Luftföroreningar från förbränning av fossila bränslen påverkar människors hälsa men att förutsäga föroreningsnivåer vid en viss tid och plats är fortfarande utmanande, enligt ett team av forskare som vänder sig till djupinlärning för att förbättra uppskattningar av luftkvalitet. Resultaten av teamets studie kan vara till hjälp för modellerare som undersöker hur ekonomiska faktorer som industriell produktivitet och hälsofaktorer som sjukhusinläggningar förändras med föroreningsnivåer.

"Luftkvaliteten är en av de stora frågorna inom ett stadsområde som påverkar människors liv, "sa Manzhu Yu, biträdande professor i geografi vid Penn State. "Men befintliga observationer är inte tillräckliga för att ge omfattande information som kan hjälpa utsatta befolkningar att planera i förväg."

Satellit- och markbaserade observationer mäter var och en luftföroreningar, men de är begränsade, sa forskarna. Satelliter, till exempel, kan passera en given plats vid samma tidpunkt varje dag och missa hur utsläppen varierar vid olika timmar. Markbaserade väderstationer samlar kontinuerligt in data men bara på ett begränsat antal platser.

För att ta itu med detta, forskarna använde djupinlärning, en typ av maskininlärning, att analysera sambandet mellan satellit- och markbaserade observationer av kvävedioxid i det större Los Angeles-området. Kvävedioxid är i stor utsträckning förknippad med utsläpp från trafik och kraftverk, sa forskarna.

"Problemet just nu är att kvävedioxid varierar mycket under dagen, "Sa Yu." Men vi har inte haft en timme, produkt i urbana skala tillgänglig för att spåra luftföroreningar. Genom att jämföra ytnivå och satellitobservationer, vi kan faktiskt ta fram uppskattningar med högre rumslig och tidsmässig upplösning. "

Det inlärda förhållandet gjorde det möjligt för forskarna att ta dagliga satellitobservationer och skapa timberäkningar av atmosfärisk kvävedioxid i ungefär 3-mils nät, sa forskarna. De rapporterade nyligen sina fynd i tidningen Vetenskapen om den totala miljön .

"Utmaningen här är om vi kan hitta en koppling mellan mätningar från jordens yta och satellitobservationer av troposfären, som faktiskt är långt ifrån varandra. Det är där djupinlärning kommer in. "

Djupinlärningsalgoritmer fungerar ungefär som den mänskliga hjärnan och har flera lager av artificiella neuroner för att bearbeta data och skapa mönster. Systemet lär sig och tränar sig baserat på anslutningar det hittar inom stora mängder data, sa forskarna.

Forskarna testade två djupinlärningsalgoritmer och fann den som jämförde de markbaserade observationerna direkt med satellitobservationerna mer exakt förutspådde kvävedioxidhalter. Lägga till information som meteorologisk data, höjden och platserna för de markbaserade stationerna och större vägar och kraftverk förbättrade förutsägelsens noggrannhet ytterligare.

Yu sa att studien kan upprepas för andra växthusgaser och tillämpas på olika städer eller på regional och kontinental skala, sa forskarna. Dessutom, modellen kan uppdateras när den är ny, satelliter med högre upplösning sjösätts.

"Med en hög spatiotemporal upplösning, våra resultat kommer att underlätta studien mellan luftkvalitet och hälsofrågor och förbättra förståelsen för den dynamiska utvecklingen av luftburna föroreningar, "Sa Yu.