargenomen gegevens te vergelijken met de voorspelde gegevens en repetitieve patronen te identificeren (zoals weergegeven in het diagram aan de rechterkant).

Op papier ziet het op Machine Learning gebaseerde voorspellingssysteem er goed uit, maar zijn ze in werkelijkheid beter dan de traditionele deterministische modellen (waar we de voorkeur aan geven bij het World Air Quality Index-project )? Verwijzend naar de uitstekende TED-talk van Talithia Williams over 'Own your body's data', is ons antwoord op deze vraag: "laat ons de gegevens zien!", en dat is iets waar we over zullen schrijven in ons volgende artikel over voorspellingen!