Использование искусственного интеллекта для прогнозирования тенденций выбросов ЛОС

Использование искусственного интеллекта для прогнозирования тенденций выбросов ЛОС

Искусственный интеллект вышел за рамки теоретических применений в практических инструментах управления окружающей средой. Одной из наиболее актуальных областей, где ИИ демонстрирует измеримое влияние, является прогнозирование выбросов летучих органических соединений. Эти химические соединения, которые легко испаряются при комнатной температуре, представляют значительные риски как для здоровья человека, так и для качества окружающей среды. Традиционные методы отслеживания и прогнозирования концентраций ЛОС полагаются на исторические средние значения и простые модели регрессии, которые часто пропускают сложное взаимодействие переменных, приводящих к структурам выбросов. ИИ полностью меняет эту динамику, обрабатывая обширные, неоднородные наборы данных в режиме реального времени и выявляя нелинейные отношения, которые избегают обычного анализа. Результатом является способность прогнозирования, которая позволяет регуляторам, операторам объектов и должностным лицам общественного здравоохранения предвидеть всплески загрязнения до их возникновения, активно корректировать операции и целевые вмешательства с точностью.

ЛОС непосредственно способствуют образованию озона на уровне земли, являются основным компонентом смога, и многие отдельные соединения несут документально подтвержденные канцерогенные или нейротоксические эффекты. Агентство по охране окружающей среды США и аналогичные органы во всем мире установили строгие требования к мониторингу, но при этом правоприменение остается реактивным в большинстве юрисдикций. Встраивая прогнозы на основе ИИ в рамки мониторинга, агентства получают возможность перейти от реактивного правоприменения к профилактическому управлению. Эта трансформация имеет последствия для затрат на соблюдение промышленных норм, городского планирования и результатов в области здравоохранения. Понимание того, как модели ИИ достигают этих прогнозов, какие данные им требуются и где их ограничения необходимы для любой организации, рассматривающей возможность принятия.

Понимание выбросов ЛОС

Летучие органические соединения охватывают тысячи отдельных химических веществ, которые разделяют физические свойства высокого давления пара при обычных комнатных температурах. Это означает, что они легко испаряются, попадая в атмосферу из жидких или твердых источников. Общие ЛОС включают бензол, толуол, формальдегид, ксилол и перхлорэтилен, каждый с различными источниками и профилями здоровья. Бензол, например, является известным человеческим канцерогеном, обнаруженным в бензине и промышленных растворителях, в то время как формальдегид вне газов от прессованных древесных продуктов, клеев и некоторых изоляционных материалов.

Источники выбросов делятся на три широкие категории: антропогенные стационарные источники, антропогенные мобильные источники и биогенные источники. Стационарные источники включают промышленные объекты, такие как нефтеперерабатывающие заводы, химические заводы, предприятия по производству краски и химчистки. В мобильных источниках преобладают бензиновые и дизельные транспортные средства, хотя выбросы испарения от топливных систем также вносят значительный вклад. Биогенные источники, часто упускаются из виду, включают деревья и растительность, которые естественным образом выделяют ЛОС, особенно изопрен и терпены, которые могут реагировать с оксидами азота с образованием озона при определенных условиях.

Мониторинг концентраций ЛОС традиционно опирался на стационарные станции мониторинга, оснащенные детекторами газовой хроматографии или фотоионизации. Эти приборы обеспечивают точные измерения точек, но оставляют огромные пространственные и временные промежутки. Спутниковые датчики, такие как TROPOMI на борту космического корабля Sentinel-5P, обеспечивают более широкий охват, но с более грубым разрешением и с сложностями поиска. Разрыв между тем, что захватывает текущая инфраструктура мониторинга, и тем, что регуляторы должны принимать обоснованные решения, создает возможность для прогнозного моделирования, основанного на ИИ.

Роль ИИ в прогнозировании

Прогнозирование ИИ тенденций ЛОС не заменяет физическое измерение, а скорее расширяет его полезность. Модели машинного обучения принимают данные исторического мониторинга наряду с вспомогательными переменными, такими как метеорологические условия, количество трафика, индексы промышленного производства и спутниковые поиски. Модели изучают закономерности, которые предшествуют изменениям выбросов, позволяя прогнозы на почасовых, ежедневных или еженедельных горизонтах в зависимости от приложения. В отличие от детерминированных моделей химического транспорта, которые требуют подробных кадастров выбросов и решают уравнения химии атмосферы, подходы ИИ учатся непосредственно из данных, часто достигая сопоставимой или превосходной точности с меньшими вычислительными накладными расходами.

