Forskare från University of Houston har utvecklat ett artificiell intelligensbaserat ozonprognossystem, vilket gör att lokala områden kan förutsäga ozonnivåer 24 timmar i förväg.

Det skulle förbättra hälsovarningarna för personer med ökad risk att utveckla problem på grund av höga ozonnivåer.

Yunsoo Choi, docent vid institutionen för geo- och atmosfärsvetenskap och motsvarande författare till en artikel som förklarar arbetet, sa att de byggde en artificiellt intelligent modell med hjälp av ett konvolutionellt neuralt nätverk, som kan ta information från nuvarande förhållanden och exakt förutsäga ozonnivåer för nästa dag. Arbetet publicerades i tidskriften Neurala nätverk .

"Om vi ​​känner till förhållandena i dag, vi kan förutsäga morgondagens förhållanden, " sa Choi.

Ozon är en instabil gas, bildas av en kemisk reaktion när solljus kombineras med kväveoxider (NOx) och flyktiga organiska föreningar, som båda återfinns i bil- och industriutsläpp. Det kan orsaka andningsproblem hos människor, och de som är särskilt mottagliga för ozon – inklusive personer med astma, äldre och små barn – rekommenderas att minska sin exponering när ozonnivåerna är höga.

Alqamah Sayeed, första författare på tidningen och en Ph.D. student i Chois luftkvalitetsprognoser och modelleringslaboratorium, De flesta aktuella ozonprognosmodeller innehåller inte artificiell intelligens och kan ta flera timmar att förutsäga framtida ozonnivåer, snarare än bara några sekunder för den nya modellen. De är också mindre exakta; forskarna rapporterade att deras modell korrekt förutspådde ozonnivåer 24 timmar i förväg mellan 85 % och 90 % av tiden.

En viktig skillnad, Choi sa, är användningen av konvolutionella neurala nätverk, nätverk som kan "svepa" data och använda dem för att bilda antaganden baserat på vad de har lärt sig. De konvolutionella nätverken används vanligtvis för att förbättra bildupplösningen, han sa. Choi och Sayeed sa att det är en ny applikation att använda nätverken för att extrahera information och sedan använda artificiell intelligens för att göra förutsägelser från dessa data. illustrerar styrkan i nätverkens förmåga att samla in information och dra slutsatser baserade på den informationen.

Forskarna använde meteorologiska data och luftföroreningsdata som samlats in på 21 stationer i Houston och på andra håll i Texas av Texas Commission on Environmental Quality, representerar förhållandena mellan 2014 och 2017. Sayeed sa att de programmerade de konvolutionella neurala nätverken med hjälp av meteorologiska data—temperatur, barometertryck, vindhastighet och andra variabler – för varje dag, och lade till ozonmätningar från varje station för 2014, 2015 och 2016.

För att testa deras tro på att modellen skulle kunna förutsäga ozonnivåer givet meteorologiska förhållanden från föregående dag, de lade till väderdata för 2017 och kontrollerade prognoserna som nätverket producerade för noggrannhet.

Modellens prognoser nådde 90 % noggrannhet, och Choi sa att det kommer att bli mer exakt med tiden, allt eftersom nätverket fortsätter att lära sig.

Även om testerna gjordes med hjälp av Texas-data, forskarna sa att modellen kunde användas var som helst i världen. "USA skiljer sig geografiskt från Östasien, " Choi sa, "men fysiken och kemin för ozonskapande är densamma."

Sayeed sa att forskarna för närvarande arbetar med att utöka modellen till att inkludera förutsägelser om andra typer av föroreningar, inklusive partiklar, samt att förlänga tidsperioden utöver 24 timmar.