Şehir Hava Kalitesi'ne Aşırı Hava Tehdit Edilmesi

İklim değişikliği dünya çapında hava patlıyor, aşırı olayların daha sık ve yoğun hale gelmesi için neden oluyor. Heatwaves, uzun süren kuraklıklar, ağır yağışlar ve şiddetli fırtınalar artık daha düzenli olarak, ve kentsel çevrelerdeki etkilerini hızlandırıyor. Benzer şekilde, ağır yağışlar başlangıçta hava kirliliğinin en yüksek sıcaklık değişikliklerinin bozulmasına neden oluyor.

Bu kirliliğin artışı sadece rahatsız değil; çocuklar, yaşlılar ve önceden ortaya çıkan koşullar dahil olmak üzere ciddi sağlık risklerine yol açıyorlar (PM)2.5[Dönüşük 1:1) solunum ve kardiyovasküler hastalıklara bağlı olarak, hastane kabullerine ve erken ölümlere karşı çıkıyorlar.

Neden Tahmin edici Modeller Kamu Sağlığı ve Planlama için Temeldir

Aşırı hava olayları sırasında hava kirliliğinin doğru tahminleri, reaktif bir krizden ziyade proaktif bir yanıt için izin verir. Şehirler sağlık danışmanlarına sorun, okul kapanmalarını tavsiye edebilir, trafik modellerini ayarlayın ve geçici olarak endüstriyel emisyonlar azaltır, örneğin, bir model tahminleri, bir ısı dalgasının iki gün önceden güvenlik eşlerini aşmasına neden olacağını tahmin ederse, kamu ulaşım ajansları özel araba kullanımını bozmak için ücretsiz sürüş sunabilir ve hastaneler solunum hastalarını azaltmaya hazırlayabilir.

Acil sağlık korumasının ötesinde, tahmin edici modeller ayrıca uzun vadeli kentsel planlamaları da bilgilendirir. Hangi mahallelerin belirli hava uçları sırasında kirliliği en savunmasız olduğunu tespit ederek, planlayıcılar yeşil altyapıya öncelik verebilir - ağaç dikme ve yeşil çatılar gibi - hava ve filtreli kirleticilere yatırım yapmak için daha sık, iklim tahmin sistemleri daha iyi bir şekilde yardımcı olur.

Bir Hava Kalite Tahmini Modelin Temelleri

Aşırı hava sırasında güvenilir tahminlerin hava kalitesi tahmin edici bir model inşa etmek, meteoroloji, emisyonlar ve atmosferik kimya arasındaki karmaşık etkileşimleri bütünleştirmek ve anlamak gerektirir. Aşağıdaki bileşenler temelseldir.

Hava Değişkenleri ve Onların Rolü

Meteorolojik koşullar kirletici taşımanın birincil sürücüleridir, dönüşüm ve birikimi. Sıcaklık, ozon üreten kimyasal reaksiyonların oranını etkiler ve kirleticilerin yerel bir alanda kapanıp kapanıp kapanıp kapandığını belirler.

Emisyon ve Dinamik Kaynaklar

Hava kalitesi sadece havalara bağlı değildir; aşırı hava dalgaları sırasında hava kirliliğini kullanan kirleticiler, aşırı hava kirliliğini azaltabilir; ağır yağmurlar trafikten tasarruf edebilir, ancak uçucu yağ asitlerinin tükenmesini sağlar.

Tarihsel Kirlilik Verileri ve Desen Tanımlama

Hiçbir model geçmiş gözlemlerin temel çizgisi olmadan inşa edilebilir.Tarih hava kalitesi izleme verileri zemin istasyonlarından, genellikle ABD Çevre Koruma Ajansının Havası gibi çevre ajansları tarafından yönetiliyor ()AirNow), PM[FLD:2) 2.5) , önceki aşırı olaylar sırasındaki hava kirliliği ve diğer kirleticiler gibi, sert bir şekilde, daha fazla sıcaklıklama seviyelerinin nasıl yanıtlandığını öğretmektedir.

Geospatial Faktörler ve Urban Morphology

Bir şehrin fiziksel düzeni, kirleticilerin dağıldığını etkiler. Dense binası kümeleri, sokak kanyonları tuzakları oluşturan hava kirliliğini ve daha iyi havalandırmayı yönlendirebilir. kıyı şeridine yakınlaşma ve yakınlık, yerel rüzgar kalıplarına sahip olduğu tahmin edilebilir. Tahmin edici modeller giderek artan oranda veri kullanıyor, uydu kanallık bitki örtüsüne sahip bir alana sahip, sadece bir kilometre uzaktaki bir araziye sahip olsa bile, bir çift kilometre uzaktaki bir yerde bir mahalleyi doğru tahmin edebilir.