Переход к прогнозу на основе ИИ отражает более широкое признание того, что динамика выбросов ЛОС является в высшей степени нелинейной и зависящей от контекста. Повышение температуры на пять градусов по Цельсию может привести к десятикратному увеличению испарительных выбросов с одного объекта, оказывая незначительное влияние на другой, в зависимости от характеристик давления пара вовлеченных химических веществ, местных ветровых моделей и состояния инфраструктуры хранения. Традиционные модели изо всех сил пытаются захватить такую неоднородность, тогда как нейронные сети и ансамблевые методы преуспевают в этом.

Сбор и обработка данных

Качество прогнозов ИИ полностью зависит от качества, широты и детализации данных обучения. Эффективные модели прогнозирования ЛОС основаны на нескольких потоках данных, которые должны быть выровнены в пространстве и времени. Наземные сети мониторинга, управляемые экологическими агентствами, обеспечивают основную целевую переменную, как правило, почасовую или ежедневную среднюю концентрацию ЛОС, измеренную в частях на миллиард. Эти измерения служат в качестве основной истины, против которой модели обучаются и проверяются.

Вспомогательные потоки данных расширяют доступное модели пространство характеристик. Метеорологические переменные, включая температуру, относительную влажность, скорость ветра, направление ветра, атмосферное давление и солнечное излучение, непосредственно влияют как на скорость выбросов, так и на рассеивание атмосферы. Спутниковые поиски концентраций диоксида азота, формальдегида и диоксида серы в тропосфере служат прокси для промышленной и автомобильной деятельности. Данные о количестве трафика от датчиков дорог, записей транспондеров судоходной полосы и журналов активности аэропорта фиксируют вклад мобильных источников. Индексы промышленного производства, разрешения на эксплуатацию объектов и данные об объеме вспышек газа от нефтеперерабатывающих заводов предоставляют информацию о стационарной активности источника.

Предварительная обработка данных представляет собой значительную часть трубопровода ИИ. Данные датчиков часто содержат недостающие показания от простоя прибора, дрейфа калибровки или сбоев связи. Спутниковые поиски имеют ограничения облачного покрова, которые вводят нерегулярные промежутки. Выравнивание этих гетерогенных потоков данных на общую пространственно-временную сетку требует интерполяции, заполнения разрывов и тщательной количественной оценки неопределенности. Функциональная инженерия превращает необработанные переменные в предикторы, которые модель может эффективно использовать, такие как суточный температурный диапазон, кумулятивный ветер или отставшие значения концентрации, которые фиксируют эффекты устойчивости.

Проблемы качества данных

Ошибки дрейфа датчиков и калибровки вводят систематические предубеждения, которые распространяются через модели ИИ, если не учитывать. Исследователи разработали автоматизированные конвейеры контроля качества, которые маркируют аномальные показания на основе ожидаемых диапазонов, скорости ограничений изменений и проверки согласованности по отношению к соседним станциям. Модели, обученные данным, которые включают такие помеченные значения, могут изучать ложные отношения, поэтому необходимо тщательное курирование данных. Кроме того, дисбаланс классов создает проблему для моделей, обученных прогнозировать события высокой концентрации, которые происходят нечасто относительно фоновых условий. Такие методы, как синтетическая избыточная выборка меньшинств, чувствительное к затратам обучение или рамки обнаружения аномалий, могут смягчить эту проблему.

Методы машинного обучения

Несколько подходов машинного обучения продемонстрировали эффективность в прогнозировании ЛОС, при этом оптимальный выбор зависит от наличия данных, горизонта прогноза и требований к интерпретируемости.Ни один алгоритм не доминирует во всех вариантах использования, а методы ансамбля, объединяющие несколько типов моделей, часто дают наилучшую производительность.

Гибридные подходы, сочетающие физические знания с обучением, основанным на данных, становятся многообещающим направлением. Эти нейронные сети, основанные на физике, включают законы сохранения или кинетику химических реакций в качестве ограничений на выход модели, гарантируя, что прогнозы остаются физически правдоподобными даже в тех областях пространства функций, где данные обучения редки. Для приложений с использованием ЛОС, модель, основанная на физике, может обеспечить, что прогнозируемые концентрации не могут стать отрицательными или что баланс массы удовлетворяется в известных границах неопределенности.

Моделирование и проверка

Обучение модели ИИ для прогнозирования ЛОС следует установленным рабочим процессам машинного обучения с учетом конкретных областей. Набор данных разделен на наборы обучения, проверки и тестирования, с сохранением временного порядка, чтобы избежать утечки данных. Модель, обученная данным 2020-2022 годов, должна оцениваться по данным 2023 года, а не по случайно выбранным точкам за весь период, потому что данные временных рядов имеют присущую автокорреляцию, которая случайные расколы неясны.

