وقتی یادگیری عمیق، کیفیت هوا را پیش‌بینی می‌کند

ساینس‌دیلی نوشت: آلودگی هوای ناشی از سوزاندن سوخت‌های فسیلی، سلامت انسان را تحت تاثیر قرار می‌دهد اما پیش‌بینی سطح آلودگی در زمان و مکان مشخص، یک چالش باقی مانده است. گروهی از دانشمندان آمریکایی سعی دارند یادگیری عمیق را برای بهبود بررسی کیفیت هوا به کار بگیرند. شاید نتایج این پژوهش بتواند به بررسی عوامل اقتصادی مانند خلاقیت صنعتی و عوامل سلامتی مانند تغییرات بستری شدن تحت تاثیر سطح آلودگی کمک کند.

"مانژو یو"(Manzhu Yu)، استادیار "دانشگاه پنسیلوانیا"(Penn State) و از پژوهشگران این پروژه گفت: کیفیت هوا یکی از معضلات بزرگ نواحی شهری است که زندگی مردم را تحت تاثیر قرار می‌دهد. بررسی‌های کنونی برای ارائه اطلاعات جامعی که بتوانند به جمعیت آسیب‌پذیر کمک کنند، کافی نیستند.

بررسی‌های زمینی و ماهواره‌ای، آلودگی هوا را اندازه‌گیری می‌کنند اما این بررسی‌ها محدود هستند. برای نمونه، ماهواره‌ها ممکن است هر روز در یک زمان مشخص از یک مکان معین عبور کنند و نحوه تغییر انتشار آلودگی در ساعات متفاوت را از دست بدهند. ایستگاه‌های زمینی بررسی آب و هوا، داده‌ها را به صورت مداوم جمع‌آوری می‌کنند اما این کار را تنها در مکان‌های محدودی انجام می‌دهند.

پژوهشگران برای برطرف کردن این مشکل، از یادگیری عمیق استفاده کردند تا رابطه میان بررسی‌ ماهواره‌ای و زمینی نیتروژن دی‌اکسید را در لس‌آنجلس تجزیه و تحلیل کنند.

یو ادامه داد: مشکلی که در حال حاضر وجود دارد، این است که سطح نیتروژن دی‌اکسید طی یک روز متفاوت است اما ما محصولی برای ردیابی ساعتی آلودگی هوای شهر نداشته‌ایم. ما با مقایسه بررسی‌های سطحی و ماهواره‌ای می‌توانیم بررسی‌هایی با وضوح بالاتر مکانی و زمانی ارائه دهیم.

درک این رابطه به پژوهشگران امکان داد تا بررسی‌های ماهواره‌ای را به صورت روزانه انجام دهند و سطح نیتروژن دی‌اکسید جو را در هر ساعت تخمین بزنند.

یو گفت: چالش پیش روی ما این است که بتوانیم رابطه‌ای را میان بررسی‌های انجام شده از سطح زمین و بررسی‌های ماهواره‌ای تروپوسفر انجام دهیم. یادگیری عمیق در اینجا به کار می‌آید.

الگوریتم‌های یادگیری عمیق مانند مغز انسان کار می‌کنند و چندین لایه از نورون‌های مصنوعی را برای پردازش داده‌ها و ایجاد الگوها نشان می‌دهند. این سیستم براساس ارتباطاتی که در میزان قابل توجهی از داده‌ها می‌یابد، یاد می‌گیرد و خود را آموزش می‌دهد.

پژوهشگران دو الگوریتم یادگیری عمیق را آزمایش کردند و دریافتند الگوریتمی که به مقایسه مشاهدات زمینی با مشاهدات ماهواره‌ای می‌پردازد، سطح نیتروژن دی‌اکسید را دقیق‌تر پیش‌بینی می‌کند. افزودن اطلاعاتی مانند داده‌های هواشناسی، ارتفاع و موقعیت ایستگاه‌های زمینی، جاده‌ها و نیروگاه‌های اصلی، دقت پیش‌بینی را بیشتر بهبود می‌بخشد.

یو گفت: شاید بتوان این پژوهش را برای بررسی گازهای گلخانه‌ای تکرار کرد و آن را در شهرهای متفاوت یا در مقیاس‌های منطقه‌ای و قاره‌ای به کار گرفت. به علاوه شاید بتوان با پرتاب ماهواره‌های جدید و وضوح بالا، این مدل را به روزرسانی کرد.

وی افزود: نتایج پژوهش ما با وضوح زمانی- مکانی بالا، بررسی رابطه میان کیفیت هوا و مشکلات حوزه سلامت را سهولت می‌بخشند و به درک نکامل پویای آلاینده‌های هوا کمک می‌کنند.

این پژوهش، در مجله "Science of the Total Environment" به چاپ رسید.

منبع: ایسنا

46