Разработка прогнозных моделей качества городского воздуха в условиях экстремальной погоды

Растущая угроза экстремальной погоды для качества воздуха в городах

Изменение климата меняет погодные условия во всем мире, вызывая более частые и интенсивные экстремальные явления. Тепловые волны, продолжительные засухи, сильные ливни и сильные штормы теперь ударяют с большей регулярностью, и их влияние на городскую среду является глубоким. Одним из наиболее критических и часто упускаемых из виду последствий является резкое ухудшение качества воздуха в городах. Во время жары, например, застойные атмосферные условия захватывают загрязняющие вещества вблизи земли, в то время как фотохимические реакции ускоряют образование озона на уровне земли. Аналогичным образом, сильные ливни могут сначала промывать мелкие частицы, но последующие изменения влажности и температуры часто способствуют вторичному образованию аэрозолей. Штормы возбуждают пыль и пыльцу, а последствия экстремальных погодных условий, таких как мусор от ураганов или дым от лесных пожаров, питаемых засухой, могут впрыскивать в городской воздух огромное количество твердых частиц.

Эти всплески загрязнения не просто неудобны; они представляют серьезную опасность для здоровья. Повышенный уровень озона и мелких твердых частиц (PM]2.5) связан с респираторными и сердечно-сосудистыми заболеваниями, госпитализацией и преждевременной смертностью. Уязвимые группы населения, включая детей, пожилых людей и людей с уже существующими условиями, особенно подвержены риску. По мере того, как города продолжают расти и по мере того, как экстремальные погодные условия становятся все более распространенными, способность предвидеть, а не просто реагировать на эти события загрязнения становится приоритетом общественного здравоохранения. Предсказательные модели предлагают способ прогнозирования качества воздуха в экстремальных погодных сценариях, давая властям и жителям время, необходимое для снижения воздействия и смягчения вреда.

Почему прогнозные модели необходимы для общественного здравоохранения и планирования

Точные прогнозы загрязнения воздуха во время экстремальных погодных явлений позволяют принимать активные меры реагирования, а не реагировать на кризис. Города могут выдавать рекомендации по вопросам здравоохранения, рекомендовать закрытие школ, корректировать схемы движения и временно сокращать промышленные выбросы, когда модели указывают на неизбежный всплеск загрязнения. Например, если модель прогнозирует, что жара приведет к превышению уровней озона за два дня до порога безопасности, агентства общественного транспорта могут предлагать бесплатные поездки, чтобы препятствовать использованию частных автомобилей, а больницы могут готовиться к всплеску респираторных пациентов. Эти действия снижают общее бремя здравоохранения и могут сэкономить значительные расходы на здравоохранение.

Помимо непосредственной защиты здоровья, прогностические модели также информируют о долгосрочном городском планировании. Определяя, какие районы наиболее уязвимы для загрязнения в конкретных погодных условиях, планировщики могут расставить приоритеты в отношении зеленой инфраструктуры, такой как посадка деревьев и зеленые крыши, которые помогают охлаждать воздух и фильтровать загрязнители. Модели также помогают в разработке протоколов реагирования на чрезвычайные ситуации для комбинированных событий, таких как лесной пожар, за которым следует шторм, где пепел и пыль становятся воздушными. Без надежных прогнозов эти приготовления остаются догадками. Поскольку экстремальные погодные явления становятся более частыми, города, которые инвестируют в надежные системы прогнозирования качества воздуха, будут лучше оснащены для защиты своего населения и поддержания экономической стабильности.

Основные компоненты прогнозной модели качества воздуха

Создание прогностической модели, которая надежно прогнозирует качество воздуха в экстремальные погодные условия, требует интеграции различных потоков данных и понимания сложных взаимодействий между метеорологией, выбросами и атмосферной химией.

Переменные погоды и их роль

Метеорологические условия являются основными движущими силами переноса, трансформации и накопления загрязнителей. Температура влияет на скорость химических реакций, которые производят озон. Скорость и направление ветра определяют, сметаются ли загрязнители или попадают в ловушку в местной области. Влажность влияет на рост частиц аэрозоля. Стабильность атмосферы - тенденция воздуха сопротивляться вертикальному смешиванию - имеет решающее значение во время тепловых волн, когда инверсии могут закреплять загрязняющие вещества вблизи земли. Осадки могут временно удалять частицы, но также изменяют влажность почвы, влияя на восстановление пыли. Модели должны принимать прогнозы погоды с высоким разрешением и данные наблюдений с метеорологических станций, радаров и спутников для захвата этой динамики.