Настройка гиперпараметра регулирует параметры модели, такие как скорость обучения, глубина дерева, прочность регуляризации и количество слоев. Байесовская оптимизация или случайный поиск - это стандартные подходы, которые превосходят исчерпывающий поиск сетки для высокоразмерных гиперпараметрических пространств. Перекрестное валидирование для данных временных рядов использует расширяющиеся оконные или раздвижные оконные схемы, которые уважают временный порядок, а не k-кратные разломы.

Для нормативных приложений, которые фокусируются на превышении стандартов качества воздуха, такие показатели, как подлинный положительный показатель для событий с высокой концентрацией, коэффициент ложной тревоги и оценка F1, имеют большее значение, чем общая среднеквадратная ошибка. Модель, которая правильно прогнозирует 95 процентов дней, когда уровни ЛОС превышают порог, но пропускает самое экстремальное событие года, имеет ограниченную практическую полезность. Производительность должна быть стратифицирована по сезону, времени суток и метеорологическому режиму для выявления систематических недостатков.

Преимущества и проблемы

Принятие ИИ для прогнозирования ЛОС дает измеримые преимущества по сравнению с традиционными подходами к моделированию, но эти преимущества связаны с препятствиями, с которыми организации должны ориентироваться.

Преимущества

Точность прогнозирования существенно повышается, поскольку модели ИИ фиксируют нелинейные взаимодействия и пороговые эффекты, которые линейные модели упускают. Полевые исследования, сравнивающие прогнозы ИИ с обычными моделями химического транспорта, сообщают о сокращении средней квадратной ошибки корня от 20 до 40 процентов для краткосрочных прогнозов. Повышение точности наиболее выражено в плечевые сезоны весны и осени, когда метеорологические модели создают наибольшую изменчивость в условиях выбросов и дисперсии.

Возможность прогнозирования в реальном времени позволяет принимать активные решения. Оператор объекта, который получает уведомление о том, что прогнозируемые концентрации ЛОС превысят лимиты разрешений за шесть часов, может регулировать темпы производства, увеличивать пропускную способность скруббера или развертывать временные меры контроля выбросов до того, как произойдет превышение. Регуляторы могут выдавать целевые предупреждения конкретным промышленным секторам или географическим районам, а не транслировать общие предупреждения о качестве воздуха, которые поощряют несоблюдение из-за отсутствия их специфичности.

Моделирование сценариев позволяет проводить анализ того, что является основой для разработки политики. Модель, подготовленная на основе исторических данных, может использоваться для моделирования воздействия предлагаемых изменений на выбросы, например, для создания систем рекуперации паров на автозаправочных станциях, переноса поставок грузовых автомобилей на ночные часы или для осуществления пошатнувшихся графиков работы по сокращению заторов на дорогах в периоды пикового образования озона. Эти модели генерируют оценки затрат и выгод, которые улучшают качество анализа регулирующего воздействия.

Вызовы

Вопросы качества данных остаются главным препятствием для надежных прогнозов в области ИИ. Сети мониторинга во многих регионах имеют ограниченный охват, особенно в них недопредставлены сельские общины и общины с низким уровнем дохода. Модели, подготовленные на основе данных из хорошо оборудованных городских районов, могут плохо обобщаться в других условиях, что создает проблемы экологической справедливости, если прогнозы для недостаточно обслуживаемых районов систематически менее точны. Ограничения на обмен данными между государственными учреждениями и частным сектором еще больше ограничивают имеющиеся данные об обучении.

Модель интерпретируемости является требованием для принятия регулирующих органов. Модель черного ящика, которая дает точные прогнозы, но не может объяснить, почему был создан конкретный прогноз, вряд ли выдержит юридическую или общественную проверку. Методы объяснимости, такие как значения SHAP, LIME и интегрированные градиенты, предоставляют послеочевидные объяснения, но их верность фактическому процессу принятия решений по модели варьируется. Регуляторы в некоторых юрисдикциях начали определять минимальные стандарты интерпретируемости для моделей, используемых в исполнительных решениях.

Масштаб потребностей в вычислительных ресурсах с учетом сложности моделей и объема данных. Модели глубокого обучения для пространственного прогнозирования с высоким разрешением могут потребовать кластеров графических процессоров для обучения и существенной памяти для вывода. Меньшим организациям, возможно, придется полагаться на услуги облачных вычислений или предварительно обученные модели, вводя зависимости от внешней инфраструктуры. Модульная переподготовка необходима по мере развития моделей выбросов с изменением промышленных процессов, автопарков и климатических условий, добавляя текущие вычислительные расходы.

