ШІ в моніторингу якості повітря
AI заповнює прогалини між розрідженими датчиками забруднення та перетворює вихідні дані на поблочні карти та прогнози якості повітря.
Огляд
That helps people with asthma plan their day and cities target the dirtiest hotspots.
Глибоке занурення
Забруднення повітря щороку вбиває мільйони людей, але еталонні монітори дорогі та рідкісні, залишаючи більшість околиць невиміряними. Штучний інтелект долає це, об’єднуючи багато джерел даних: недорогі сенсорні мережі, супутникові вимірювання (як-от NASA TEMPO та ESA Sentinel-5P для NO2 і аерозолів), погоду, дорожній рух і мобільні датчики. Машинне навчання калібрує гучні дешеві датчики за референсними станціями, а потім інтерполює забруднення по всьому місту з роздільною здатністю вулиць. Проект Air View від Google керував автомобілями з датчиками для створення гіперлокальних карт забруднюючих речовин, таких як діоксид азоту та тверді частки. Моделі також прогнозують якість повітря на кілька годин або днів вперед, поєднуючи поточні показники з погодою та моделями викидів, і вони допомагають віднести забруднення до джерел, відрізняючи дим лісових пожеж від транспортних чи промислових шлейфів.
Технічне розуміння
Основним завданням є калібрування: недорогі датчики PM2.5 і газу дрейфують разом із вологістю та температурою, тому регресійні моделі ML коригують свої показання щодо надійних еталонних моніторів. Для просторового охоплення регресія землекористування та графічні чи геостатистичні моделі роблять висновок про забруднення там, де немає датчиків, використовуючи такі предиктори, як трафік, висота та супутникові стовпці. Прогнозування розміщує моделі погоди поверх, тому вітер і інверсії враховуються в прогнозах забруднення на наступний день.
Стратегічний вплив
Створіть вибір
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Команда та робочий процес
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Ризики та безпека
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Майбутнє ШІ в моніторингу якості повітря
Геостаціонарні супутники, такі як TEMPO, тепер надають погодинні карти забруднення на цілих континентах, і штучний інтелект об’єднає їх із зростаючою групою недорогих датчиків для покриття майже в реальному часі на рівні вулиць усюди. Очікуйте персоналізоване відстеження впливу на телефонах і переносних пристроях, автоматичне визначення джерела та тісніші зв’язки з системами охорони здоров’я та керування трафіком. У міру вдосконалення моделей міста переходитимуть від реагування на забруднення до прогнозування та запобігання впливу, особливо під час димових явищ лісових пожеж і стрибків озону, спричинених теплом.
Реалізація в реальному світі
Google Проект Air View наносить на карту забруднення NO2 і твердими частинками на рівні вулиць шляхом встановлення датчиків на оглядових автомобілях.
Супутник NASA TEMPO надає погодинні карти забруднення повітря над Північною Америкою, поєднані з наземними даними для прогнозів.
Такі додатки, як PurpleAir та IQAir, калібрують недорогі мережі датчиків, щоб давати показники PM2,5 на рівні сусідів під час лісових пожеж.
Міста використовують карти гарячих точок штучного інтелекту, щоб націлити на обмеження руху, висаджувати дерева або розташовувати зони з чистим повітрям, де забруднення найгірше.
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Визначте контрольні точки людини перед повною автоматизацією.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Продовжуйте досліджувати
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
Наступний посібник
ШІ в моніторингу збереження дикої природи
Часті запитання
What is AI in Air Quality Monitoring?
AI заповнює прогалини між розрідженими датчиками забруднення та перетворює вихідні дані на поблочні карти та прогнози якості повітря. Це допомагає людям з астмою планувати свій день, а містам націлюватися на найбрудніші гарячі точки.
Чому важливе штучне калібрування недорогих датчиків повітря?
Недорогі датчики PM2.5 і газу працюють шумно та змінюють погоду, тому ML виправляє їхні показання за допомогою надійних еталонних станцій.
Що робить штучний інтелект, щоб надавати оцінки забруднення там, де немає датчиків?
Просторові моделі роблять висновок про забруднення в невиміряних місцях на основі таких факторів, як трафік, землекористування, висота та супутникові дані.
Який супутник надає щогодинну карту забруднення повітря над Північною Америкою?
TEMPO — це геостаціонарний прилад, який щогодини проводить вимірювання забруднюючих речовин, як-от діоксиду азоту, над Північною Америкою.
Як проект Air View Google створив гіперлокальні карти забруднення?
Проект Air View оснастив автомобілі датчиками для вимірювання забруднюючих речовин, як-от NO2 і PM, із роздільною здатністю від вулиці до вулиці.
Що додається до прогнозу якості повітря на наступний день?
Дані про погоду дозволяють моделям враховувати розсіювання вітру та температурні інверсії, які затримують забруднення, покращуючи прогнози.