Hava Kalitesi İzlemede Yapay Zeka
Yapay zeka, seyrek kirlilik sensörleri arasındaki boşlukları dolduruyor ve ham verileri blok blok hava kalitesi haritalarına ve tahminlerine dönüştürüyor.
Genel Bakış
That helps people with asthma plan their day and cities target the dirtiest hotspots.
Derin Dalış
Hava kirliliği her yıl milyonlarca kişinin ölümüne neden oluyor, ancak referans monitörler pahalı ve seyrek olduğundan çoğu mahallede ölçüm yapılmıyor. Yapay zeka birçok veri kaynağını birleştirerek bu köprüyü kuruyor: düşük maliyetli sensör ağları, uydu ölçümleri (NASA'nın TEMPO'su ve ESA'nın NO2 ve aerosoller için Sentinel-5P'si gibi), hava durumu, trafik ve mobil sensörler. Makine öğrenimi, gürültülü ucuz sensörleri referans istasyonlarına göre kalibre ediyor, ardından şehirdeki kirliliği sokak çözünürlüğünde enterpolasyona tabi tutuyor. Google'in Project Air View'u, nitrojen dioksit ve partikül madde gibi kirleticilerin hiperlokal haritalarını oluşturmak için sensörlü arabaları kullandı. Modeller ayrıca mevcut okumaları hava durumu ve emisyon modelleriyle birleştirerek hava kalitesini saatler veya günler öncesinden tahmin ediyor ve kirliliğin kaynaklara atfedilmesine yardımcı olarak orman yangını dumanını trafik veya endüstriyel dumanlardan ayırt etmeye yardımcı oluyor.
Teknik Bilgi
Temel görevlerden biri kalibrasyondur: Düşük maliyetli PM2.5 ve gaz sensörleri nem ve sıcaklıkla birlikte sürüklenir, böylece ML regresyon modelleri okumalarını güvenilir referans monitörlere göre düzeltir. Mekansal kapsam için arazi kullanımı regresyonu ve grafik veya jeoistatistik modelleri, trafik, yükseklik ve uydu sütunları gibi tahminleri kullanarak hiçbir sensörün bulunmadığı durumlarda kirlilik sonucunu çıkarır. Tahmin katmanları hava durumu modellerini en üstte tutar, böylece rüzgar ve ters dönüşümler ertesi gün kirlilik tahminlerine dahil edilir.
Stratejik Etki
Build choices
Uygulama düzeyinde tasarım, yapay zekanın gerçek sonuçları iyileştirip iyileştirmediğini belirler.
Ekip ve iş akışı
İyi iş akışı entegrasyonu, kullanıcıların güvenebileceği üretkenlik kazanımları sağlar.
Risk and safety
İyi kapsamlı kullanım örnekleri, değişiklik yorgunluğunu ve uygulama riskini azaltır.
Hava Kalitesi İzlemede Yapay Zekanın Geleceği
TEMPO gibi sabit uydular artık tüm kıtalar üzerinde saatlik kirlilik haritaları sunuyor ve yapay zeka, her yerde neredeyse gerçek zamanlı, sokak düzeyinde kapsama için bunları büyüyen düşük maliyetli sensör sürüleriyle birleştirecek. Telefonlarda ve giyilebilir cihazlarda kişiselleştirilmiş temas takibi, otomatik kaynak ilişkilendirme ve sağlık sistemleri ile trafik yönetimine daha sıkı bağlantılar bekleyebilirsiniz. Modeller geliştikçe, şehirler kirliliğe tepki vermekten, özellikle kontrol edilemeyen yangın duman olayları ve ısı kaynaklı ozon artışları sırasında maruz kalma durumunu tahmin etmeye ve önlemeye doğru ilerleyecek.
Gerçek Dünya Uygulaması
Google Project Air View, araştırma arabalarına sensörler monte ederek sokak düzeyinde NO2 ve partikül kirliliğini haritalandırdı.
NASA'nın TEMPO uydusu, tahminler için yer verileriyle birleştirilmiş, Kuzey Amerika üzerinde saatlik hava kirliliği haritaları sağlıyor.
PurpleAir ve IQAir gibi uygulamalar, orman yangınları sırasında mahalle düzeyinde PM2.5 okumaları sağlamak için düşük maliyetli sensör ağlarını kalibre ediyor.
Şehirler, trafik kısıtlamalarını, ağaç dikmeyi veya kirliliğin en fazla olduğu temiz hava bölgelerini hedeflemek için yapay zeka etkin nokta haritalarını kullanıyor.
Riskler ve Korkuluklar
Bozuk bir süreci otomatikleştirmek mevcut sorunları büyütebilir.
Ekipler aşırı otomatikleşebilir ve gerekli insan muhakemesini ortadan kaldırabilir.
Çıktılar sürekli olarak değerlendirilmezse kalite düşebilir.
Uygulama Yol Haritası
Mevcut iş akışının haritasını çıkarın ve en yüksek sürtünmeli adımı belirleyin.
Tam otomasyondan önce insan kontrol noktalarını tanımlayın.
Kullanıcıları istemler, yükseltme yolları ve kalite standartları konusunda eğitin.
Sürdürülebilir değeri doğrulamak için görev düzeyindeki sonuçları izleyin.
Keşfetmeye Devam Edin
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
Next guide
Yaban Hayatı Koruma İzlemede Yapay Zeka
Sık sorulan sorular
What is AI in Air Quality Monitoring?
Yapay zeka, seyrek kirlilik sensörleri arasındaki boşlukları dolduruyor ve ham verileri blok blok hava kalitesi haritalarına ve tahminlerine dönüştürüyor. Bu, astım hastalarının günlerini planlamasına yardımcı oluyor ve şehirler en kirli noktaları hedef alıyor.
Düşük maliyetli hava sensörlerinin yapay zeka kalibrasyonu neden önemlidir?
Düşük maliyetli PM2.5 ve gaz sensörleri gürültülüdür ve hava şartlarına göre sürüklenir; bu nedenle ML, okumalarını güvenilir referans istasyonlarına göre düzeltir.
Yapay zeka, sensörün bulunmadığı durumlarda kirlilik tahminleri sağlamak için ne yapıyor?
Uzamsal modeller, trafik, arazi kullanımı, yükseklik ve uydu verileri gibi tahmin edicilerden ölçülmeyen konumlardaki kirlilik sonucunu çıkarır.
Hangi uydu Kuzey Amerika'daki saatlik hava kirliliği haritalarını sağlar?
TEMPO, Kuzey Amerika üzerinde nitrojen dioksit gibi kirletici maddelerin saatlik ölçümlerini sağlayan sabit bir cihazdır.
Google'in Project Air View'u nasıl yerel ötesi kirlilik haritaları oluşturdu?
Project Air View, arabaları NO2 ve PM gibi kirleticileri sokak sokak çözünürlükte ölçecek sensörlerle donattı.
Ertesi günün hava kalitesini tahmin etmek için neler eklenir?
Hava durumu verileri, modellerin kirliliği hapseden rüzgar dağılımını ve sıcaklık dönüşümlerini hesaba katmasını sağlayarak tahminleri iyileştirir.