Определение неопределенности остается активной областью исследований. Точечные прогнозы будущих концентраций ЛОС по своей сути неопределенны из-за метеорологической стохастичности, неизмеренных источников выбросов и ошибок приближения к модели. Лицам, принимающим решения, необходимы интервалы прогнозирования или вероятностные прогнозы для оценки риска, а не однозначные результаты. Производство надежных оценок неопределенности для моделей глубокого обучения является вычислительно интенсивным и методологически сложным.

Практические применения и тематические исследования

Несколько реальных развертываний иллюстрируют ценность прогнозирования ЛОС на основе ИИ и уроки, извлеченные из реализации. Эти примеры охватывают различные масштабы, от индивидуального управления объектами до регионального регулирования качества воздуха.

В районе Хьюстон-Галвестон-Бразория штата Техас, сильно промышленно развитом регионе с многочисленными нефтехимическими объектами, исследователи развернули ансамбль градиентных ускорительных машин и сетей LSTM для прогнозирования почасовых концентраций бензола и 1,3-бутадиена. Модель включала в себя данные в реальном времени от 30 станций мониторинга, расчеты траектории ветра от метеорологических моделей и производственные индексы от крупных объектов. В течение периода оценки модель правильно предсказывала 87% почасовых превышений бензола с свинцовым временем в два часа, что позволяло операторам объектов осуществлять временные меры по сокращению выбросов. Скорость ложной тревоги оставалась ниже 12%, поддерживая доверие оператора к системе.

В дельте Жемчужной реки Китая модели искусственного интеллекта, управляемые спутниками, обеспечивают ежедневные прогнозы ЛОС с разрешением в один километр, охватывающим площадь 42 000 квадратных километров. В модели используются данные формальдегида и диоксида азота TROPOMI, данные метеорологического анализа ERA5 и архитектура сверточных нейронных сетей, адаптированная к обработке спутниковых изображений. Прогнозы поступают в систему раннего предупреждения, которая уведомляет заводы и строительные площадки, когда условия благоприятствуют сильному образованию озона, вызывая временные ограничения производства. С момента реализации пиковые концентрации озона в регионе снизились на 11 процентов в периоды предупреждения, хотя приписывание этого улучшения исключительно системе прогнозирования остается трудным, учитывая параллельные изменения политики.

Европейский исследовательский консорциум разработал подход к обучению переносу, который позволяет адаптировать модели прогнозирования ЛОС, обученные в хорошо контролируемых городских районах, для использования в регионах с разницей в данных. Базовая модель, обученная на данных из Лондона, Парижа и Берлина, была отточена с использованием относительно небольших наборов данных калибровки из средних городов, таких как Любляна и Грац. Переданные модели достигли точности прогнозирования в пределах 15 процентов локально обученных моделей, требуя менее 10 процентов данных обучения, демонстрируя путь к справедливому развертыванию ИИ в регионах с неравномерной инфраструктурой мониторинга.

Интеграция с более широкими системами экологического менеджмента

Прогнозирование ЛОС не работает изолированно, а функционирует наиболее эффективно как компонент в интегрированных платформах экологического менеджмента.Подключение моделей прогнозирования ИИ к сенсорным сетям Интернета вещей, географическим информационным системам и базам данных нормативной отчетности создает цикл обратной связи, в котором прогнозы информируют о действиях, действия генерируют новые данные, а новые данные улучшают будущие прогнозы.

Промышленные предприятия все чаще используют системы непрерывного мониторинга выбросов, которые сообщают о концентрациях ЛОС в режиме реального времени на централизованных платформах. Эти потоки данных в сочетании с прогнозами ИИ позволяют осуществлять динамическое управление соблюдением. Когда модель предсказывает выбросы, тяготеющие к пределу разрешений, платформа может автоматически регулировать параметры процесса, такие как температура сгорания, скорость подачи катализатора или поток жидкости скруббера, для поддержания соответствия. Этот контроль замкнутого цикла снижает как превышение выбросов, так и эксплуатационный консерватизм, который объекты встраивают в свои процессы, полагаясь на статические пределы безопасности.

