对火灾易发地区的保前空气质量预测提高了新模型

在全球范围内,火灾越来越频繁和破坏性,产生大量的烟可以运送数千英里,开车需要更准确的空气污染预报。宾夕法尼亚州立大学的一个研究小组开发出一种深刻的学习模型,提供了对火灾易发地区的保前改善空气质量的预测,可以区分野火和non-wildfires。

“气候变化继续导致生态变化和挑战,野火活动将很可能继续上升,”说Manzhu余宾夕法尼亚州立大学助理教授的地理位置和项目的主要研究者之一。”正因为如此,它是一个紧迫的研究重点准确预测野火烟雾引起的空气污染物的浓度,特别是火灾易发地区的保前。”

野火烟雾含有颗粒物和气态污染物。称为PM2.5,细颗粒物对人类健康与重大风险有关,是由美国环保署监管。

“野火烟雾的细颗粒物可能会影响人类健康水平很高,”Yu说。易燃区域的“空气质量预测可以显著帮助应急管理人员和公共卫生官员减轻潜在的不利的环境和公共卫生的影响,空气污染事件。”

“气候变化继续导致生态变化和挑战,野火活动很可能会继续上升。由于这个原因,它是一个紧迫的研究重点,准确预测空气污染物浓度引起的火灾烟,尤其是对火灾易发地区的保前。”– Manzhu余 , 地球和矿物科学助理教授,大学

Yu表示,球队的新模型能够提前警告人们关于危险的空气质量。研究小组在《科学》杂志上报道了他们的这一发现的环境。

准确预测空气质量,尤其是对污染物来自火灾,是具有挑战性的,因为它是高度相关的火灾的特点,如大气条件、地形、燃料和水分,据研究人员。

”这种模式的优势是,它能够产生更好的预测,可以捕获PM2.5的突然变化,当火灾发生时,虽然不存在低估的PM2.5,其他模型往往会低估,”Yu说。“同样,模型不高估PM2.5当没有火。”

模型开发的团队现有深度学习的迭代模型被称为“变压器”,这是一个sequence-to-sequence模型最初提出了语言翻译,已成功用于时间序列预测。新模型,称为ST-Transformer,使用一个小说的框架,可以确定趋势与火灾有关。

使用数据从美国环保署的空气质量站在大洛杉矶地区,模型训练对PM2.5浓度进行时间序列预测。因为空气质量监测站是坐落在大面积和收集数据稀疏一整天,ST-Transformer必须考虑时间和空间变量以及variable-wise依赖、相互影响的变量。

“火车ST-Transformer模型,我们包括空间、时间和variable-wise依赖性的野火,烟和空气污染物,”Yu说。“我们也切换变压器的全部注意力机制,稀疏的注意力,可训练优先和捕捉最相关的信息。这使得模型只关注wildfire-related PM2.5。”

执行这类模型的传统方法用于时间序列预测是火车模型分别对无风不起或基线场景以及吸烟的场景。然后基线模型可以用来预测空气污染天没有野火烟雾和烟模型预测与野火烟雾好几天,根据团队。但玉和她的团队合并这些输入到一个模型。

”这就是稀疏与稀疏的注意,注意发挥作用,因为您知道哪些输入将更好地提供一个精确的预测,”她说。“稀疏的关注也提供了更好的估计的PM2.5,减少基线时期高估和低估发生火灾时。”

Yu说ST-Transformer也可以用来改善预测在其他领域,如水质、降水和太阳辐射。

“ST-Transformer可能有助于预测水质问题,站在水里,但你无法控制,你可以把它们,”Yu说。”例如,在径流氮或磷,会导致藻华就像野火,因为他们是流体和动态变化。你的传感器可能会或可能不会捕捉。”

参考:余米,Masrur Blaszczak-Boxe c .预测每小时PM2.5浓度对火灾易发地区的保前使用一个时空的变压器模型。科学。总环境。2023;860:160446。doi:10.1016 / j.scitotenv.2022.160446

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。