Bina Tahmin edici Modeller

Araştırmacılar, aşırı hava sırasında kentsel hava kalitesini tahmin etmek için çeşitli yaklaşımlar geliştirdiler, her biri güçlü ve kısıtlamalarla.

İstatistiksel Yaklaşımlar

Çok sayıda lineer regresyon, otoregreive bütünleşik hareketli ortalama (ARIMA) ve genelleştirilmiş katkı modelleri (GAMs) yıllardır kullanılmıştır. Bu teknikler yorumlanabilir ve hesaplamalı olarak verimlidir ve hava ve kirliliği arasındaki ilişki nispeten istikrarlı bir şekilde istikrarlı bir şekilde istikrarlı bir şekilde yapılır, ancak aşırı hava olayları genellikle tarihsel aralıkları ortadan kaldırır, bu modelleri destekleyen lineerlik ve sabitlik varsayımlarını kırar.

Makine Öğrenme Teknikleri

Makine öğrenimi karmaşık, doğrusal olmayan ortamlardaki hava kalitesi tahminine hakim bir yaklaşım haline geldi.Neural ağlar, özellikle uzun kısa süreli bellek (LSTM) ağları ve konvolual sinir ağları (CNNs), zamansal kanallar ve uzaysal desenleri yakalayabilirler. Rastgele ormanları ve gradient yükselteçler (örneğin, XGBoost) aynı zamanda birçok giriş değişkenini ve açık bir şekilde analiz etmeden etkileşim kurma yeteneği için popüler olabilir.Bu yöntemler, yüksek olaylarda eğitilmişken ışık tutarlar ve uzaysal desenler.

Hibrit Modeller ve Ensemble Yöntemleri

Tek bir yaklaşım mükemmel değildir. Hybrid modeller, fizik tabanlı atmosferik simülasyonları makine öğrenimi düzeltmeleri ile birleştirir. Ortak bir strateji, veriden öğrenirken simülasyonun fiziksel gerçekçiliğini yürütmektir.

Data Assimilation ve Real-Time Updating

Tahminler, koşullar olarak doğruluk kaybeder. Veriler assimilasyon teknikleri gerçek ölçümlerden uzaklaşmak için gerçek zamanlı gözlemler ve düşük maliyetli sensörler model devletlerin güncelleştirilmesi için. Kalman filtreleri ve yöntemleri genellikle hava kalitesi için kullanılabilir.Bir modelin ozon için tahminleri gerçek ölçümlerden uzaklaşmaya başladığında, bir şehirdeki yangının yakınındaki tahminleri takip eder.Bu özellikle de hızlı havalarda değerlidir - örneğin, soğuk bir önler bir şehir aracılığıyla ısıtılır ve aniden açıklanırken, ya da vahşi bir yangının yakınında bir kasabaya doğru bir şekilde gider.

Data Sources and Integration Challenges

Ground-Based İzleme Ağı

Hava kalitesi verilerinin arka kemiği, hükümet ajansları tarafından işletilen düzenleyici izleme istasyonları ağıdır. Bu istasyonlar, özellikle de gelişmekte olan ülkelerde veya kırsal alanlarda, çevresel koruma ajansının Hava Kalite Sistemi ([Dönem:0)AQS) arşivleri bu verileri genellikle havalimanları ortaya çıkarabilir ve sadece bir şehir içinde iyi ölçeklenebilirliği yakalamayabilirler.

Uydu Uzaktan Sensing

Uydular geniş bir görünüm sunuyor, aerosol optik derinlik (AOD), azot dioksit sütunları ve uzaydan gelen diğer göstergeler. Moderate DecisionView Spectroradiometer (MODIS) ve TROPOspheric İzleme Aracı (TROPOMI) küresel kapsama alanı sağlar. Uydu verileri, zemin istasyonları arasındaki boşlukları doldurabilir ve özellikle uzak kaynaklardan gelen duman veya toz taşımaları takip etmek için kullanışlıdır.

IoT ve Low-Cost Sensörleri

Düşük maliyetli partiküllerin çoğalması (örneğin, MorAir, Plantower) ve gaz sensörleri hiperyerel izleme için yeni bir sınır açtı. Bu cihazlar, cadde seviyesindeki kirliliği ortaya çıkarmak, nemlendirmek ve sınırlı doğruluk için uygun maliyetlidir.For tahmin edici modeller, California, verilerinin ısı uçarak tekrarlamada kirliliğin toplanmasını mümkün kılar.

