Ozonnivåer i jordens troposfär (den lägsta nivån av vår atmosfär) kan nu förutsägas med noggrannhet upp till två veckor i förväg, en anmärkningsvärd förbättring jämfört med nuvarande system som exakt kan förutsäga ozonnivåer bara tre dagar framåt. Det nya artificiella intelligenssystemet som utvecklats i University of Houstons luftkvalitetsprognos- och modelleringslabb kan leda till förbättrade sätt att kontrollera höga ozonproblem och till och med bidra till lösningar för klimatförändringsfrågor.

"Det här var mycket utmanande. Ingen hade gjort det här tidigare. Jag tror att vi är de första som försöker prognostisera ytzonenivåer två veckor i förväg, "sa Yunsoo Choi, professor i atmosfärisk kemi och AI -djupinlärning vid UH:s naturvetenskapliga och matematiska högskola. Resultaten publiceras online i den vetenskapliga tidskriften, Vetenskapliga rapporter .

Ozon, en färglös gas, är till hjälp på rätt plats och belopp. Som en del av jordens stratosfär ("ozonskiktet"), det skyddar genom att filtrera bort UV -strålning från solen. Men när det finns höga koncentrationer av ozon nära jordens yta, det är giftigt för lungor och hjärtan.

"Ozon är en sekundär förorening, och det kan påverka människor på ett dåligt sätt, "förklarade doktoranden Alqamah Sayeed, en forskare i Chois laboratorium och den första författaren till forskningsrapporten. Exponering kan leda till halsirritation, problem att andas, astma, även andningsskador. Vissa människor är särskilt mottagliga, inklusive de allra yngsta, äldre och kroniskt sjuka.

Ozonhalter har blivit en vanlig del av dagliga väderrapporter. Men till skillnad från väderprognoser, som kan vara ganska exakt upp till 14 dagar framåt, ozonnivåer har förutsagts bara två eller tre dagar i förväg - fram till detta genombrott.

Den stora förbättringen av prognoser är bara en del av historien om denna nya forskning. Den andra är hur laget fick det att hända. Konventionell prognos använder en numerisk modell, vilket innebär att forskningen bygger på ekvationer för rörelse av gaser och vätskor i atmosfären.

Begränsningarna var uppenbara för Choi och hans team. Den numeriska processen är långsam, gör resultat dyra att få, och noggrannheten är begränsad. "Noggrannheten med den numeriska modellen börjar sjunka efter de tre första dagarna, "Sa Choi.

Forskargruppen använde en unik förlustfunktion för att utveckla maskininlärningsalgoritmen. En förlustfunktion hjälper till att optimera AI -modellen genom att kartlägga beslut till deras tillhörande kostnader. I detta projekt, forskare använde överenskommelsesindex, känd som IOA, som förlustfunktion för AI -modellen över konventionella förlustfunktioner. IOA är en matematisk jämförelse av luckor mellan vad som förväntas och hur saker faktiskt blir.

Med andra ord, teammedlemmar lade till historiska ozondata till försöken när de gradvis förfinar programmets reaktioner. Kombinationen av den numeriska modellen och IOA som förlustfunktion möjliggjorde så småningom AI-algoritmen att exakt förutsäga utfall av verkliga ozonförhållanden genom att känna igen vad som hände tidigare i liknande situationer. Det är ungefär som hur människans minne byggs upp.

"Tänk på en ung pojke som ser en kopp varmt te på ett bord och försöker röra det av nyfikenhet. I samma ögonblick som barnet rör vid koppen, han inser att det är varmt och ska inte beröras direkt. Genom den erfarenheten, barnet har tränat sitt sinne, "Sa Sayeed." I en mycket grundläggande mening, det är samma sak med AI. Du ger input, datorn ger dig utmatning. Över många upprepningar och korrigeringar, processen förädlas med tiden, och AI -programmet får "veta" hur man reagerar på förhållanden som har presenterats tidigare. På en grundläggande nivå, artificiell intelligens utvecklas på samma sätt som barnet lärde sig att inte ha så bråttom att ta nästa kopp varmt te. "

I labbet, laget använde fyra till fem års ozondata i vad Sayeed beskrev som "en utvecklande process" för att lära AI -systemet att känna igen ozonförhållanden och uppskatta prognoserna, bli bättre med tiden.

"Att tillämpa djup inlärning på luftkvalitet och väderprognoser är som att söka efter den heliga gralen, precis som i filmerna, "sa Choi, som är ett stort fan av actionplott. "I labbet, vi gick igenom några svåra tider i några år. Det finns en process. Till sist, vi har tagit tag i den heliga gralen. Detta system fungerar. AI -modellen "förstår" hur man ska prognostisera. Trots år av arbete, det känns på något sätt fortfarande som en överraskning för mig, även i dag."

Innan framgång i laboratoriet kan leda till verklig service, många kommersiella steg ligger framför innan världen kan dra nytta av upptäckten.

"Om du känner till framtiden - luftkvalitet i det här fallet - kan du göra många saker för samhället. Detta kan vara mycket kritiskt för den här planeten. Vem vet? Kanske kan vi ta reda på hur vi ska lösa klimatförändringsfrågan. framtiden kan gå utöver väderprognoser och ozonprognoser. Detta kan hjälpa till att göra planeten säker, sa Choi.

Låter som ett lyckligt slut för någon bra actionsaga.