A perfect dust storm (attribution)

Am scris de câteva ori despre influența vântului asupra poluării aerului și despre cum vânturile puternice (sau, mai precis, ventilația puternică) pot ajuta la curățarea aerului într-un timp foarte scurt. Dar nu am avut niciodată ocazia să creăm pe o vizualizare dinamică a acestui fenomen, așa că despre asta vom scrie acest articol.

Când vine vorba de prognoza calității aerului, cheia pentru o mai bună acuratețe este rafinarea modelului de prognoză și crearea unei modelări specifice pentru fiecare țară și, chiar mai bine, pentru fiecare oraș. De exemplu, în Beijing, proximitatea munților din nord și Hebei din sud este cea care definește modelul:

• Vântul de sud tinde să crească poluarea în Beijing: dacă vântul nu este suficient de puternic (adică nu este suficient de ventilat ), atunci particulele vor fi blocate de munți și nu se vor putea deplasa mai departe spre nord, creând astfel o particule densă. concentrare la Beijing.
• Vântul de nord are tendința de a curăța poluarea: când vântul suflă suficient din nord, aerul este aproape imediat curățat, deoarece nu există nicio „sursă de poluare” în nord (sau, cel puțin, mult mai puțin decât în sud).

Așa se vede în animația de mai jos, în care sursele de poluare sunt localizate în mod arbitrar acolo unde se află stațiile de monitorizare din hebei. Fiecare sursă de poluare emite o particulă la fiecare oră. Cu cât este mai mare numărul de particule într-o zonă, cu atât este mai mare poluarea (albastrul corespunde unei concentrații scăzute, roșu ~ maro la concentrații mari). Modelul eolian se bazează pe Global Forecast System (GFS).

Acesta este, desigur, un model foarte ușor în comparație cu modelele complexe care necesită o putere de procesare super computer pentru a putea calcula prognoza privind calitatea aerului în întreaga lume. Dar are avantajul de a explica vizual conceptul de bază din spatele prognozei calității aerului.

Pentru a fi mai precis, modelul ar trebui să includă profilul vântului vertical, precum și prognoza pentru mai multe înălțimi (straturi) - în prezent, modelul utilizează doar prognoza la 10 metri, 100 de metri și 5 km. Mai mult, sursele de poluare ar trebui să fie mai complete și să includă sursele globale globale - în prezent, sunt incluse doar sursele din Hebei.

În sfârșit, multe rapoarte de cercetare au investigat sistemele de prognoză a calității aerului bazate pe învățarea automată sau pe inteligența artificială . Conceptul din spate este de a „învăța” comparând datele observate cu datele prognozate și de a identifica modele repetitive (așa cum se arată în diagrama din dreapta).

Pe hârtie, sistemul de prognoză bazat pe Machine Learning arată bine, dar, de fapt, sunt ele mai bune decât modelele deterministe tradiționale (pe care le preferăm la proiectul World Air Quality Index )? Referindu-ne la excelentul discurs TED de la Talithia Williams despre „Deține datele corpului tău”, răspunsul nostru la această întrebare este „arată-ne datele!” și despre asta vom scrie în următorul nostru articol despre prognoză!