Кадастры выбросов и динамические источники

Качество воздуха зависит не только от погоды; количество и тип загрязняющих веществ, выбрасываемых в атмосферу, чрезвычайно важны. Запасы выбросов дают оценки источников загрязнения, включая транспортные средства, электростанции, промышленные объекты, отопление жилых помещений и строительные работы. В экстремальных погодных условиях модели выбросов могут меняться: все больше людей используют кондиционер во время тепловых волн, увеличивая выбросы электростанций; проливные дожди могут уменьшить трафик, но увеличить сток летучих органических соединений. Точные модели требуют динамических модулей выбросов, которые корректируют изменения уровней активности и расхода топлива при определенных погодных условиях.

Исторические данные о загрязнении и распознавание закономерностей

Ни одна модель не может быть построена без исходных линий прошлых наблюдений. Исторические данные мониторинга качества воздуха с наземных станций, часто управляемые экологическими агентствами, такими как сеть AirNow Агентства по охране окружающей среды США (FLT:0) AirNow ), предоставляют записи о ТЧ 2.5 , озоне, диоксиде азота и других загрязнителях во время предыдущих экстремальных явлений. Эти записи учат модели, как уровни загрязнения реагировали на прошлые волны тепла, штормы и похолодания. Алгоритмы машинного обучения, в частности, могут выявить нелинейные отношения, которые было бы трудно кодировать вручную — например, что конкретная комбинация температуры, ветра и высоты пограничного слоя последовательно приводит к серьезным превышениям озона в данном городе.

Геопространственные факторы и городская морфология

Физическая планировка города влияет на то, как рассеиваются загрязняющие вещества. Плотные строительные кластеры создают уличные каньоны, которые улавливают выхлопные газы; парки и водоемы могут смягчать температуру и способствовать лучшей вентиляции. Возвышение и близость к береговым линиям влияют на местные модели ветра. Предсказательные модели все чаще включают данные о землепользовании, спутниковые индексы растительности и трехмерные строительные модели для имитации этих эффектов. Например, модель может правильно предсказать, что район с узкими улицами и небольшим зеленым пространством увидит более высокие концентрации PM 2,5 во время тепловой волны, чем область с открытыми парками, даже если они находятся всего в километре друг от друга.

Методология построения прогнозных моделей

Исследователи разработали различные подходы для прогнозирования качества воздуха в городах в экстремальные погодные условия, каждый из которых имеет сильные и ограниченные возможности.

Статистические подходы

Традиционные статистические методы, такие как множественная линейная регрессия, ауторегрессивная интегрированная скользящая средняя (ARIMA) и обобщенные аддитивные модели (GAM), использовались в течение десятилетий. Эти методы интерпретируемы и вычислительно эффективны, и они хорошо работают, когда связь между погодой и загрязнением относительно стабильна. Однако экстремальные погодные явления часто вводят условия, которые выходят за рамки исторических диапазонов, нарушая предположения о линейности и стационарности, которые лежат в основе этих моделей. В результате статистические модели могут отставать, когда сталкиваются с беспрецедентными комбинациями тепла, засухи и застойного воздуха.

Методы машинного обучения

Машинное обучение стало доминирующим подходом для прогнозирования качества воздуха в сложных, нелинейных средах. Нейронные сети, особенно архитектуры глубокого обучения, такие как сети с длинной кратковременной памятью (LSTM) и сверточные нейронные сети (CNN), могут захватывать временные зависимости и пространственные паттерны. Случайные леса и машины для повышения градиента (например, XGBoost) также популярны благодаря их способности обрабатывать многие входные переменные и моделировать взаимодействия без явной спецификации. Эти методы сияют при обучении на больших наборах данных, которые включают экстремальные события, поскольку они могут изучать тонкие предшественники всплесков загрязнения. Например, нейронная сеть может узнать, что комбинация высокого давления, легких ветров и повышения относительной влажности в течение трех последовательных дней является сильным предиктором эпизода PM 2.5 .

Гибридные модели и методы сборки

Гибридные модели сочетают основанное на физике атмосферное моделирование с корректировками машинного обучения. Общая стратегия заключается в запуске детерминированной модели химического транспорта, такой как модель многомасштабного качества воздуха сообщества (CMAQ), для создания прогноза первого угадывания, а затем использовать модель машинного обучения для исправления предубеждений, основанных на исторических ошибках. Этот подход использует физический реализм моделирования при обучении на данных. Методы сборки, которые усредняют прогнозы из нескольких моделей, уменьшают неопределенность и повышают надежность. Для оперативного прогнозирования ансамбли моделей машинного обучения, обученные на различных подмножествах данных и различных алгоритмах, теперь стандартны.