Интеграция со спутниковыми программами наблюдения создает масштабируемую архитектуру мониторинга, которая выходит за рамки наземного сенсорного покрытия. Программа Европейского космического агентства Copernicus и система наблюдения Земли НАСА предоставляют свободно доступные спутниковые данные, которые могут служить в качестве моделей входов для регионов, не имеющих наземного мониторинга. Такие компании, как Descartes Labs и GHGSat, предлагают коммерческие услуги спутникового мониторинга, которые обнаруживают выбросы на уровне объекта, предоставляя данные калибровки для моделей ИИ в промышленных районах.

Будущий прогноз

Несколько сходящихся тенденций будут формировать следующее поколение систем искусственного интеллекта для прогнозирования ЛОС, делая их более точными, более доступными и более интегрированными в нормативную базу.

Достижения в архитектурах нейронных сетей на основе трансформаторов, аналогичные тем, которые используются в обработке естественного языка, адаптируются для прогнозирования временных рядов окружающей среды. Эти модели могут захватывать долгосрочные зависимости, охватывающие недели или месяцы, и могут включать в себя несколько временных разрешений одновременно. Ранние результаты с использованием архитектуры TimesNet для прогнозирования качества воздуха показывают улучшенную производительность по сравнению с моделями LSTM для прогнозов, охватывающих более 72 часов, горизонт, который особенно полезен для планирования крупномасштабных операций по техническому обслуживанию промышленности.

Распространение недорогих датчиков ЛОС, включая детекторы фотоионизации и полупроводниковые датчики оксида металла, расширит пространственную плотность сетей мониторинга. Эти устройства имеют более высокий уровень шума и дрейфа, чем инструменты эталонного уровня, но алгоритмы калибровки ИИ, которые постоянно обновляют смещения датчиков с помощью близлежащих эталонных станций, могут извлекать полезные данные за небольшую часть стоимости. Сети недорогих датчиков, развернутые в сообществах вблизи промышленных объектов, обеспечивают как покрытие мониторинга, так и взаимодействие с сообществом, создавая доверие к управлению окружающей средой на основе ИИ.

Федеративные подходы к обучению позволяют обучать модели ИИ в нескольких организациях без обмена необработанными данными, решения проблем конфиденциальности и конфиденциальности информации. Оператор НПЗ может внести свой вклад в региональную модель прогнозирования, позволяя обновлять параметры модели на основе местных данных, сохраняя при этом конфиденциальность базовых данных о выбросах. Несколько пилотных программ в Нидерландах и Калифорнии тестируют федеративные рамки обучения для прогнозирования ЛОС, с первоначальными результатами, предполагающими, что совместные модели превосходят модели, обученные на данных одного предприятия.

Регуляторное принятие прогнозов ИИ ускорится по мере созревания усилий по стандартизации. Предлагаемая Европейским союзом структура искусственного интеллекта в мониторинге окружающей среды включает положения по валидации моделей, объяснимости и аудитируемости, которые устанавливают шаблон для принятия нормативных актов. В Соединенных Штатах Air Sensor Toolbox EPA предоставляет руководство по использованию новых технологий для управления качеством воздуха, создавая путь для прогнозирования ИИ, который будет использоваться в качестве дополнительного доказательства в принудительных действиях. Официальное признание прогнозов ИИ в качестве допустимого доказательства в разрешении и исполнительном производстве, вероятно, произойдет в течение пяти-десяти лет для хорошо проверенных моделей.

Изменение климата вносит как актуальность, так и сложность в прогнозирование ЛОС. Повышение глобальных температур увеличивает испарительные выбросы из промышленных источников, топливных систем и биогенных источников. Изменение моделей осадков изменяет темпы удаления атмосферных осадков и условия дисперсии. Модели ИИ, обученные историческим климатическим условиям, могут стать менее точными по мере изменения климата, требуя постоянного обновления модели и включения данных климатического сценария в качестве вводимых моделей. Исследовательские группы разрабатывают устойчивые к климату модели, которые проверяют производительность прогнозирования в прогнозируемых будущих климатических условиях и определяют наиболее надежные модели архитектуры.

Конвергенция возможностей ИИ, распространения датчиков, эволюции регулирования и климатических императивов указывает на будущее, где прогнозирование ЛОС становится рутинным, надежным инструментом для управления окружающей средой, а не исследовательским любопытством. Организации, которые инвестируют сейчас в создание инфраструктуры данных, технического опыта и институциональных партнерств, необходимых для эффективного развертывания ИИ, будут позиционированы, чтобы возглавить этот переход. Результатом будет более чистый воздух, более здоровые сообщества и более эффективные промышленные операции, ставшие возможными благодаря машинам, которые учатся видеть закономерности загрязнения, которые всегда присутствовали, но ранее невидимы.