A perfect dust storm (attribution)

Já escrevemos algumas vezes sobre a influência do vento na poluição do ar e como os ventos fortes (ou, para ser mais preciso, a ventilação forte) podem ajudar a limpar o ar em muito pouco tempo. Mas nunca tivemos a oportunidade de criar uma visualização dinâmica desse fenômeno, então é sobre isso que escreveremos neste artigo.

Quando se trata de previsão da Qualidade do Ar, a chave para uma maior precisão é refinar o modelo de previsão e criar uma modelização específica para cada país e, melhor ainda, para cada cidade. Por exemplo, em Pequim, é a proximidade das montanhas no Norte e de Hebei no Sul que define o modelo:

• O vento sul tende a aumentar a poluição em Pequim: Se o vento não for forte o suficiente (ou seja, não ventilar o suficiente), as partículas ficarão bloqueadas pelas montanhas e não serão capazes de se mover mais para o norte, criando assim uma partícula densa concentração em Pequim.
• O vento Norte tende a limpar a poluição: Quando o vento sopra suficientemente do Norte, o ar é limpo quase imediatamente, uma vez que não existe nenhuma “fonte de poluição” no Norte (ou, pelo menos, muito menos do que no Sul).

É o que se pode observar na animação abaixo, em que as fontes de poluição estão localizadas arbitrariamente onde estão localizadas as estações de monitoramento em Hebei. Cada fonte de poluição emite uma partícula a cada hora. Quanto maior for o número de partículas numa zona, maior será a poluição (azul corresponde a baixa concentração, vermelho ~ castanho a concentrações elevadas). O modelo de vento é baseado no Global Forecast System (também conhecido como GFS).

É claro que este é um modelo muito leve em comparação com os modelos complexos que requerem um super poder de processamento de computador para serem capazes de calcular a previsão da qualidade do ar em todo o mundo. Mas tem a vantagem de explicar visualmente o conceito básico por trás da previsão da qualidade do ar.

Para ser mais preciso, o modelo deverá incluir o perfil vertical do vento, bem como a previsão para diversas alturas (camadas) - atualmente, o modelo utiliza apenas a previsão em 10 metros, 100 metros e 5KM. Além disso, as fontes de poluição deveriam ser mais completas e incluir as fontes globais globais - actualmente, apenas as fontes de Hebei estão incluídas.

Por último, muitos relatórios de pesquisa investigaram sistemas de previsão da qualidade do ar baseados em aprendizado de máquina ou inteligência artificial . O conceito por trás é “aprender” comparando os dados observados com os dados previstos e identificando padrões repetitivos (conforme mostrado no diagrama à direita).

No papel, o sistema de previsão baseado em aprendizado de máquina parece bom, mas na verdade, eles são melhores do que os modelos determinísticos tradicionais (que preferimos no projeto do Índice Mundial de Qualidade do Ar )? Referindo-nos à excelente palestra TED de Talithia Williams sobre 'Controle os dados do seu corpo', nossa resposta a esta pergunta é "mostre-nos os dados!", e isso é algo sobre o qual escreveremos em nosso próximo artigo sobre previsão!