Ассимиляция данных и обновление в реальном времени

Прогнозы теряют точность по мере изменения условий. Методы ассимиляции данных включают наблюдения в реальном времени со станций мониторинга и недорогих датчиков для обновления состояний модели. Фильтры Калмана и вариационные методы обычно используются в прогнозировании погоды и адаптированы для качества воздуха. Когда предсказание модели для озона начинает дрейфовать от фактических измерений, ассимиляция данных подталкивает модель обратно на путь. Это особенно ценно в экстремальных погодных условиях, когда условия быстро развиваются - например, когда холодный фронт проносится по городу и внезапно очищает воздух, или когда лесной пожар вспыхивает вблизи городской местности.

Источники данных и проблемы интеграции

Наземные сети мониторинга

Стержнем данных о качестве воздуха является сеть станций регуляторного мониторинга, управляемых государственными учреждениями. Эти станции обеспечивают высокоточные непрерывные измерения критериев загрязняющих веществ. В Соединенных Штатах система качества воздуха Агентства по охране окружающей среды (]AQS) архивирует эти данные. Однако станции часто редки, особенно в развивающихся странах или сельских районах, и они могут не фиксировать мелкомасштабную изменчивость в городе. Во время экстремальных погодных явлений пространственные градиенты могут быть крутыми — станция вниз по ветру промышленной зоны может сообщать об опасных уровнях, в то время как станция вверх по ветру показывает чистый воздух. Опираясь исключительно на несколько станций может дать вводящую в заблуждение картину.

Спутниковое дистанционное зондирование

Спутники предлагают широкий обзор, измерение аэрозольной оптической глубины (AOD), столбцы диоксида азота и другие показатели из космоса. Такие инструменты, как спектрорадиометр с умеренным разрешением (MODIS) и инструмент мониторинга TROPOMI, обеспечивают глобальное покрытие. Спутниковые данные могут заполнять промежутки между наземными станциями и особенно полезны для отслеживания переноса дыма или пыли из отдаленных источников. Проблема заключается в том, что спутниковые поиски являются косвенными — AOD должен быть преобразован в поверхностные ТЧ 2.5 с использованием статистических связей, которые варьируются в зависимости от погоды и типа земли. Во время экстремальной погоды эти отношения могут разрушаться, и облачный покров часто заслоняет спутниковые представления во время штормов.

IoT и недорогие датчики

Распространение недорогих датчиков твердых частиц (например, PurpleAir, Plantower) и газовых датчиков открыло новую границу для гиперлокального мониторинга. Эти устройства достаточно доступны для развертывания в плотных сетях, выявляя закономерности загрязнения на уровне улиц. Исследование тепловых волн в городе, таком как Окленд, Калифорния, показало, что недорогие датчики могут захватывать накопление загрязнения в районах поглощения тепла. Однако недорогие датчики страдают от дрейфа калибровки, чувствительности к влажности и ограниченной точности во время эпизодов высокого загрязнения. Для прогнозных моделей их данные должны быть тщательно проверены и сплавлены с эталонными измерениями. Несмотря на эти недостатки, само обилие недорогих данных датчиков может улучшить производительность модели, особенно в сочетании с машинным обучением, которое учится компенсировать искажения.

Качество данных и пробелы

Самым большим препятствием для построения надежных прогнозных моделей является отсутствие высококачественных данных во время экстремальных погодных явлений. Экстремальные события по определению редки, поэтому исторические записи содержат мало примеров. Этот дисбаланс затрудняет для моделей машинного обучения изучение надежных моделей для самых опасных сценариев. Кроме того, в экстремальные погодные условия станции мониторинга могут выйти из строя из-за перебоев в подаче электроэнергии или физического повреждения. Пробелы в данных могут привести к моделям, которые недооценивают пиковые концентрации. Для решения этой проблемы требуются синтетические методы генерации данных, такие как использование атмосферных моделей для моделирования гипотетических экстремальных явлений и содействие международному обмену данными через такие платформы, как база данных качества воздуха Всемирной организации здравоохранения (FLT:0) WHO Ambient Air Quality Database ].

Реальные приложения и тематические исследования

Предсказательные модели переходят от исследований к оперативному использованию во многих городах. В Лондоне Сеть качества воздуха использует комбинацию прогнозов погоды и моделей выбросов для выдачи ежедневных прогнозов загрязнения. В период июльской волны 2022 года, которая установила рекордные температуры, модель предсказала уровни озона, превышающие 200 мкг/м3 за три дня. Власти активировали «Высокое предупреждение о загрязнении» и посоветовали уязвимым лицам снизить активность на открытом воздухе. Анализ после события подтвердил, что пространственные прогнозы модели хорошо соответствовали измерениям с датчиков Лондонской сети качества воздуха, проверяя подход.

