A perfect dust storm (attribution)

Wir haben schon oft über den Einfluss des Windes auf die Luftverschmutzung geschrieben und darüber, wie starker Wind (oder genauer gesagt starke Belüftung ) dazu beitragen kann, die Luft in kürzester Zeit zu reinigen. Aber wir hatten nie die Gelegenheit, eine dynamische Visualisierung dieses Phänomens zu erstellen, deshalb wird es in diesem Artikel darum gehen.

Wenn es um die Vorhersage der Luftqualität geht, liegt der Schlüssel zu einer höheren Genauigkeit darin, das Vorhersagemodell zu verfeinern und eine spezifische Modellierung für jedes Land und, noch besser, für jede Stadt zu erstellen. In Peking beispielsweise ist es die Nähe der Berge im Norden und Hebei im Süden, die das Modell definiert:

• Südwind erhöht tendenziell die Luftverschmutzung in Peking: Wenn der Wind nicht stark genug ist (d. h. nicht ausreichend belüftet ), werden die Partikel von den Bergen blockiert und können sich nicht weiter nach Norden bewegen, wodurch dichte Partikel entstehen Konzentration in Peking.
• Nordwinde neigen dazu, die Verschmutzung zu beseitigen: Wenn der Wind ausreichend aus dem Norden weht, wird die Luft fast sofort gereinigt, da es im Norden keine „Verschmutzungsquelle“ gibt (oder zumindest viel weniger als im Süden).

Dies ist in der Animation unten zu sehen, in der die Verschmutzungsquellen willkürlich dort platziert sind, wo sich die Überwachungsstationen in Hebei befinden. Jede Schadstoffquelle emittiert stündlich ein Partikel. Je mehr Partikel sich in einer Zone befinden, desto höher ist die Belastung (blau entspricht geringer Konzentration, rot ~ braun hoher Konzentration). Das Windmodell basiert auf dem Global Forecast System (auch bekannt als GFS).

Dies ist natürlich ein sehr einfaches Modell im Vergleich zu den komplexen Modellen, die eine Supercomputer-Rechenleistung erfordern, um die Luftqualitätsprognose für die ganze Welt berechnen zu können. Aber es hat den Vorteil, dass das Grundkonzept der Luftqualitätsvorhersage visuell erklärt wird.

Genauer gesagt sollte das Modell das vertikale Windprofil sowie die Vorhersage für mehrere Höhen (Schichten) umfassen – derzeit verwendet das Modell nur die Vorhersage für 10 Meter, 100 Meter und 5 km. Darüber hinaus sollten die Verschmutzungsquellen vollständiger sein und die gesamten weltweiten Quellen umfassen – derzeit sind nur Quellen aus Hebei enthalten.

Schließlich wurden in vielen Forschungsberichten Systeme zur Vorhersage der Luftqualität untersucht, die auf maschinellem Lernen oder künstlicher Intelligenz basieren. Das Konzept dahinter besteht darin, durch den Vergleich der beobachteten Daten mit den prognostizierten Daten zu „lernen“ und sich wiederholende Muster zu identifizieren (wie im Diagramm rechts dargestellt).

Auf dem Papier sehen auf maschinellem Lernen basierende Prognosesysteme gut aus, aber sind sie tatsächlich besser als die traditionellen deterministischen Modelle (die wir beim World Air Quality Index-Projekt bevorzugen)? In Anlehnung an den hervorragenden TED-Vortrag von Talithia Williams zum Thema „Besitzen Sie die Daten Ihres Körpers“ lautet unsere Antwort auf diese Frage: „Zeigen Sie uns die Daten!“ Und darüber werden wir in unserem nächsten Artikel über Prognosen schreiben!