«Качество воздуха – одна из основных проблем в городских районах, которая влияет на жизнь людей», – сказал Манжу Ю, доцент кафедры географии Пенсильванского университета. "Однако существующих наблюдений недостаточно для получения исчерпывающей информации, которая может помочь уязвимым группам населения планировать действия на будущее."
По словам ученых, спутниковые и наземные наблюдения позволяют измерять загрязнение воздуха, но они ограничены. Например, спутники могут проходить через определенное место в одно и то же время каждый день и не замечать изменения выбросов в разные часы.
Наземные метеостанции постоянно собирают данные, но только в ограниченном количестве мест.
Чтобы решить эту проблему, ученые использовали глубокое обучение, тип машинного обучения, чтобы проанализировать взаимосвязь между спутниковыми и наземными наблюдениями за диоксидом азота в районе Большого Лос-Анджелеса. По словам ученых, диоксид азота в значительной степени связан с выбросами от транспортных средств и электростанций.
«Проблема сейчас в том, что диоксид азота сильно меняется в течение дня», – сказал Юй. "Но у нас не было доступного почасового продукта в пригородном масштабе для отслеживания загрязнения воздуха. Сравнивая наблюдения за приземным уровнем и спутниковые наблюдения, мы можем фактически производить оценки с более высоким пространственным и временным разрешением."
Установленная взаимосвязь позволила исследователям проводить ежедневные спутниковые наблюдения и ежечасно оценивать содержание двуокиси азота в атмосфере примерно в 3-мильной сетке, сказали ученые. Недавно они сообщили о своих выводах в журнале Science of the Total Environment.
"Проблема здесь в том, сможем ли мы найти связь между измерениями с земной поверхности и спутниковыми наблюдениями тропосферы, которые на самом деле находятся далеко друг от друга. Вот где приходит глубокое обучение."
Алгоритмы глубокого обучения работают так же, как человеческий мозг, и содержат несколько слоев искусственных нейронов для обработки данных и создания шаблонов. По словам ученых, система учится и тренируется на основе соединений, которые она находит в больших объемах данных.
Ученые протестировали два алгоритма глубокого обучения и обнаружили, что тот, который сравнивал наземные наблюдения напрямую со спутниковыми наблюдениями, более точно предсказывал уровни диоксида азота. Добавление такой информации, как метеорологические данные, высота и расположение наземных станций, основных дорог и электростанций, еще больше повысило точность прогнозов.
Ю сказал, что исследование можно повторить для других парниковых газов и применить к другим городам или в региональном и континентальном масштабах, сказали ученые. Кроме того, модель может быть обновлена при запуске новых спутников с более высоким разрешением.
«Благодаря высокому пространственно-временному разрешению наши результаты облегчат изучение проблем качества воздуха и здоровья и улучшат понимание динамической эволюции переносимых по воздуху загрязнителей», – сказал Ю.