В Пекине ученые разработали модели машинного обучения, которые интегрируют спутниковые AOD, метеорологические данные и наземные PM2.5 для прогнозирования тяжелых зимних туманных событий. Исследование 2023 года, опубликованное в Атмосферная среда, показало, что модель на основе LSTM может прогнозировать превышения на 48 часов вперёд2.5 с точностью до 85% в периоды застойной погоды, связанной с системами высокого давления. Модель в настоящее время используется Пекинским муниципальным бюро по охране окружающей среды для выдачи закрытия школ и ограничений движения. Аналогичные усилия предпринимаются в Дели, Мехико и Лос-Анджелесе.

Еще одним перспективным применением является использование прогностических моделей для «скорректированного с учетом климата» городского дизайна. Например, город Париж использовал исторические данные о качестве воздуха и климатические прогнозы для моделирования того, как планируемая сеть зеленых коридоров может снизить PM2,5 во время будущих волн тепла. Модели помогли планировщикам определить приоритетность инвестиций в районы, которые являются как теплозащитными, так и в настоящее время не имеют зеленых насаждений.

Преодоление ключевых вызовов

Несмотря на прогресс, остается несколько проблем, прежде чем прогнозным моделям можно будет доверять во всех сценариях экстремальных погодных условий. Дефицит данных является наиболее устойчивым: «длинный хвост» экстремальных событий означает, что наборы обучения малы. Исследователи обращаются к передаче обучения — принимая модели, предварительно обученные на данных из одного города и адаптируя их к другому — и к нейронным сетям, основанным на физике, которые обеспечивают соблюдение известных атмосферных законов. Нестационарность — это еще одна проблема: по мере изменения климата статистическая связь между погодой и загрязнением может меняться, что делает модели, обученные на прошлых данных, ненадежными для будущих крайностей. Разрабатываются новые методы, которые включают выходы климатической модели и обнаружение тенденций.

Гетерогенность городов усложняет пространственное прогнозирование.] Измерения, проводимые на одном блоке, могут не отражать условия на нескольких улицах. Моделирование с высоким разрешением требует подробных входных данных (например, высота зданий, количество трафика), которых не хватает многим городам. Вычислительные затраты является барьером для прогнозирования в реальном времени: для запуска полной модели переноса химии с разрешением 1 км для большой столичной области требуются суперкомпьютерные ресурсы. Успешные операционные системы часто используют многоуровневый подход, при этом более простая модель машинного обучения используется для рутинных прогнозов и более подробная модель только тогда, когда ожидается экстремальная погода. Наконец, связь и доверие необходимы, но часто упускаются из виду. Государственные чиновники должны понимать неопределенности в результатах моделей, чтобы действовать надлежащим образом, и жителям нужна четкая, действенная информация во время оповещений.

Будущие направления и инновации

Следующее поколение прогностических моделей, вероятно, будет более глубоко интегрировать искусственный интеллект с цифровой технологией двойника. Цифровой двойник городской атмосферы, постоянно обновляемый данными датчиков, может имитировать влияние на качество воздуха различных вмешательств в режиме реального времени. Например, городской менеджер может спросить: «Если я закрою эту улицу для движения во время завтрашней жары, сколько будет падать уровень озона?» Цифровой двойник будет запускать быструю симуляцию и даст ответ. Этот вид интерактивной системы поддержки принятия решений уже прототипируется в таких городах, как Сингапур и Хельсинки.

Еще одним важным моментом является включение данных гражданской науки. Камеры смартфонов могут оценивать оптическую глубину аэрозоля, а носимые датчики могут отслеживать личное воздействие. При надлежащем контроле качества эти данные, полученные из толпы, могут улучшить пространственное разрешение модели при минимальных затратах. Достижения в области дистанционного зондирования спутников, такие как предстоящие геостационарные спутники, которые обеспечивают почасовые наблюдения на больших площадях, еще больше увеличат ввод модели.

Наконец, международное сотрудничество становится все более распространенным. Глобальная система прогнозирования и информации о качестве воздуха (GAFIS) Всемирной метеорологической организации и Служба мониторинга атмосферы Коперника (FLT:0) CAMS обеспечивают региональные и глобальные прогнозы, которые могут быть уменьшены для местного использования. Обмен моделями, данными и передовым опытом может ускорить разработку прогностических инструментов, которые достаточно надежны для обработки все более изменчивых погодных условий в мире потепления.

Предсказательные модели качества городского воздуха в экстремальные погодные условия не являются роскошью — они необходимы. Поскольку изменение климата продолжает усиливаться, здоровье миллионов будет зависеть от нашей способности предвидеть события загрязнения до того, как они произойдут, и принимать меры. Сочетание передового машинного обучения, данных высокого разрешения и новых технологий зондирования предлагает путь к защите сообществ, но это требует постоянных инвестиций, междисциплинарного сотрудничества и приверженности превращению прогнозов в профилактику.