AI a levegőminőség-figyelésben
A mesterséges intelligencia kitölti a réseket a ritka szennyezésérzékelők között, és a nyers adatokat blokkonkénti levegőminőségi térképekké és előrejelzésekké alakítja.
Áttekintés
Ez segít az asztmás embereknek megtervezni a napjukat, és a városok a legkoszosabb hotspotokat célozzák meg.
Mély merülés
A légszennyezés évente milliók halálát okozza, de a referenciamonitorok drágák és ritkák, így a legtöbb városrész nem mérhető. A mesterséges intelligencia ezt számos adatforrás egyesítésével hidalja át: olcsó szenzorhálózatok, műholdas mérések (például a NASA TEMPO és az ESA Sentinel-5P NO2-hez és aeroszolokhoz), időjárás-, forgalom- és mobilérzékelők. A gépi tanulás a zajos, olcsó érzékelőket referenciaállomásokhoz viszonyítva kalibrálja, majd utcafelbontással interpolálja a szennyezést a városban. A Google Project Air View érzékelőkkel felszerelt autókat vezetett, hogy hiperlokális térképeket készítsenek a szennyező anyagokról, például a nitrogén-dioxidról és a részecskékről. A modellek a levegőminőséget órákról napokra előre jelezhetik azáltal, hogy az aktuális értékeket kombinálják az időjárási és emissziós mintákkal, és segítenek a szennyezést a forrásoknak tulajdonítani, megkülönböztetve az erdőtüzek füstjét a forgalomtól vagy az ipari füsttől.
Technikai betekintés
Az alapvető feladat a kalibrálás: az alacsony költségű PM2.5 és gázérzékelők sodródnak a páratartalom és a hőmérséklet hatására, így az ML regressziós modellek a megbízható referenciamonitorokhoz képest korrigálják leolvasásaikat. Térbeli lefedettség esetén a területhasználati regressziós és grafikonos vagy geostatisztikai modellek olyan előrejelzők segítségével, mint a forgalom, a magasság és a műholdas oszlopok, következtetnek a szennyezésre ott, ahol nincs érzékelő. Az előrejelzés a tetejére helyezi az időjárási modelleket, így a szél és az inverzió figyelembe veszi a következő napi szennyezési előrejelzéseket.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
A mesterséges intelligencia jövője a levegőminőség-felügyeletben
A geostacionárius műholdak, mint például a TEMPO, már óránkénti szennyezési térképeket készítenek egész kontinensekre, és a mesterséges intelligencia növekvő, olcsó szenzorrajokkal egyesíti őket, hogy szinte valós idejű, utcai lefedettséget biztosítsanak mindenhol. Személyre szabott expozíciókövetésre számíthat telefonokon és hordható eszközökön, automatikus forrás-hozzárendelésre, valamint szorosabb kapcsolatokra az egészségügyi rendszerekkel és a forgalomkezeléssel. Ahogy a modellek javulnak, a városok a szennyezésre való reagálásról az expozíció előrejelzésére és megelőzésére fognak áttérni, különösen a futótüzek füstjei és a hő okozta ózonkiugrások idején.
Valós megvalósítás
Google A Project Air View feltérképezte az utcaszintű NO2- és részecskeszennyezést úgy, hogy érzékelőket szerelt fel a vizsgáló autókra.
A NASA TEMPO műholdja óránkénti levegőszennyezési térképeket biztosít Észak-Amerika felett, földi adatokkal egyesítve az előrejelzésekhez.
Az olyan alkalmazások, mint a PurpleAir és az IQAir, kalibrálják az olcsó szenzorhálózatokat, hogy környezeti szintű PM2.5-leolvasást adnak az erdőtüzek során.
A városok mesterséges intelligencia-hotspot térképeket használnak a forgalomkorlátozások céljára, fák ültetésére vagy olyan tiszta levegő zónákra, ahol a legrosszabb a szennyezés.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Air Quality Monitoring quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Következő útmutató
AI a Wildlife Conservation Monitoringban
Gyakran ismételt kérdések
Mi az AI a légminőség-monitorozásban?
A mesterséges intelligencia kitölti a réseket a ritka szennyezésérzékelők között, és a nyers adatokat blokkonkénti levegőminőségi térképekké és előrejelzésekké alakítja. Ez segít az asztmás embereknek megtervezni a napjukat, és a városok megcélozzák a legszennyezettebb gócpontokat.
Miért fontos az alacsony költségű levegőérzékelők mesterséges intelligencia kalibrálása?
Az alacsony költségű PM2.5 és gázérzékelők zajosak és sodródnak az időjárástól, így az ML a megbízható referenciaállomásokhoz viszonyítva korrigálja leolvasásaikat.
Mit tesz a mesterséges intelligencia, hogy becsléseket adjon a környezetszennyezésről ott, ahol nincs érzékelő?
A térbeli modellek a nem mért helyeken tapasztalható szennyezésre következtetnek olyan előrejelzőkből, mint a forgalom, a földhasználat, a magasság és a műholdas adatok.
Melyik műhold nyújt óránkénti légszennyezettségi térképeket Észak-Amerika felett?
A TEMPO egy geostacionárius műszer, amely óránként méri a szennyező anyagokat, például a nitrogén-dioxidot Észak-Amerika felett.
Hogyan készített Google Project Air View programja hiperlokális szennyezési térképeket?
A Project Air View szenzorokkal felszerelt autók utcánkénti felbontásban mérik az olyan szennyező anyagokat, mint az NO2 és a PM.
Mit adnak hozzá a következő napi levegőminőség előrejelzéséhez?
Az időjárási adatok lehetővé teszik, hogy a modellek figyelembe vegyék a szél terjedését és a hőmérsékleti inverziókat, amelyek visszafogják a szennyezést, javítva az előrejelzéseket.