Data Quality and Gaps

Güçlü tahmin edici modeller oluşturmak için en büyük engel, aşırı hava olayları sırasında yüksek kaliteli verilerin eksikliğidir. Aşırı olaylar tanımla, nadir, bu nedenle tarihsel kayıtlar, sentetik veri nesil tekniklerini kullanarak makine öğrenme modellerini en tehlikeli senaryolar için test etmek için zorlaşır ve World Health Organization's gibi uluslararası verileri paylaşması nedeniyle başarısız olabilir.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Tahmin edici modeller birçok şehirde operasyonel kullanım için araştırmadan hareket ediyor. Londra'da, Hava Kalite Ağı, günlük kirliliği tahminlerini azaltmak için hava tahminlerinin ve emisyon modellerinin bir kombinasyonunu kullanıyor.Temmuz 2022 ısı dalgası sırasında, hangi rekor sıcaklıklar, model ozon seviyelerinin 200 μg/m3'ün üzerinde tahmin edildiğini tahmin etti.

Pekin'de, bilim adamları uydu AOD, meteorolojik verileri entegre eden makine öğrenme modellerini geliştirdiler ve zemin PM)2.5), yüksek basınçlı sistemlerle ilişkili 85 saat öncesine kadar tahmin etmek için. Model şu anda Pekin Belediye Çevresi) tarafından kapatılabileceği gösterdi.

Başka bir umut verici uygulama, planlanan yeşil koridorların ağını nasıl azaltabileceği tahmin edilebilir modellerdir.[Dönemli” kentsel tasarım. Örneğin, Paris şehri hem ısıtılmış hem de şu anda yeşil alanlardan yoksundur.

Overcoming Key Challenges

İlerlemeye rağmen, tahmin edici modeller tüm aşırı hava senaryolarında güvenilebilir.ETHFLT:0)Data skarcity) en kalıcıdır: Aşırı olayların "uzun kuyruk" eğitim setleri küçük değildir. Araştırmacılar, bir şehirden önce veri almak ve onları atmosferik yasaları bilinen fiziksel bilgilendirici ağlara adapte etmek için geri dönüşümlü olarak yapılır.

[FONT=0]Urban heterojenliği[[Dönetici: 1) Bir blok üzerinde alınan ölçümler, büyük bir metropol alanı için 1 km'lik bir miktar ayrıntılı giriş modeli gerektirir (örneğin, bina yükseklikleri, trafik sayımları) birçok şehrin eksik olması gerekir.[Dönetici tahminleri:2).C ⁇ maliyet) Gerçek zamanlı tahminler için bir engeldir: tam bir kimya-transport modeli, büyük bir metropol için 1 km çözünürlükte çalıştırın.

Future Yol ve İnovasyonlar

Bir sonraki tahmin edici modeller muhtemelen yapay zekayı dijital ikiz teknoloji ile daha derinden entegre edecek. Bir dijital iki şehir atmosferi, sürekli sensör verileri ile güncelleyebilir, bu tür interaktif, karar destek sistemi zaten Singapur ve Helsinki gibi şehirlerde prototiplenebilir.

Başka bir sınır, vatandaş bilim verilerini kapsamakta. Akıllı telefonlar, büyük alanlarda saat gözlem sağlayan, daha kaliteli kontrol ile, bu kalabalık kaynaklı veriler, en az maliyetle model uzaysal çözümü geliştirebiliyor. Uydu uzaktan algılamada ilerlemeler, örneğin, önümüzdeki geostationary uydular, daha fazla model girişi sağlayacak.

Son olarak, uluslararası işbirliği daha yaygın hale geliyor. Dünya Meteorolojik Organizasyonun Küresel Hava Kalite Tahmini ve Bilgi Sistemi (GAFIS) ve Copernicus Atmosphere İzleme Hizmeti () Yerel kullanım için aşağı ölçeklenebilen bölgesel ve küresel tahminler sağlıyor.

Aşırı hava sırasında şehir hava kalitesi için tahmin edici modeller lüks değildir - onlar bir zorunluluktur. İklim değişikliği yoğunlaşmaya devam ediyor, milyonlarca insanın sağlığı, gerçekleşmeden önce kirliliği öngörme yeteneğimize bağlı olacaktır. Gelişmiş makine öğreniminin birleşimi, yüksek çözünürlüklü veriler ve yeni algılama teknolojileri, toplulukları korumak için bir yol sunar, ancak sürekli yatırım, disiplinler arası işbirliği gerektirir ve tahminleri önlemeye bağlı olacaktır.