AI w monitorowaniu jakości powietrza
Sztuczna inteligencja wypełnia luki między nielicznymi czujnikami zanieczyszczeń i przekształca surowe dane w mapy i prognozy jakości powietrza blok po bloku.
Przegląd
Pomaga to osobom chorym na astmę zaplanować dzień, a miastom celuje w najbrudniejsze miejsca.
Głębokie nurkowanie
Zanieczyszczenie powietrza zabija miliony ludzi rocznie, ale monitory referencyjne są drogie i rzadkie, przez co większość dzielnic pozostaje niezmierzona. Sztuczna inteligencja pokonuje ten problem, łącząc wiele źródeł danych: tanie sieci czujników, pomiary satelitarne (takie jak TEMPO NASA i Sentinel-5P ESA dla NO2 i aerozoli), pogodę, ruch drogowy i czujniki mobilne. Uczenie maszynowe kalibruje hałaśliwe, tanie czujniki względem stacji referencyjnych, a następnie interpoluje zanieczyszczenia w całym mieście z rozdzielczością uliczną. W ramach projektu Air View Google samochody wyposażone w czujniki mogły tworzyć hiperlokalne mapy substancji zanieczyszczających, takich jak dwutlenek azotu i cząstki stałe. Modele prognozują także jakość powietrza na kilka godzin lub dni do przodu, łącząc bieżące odczyty z pogodą i wzorcami emisji, a także pomagają przypisać zanieczyszczenia do źródeł, odróżniając dym z pożarów od dymów ulicznych lub przemysłowych.
Wgląd techniczny
Podstawowym zadaniem jest kalibracja: niedrogie czujniki PM2,5 i gazu dryfują wraz z wilgotnością i temperaturą, więc modele regresji ML korygują swoje odczyty w stosunku do zaufanych monitorów referencyjnych. W przypadku pokrycia przestrzennego regresja użytkowania gruntów oraz modele graficzne lub geostatystyczne wnioskują o zanieczyszczeniu tam, gdzie nie ma czujnika, przy użyciu predyktorów, takich jak ruch drogowy, wysokość nad poziomem morza i kolumny satelitarne. Prognozowanie warstw modeli pogody na górze, dzięki czemu wiatr i inwersje są uwzględniane w prognozach zanieczyszczeń na następny dzień.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w monitorowaniu jakości powietrza
Satelity geostacjonarne, takie jak TEMPO, dostarczają teraz cogodzinne mapy zanieczyszczeń na całych kontynentach, a sztuczna inteligencja połączy je z rosnącymi rojami tanich czujników, aby zapewnić zasięg na poziomie ulicy w czasie zbliżonym do rzeczywistego. Spodziewaj się spersonalizowanego śledzenia narażenia na telefonach i urządzeniach do noszenia, automatycznego przypisywania źródła oraz ściślejszych powiązań z systemami opieki zdrowotnej i zarządzaniem ruchem. W miarę ulepszania modeli miasta przestaną reagować na zanieczyszczenia na rzecz prognozowania narażenia i zapobiegania mu, szczególnie podczas dymu z pożarów i skoków ozonu spowodowanych ciepłem.
Implementacja w świecie rzeczywistym
Google Projekt Air View sporządził mapę zanieczyszczeń NO2 i cząstek stałych na poziomie ulicy poprzez zamontowanie czujników na samochodach badawczych.
Satelita TEMPO NASA zapewnia cogodzinne mapy zanieczyszczenia powietrza w Ameryce Północnej, połączone z danymi naziemnymi na potrzeby prognoz.
Aplikacje takie jak PurpleAir i IQAir kalibrują niedrogie sieci czujników, aby zapewnić odczyty PM2,5 na poziomie sąsiedztwa podczas pożarów.
Miasta wykorzystują mapy hotspotów AI do określania ograniczeń ruchu, sadzenia drzew lub wyznaczania stref czystego powietrza, w których zanieczyszczenie jest największe.
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
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
Następny poradnik
Sztuczna inteligencja w monitorowaniu ochrony dzikiej przyrody
Często zadawane pytania
Czym jest sztuczna inteligencja w monitorowaniu jakości powietrza?
Sztuczna inteligencja wypełnia luki między nielicznymi czujnikami zanieczyszczeń i przekształca surowe dane w mapy i prognozy jakości powietrza blok po bloku. Pomaga to osobom chorym na astmę zaplanować dzień, a miastom celuje w najbrudniejsze miejsca.
Dlaczego kalibracja AI tanich czujników powietrza jest ważna?
Niedrogie czujniki PM2,5 i gazu są hałaśliwe i dryfują w zależności od pogody, dlatego ML koryguje swoje odczyty w oparciu o zaufane stacje referencyjne.
Co robi sztuczna inteligencja, aby zapewnić szacunki zanieczyszczeń w przypadku braku czujnika?
Modele przestrzenne wnioskują o zanieczyszczeniu niezmierzonych lokalizacji na podstawie czynników predykcyjnych, takich jak ruch drogowy, użytkowanie gruntów, wysokość nad poziomem morza i dane satelitarne.
Który satelita zapewnia godzinowe mapy zanieczyszczenia powietrza w Ameryce Północnej?
TEMPO to instrument geostacjonarny zapewniający cogodzinne pomiary substancji zanieczyszczających, takich jak dwutlenek azotu, nad Ameryką Północną.
W jaki sposób projekt Air View firmy Google stworzył hiperlokalne mapy zanieczyszczeń?
Projekt Air View wyposażył samochody w czujniki do pomiaru substancji zanieczyszczających, takich jak NO2 i PM, z rozdzielczością dla każdej ulicy.
Co dodaje się do prognozy jakości powietrza na następny dzień?
Dane pogodowe umożliwiają modelom uwzględnienie rozproszenia wiatru i inwersji temperatury, które zatrzymują zanieczyszczenia, co poprawia prognozy.