Neues Modell sorgt für verbesserte Luft

Sep 19, 2023

14. März 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

peer-reviewte Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen

von der Pennsylvania State University

Weltweit kommt es immer häufiger und zerstörerischer zu Waldbränden, die eine beträchtliche Menge Rauch erzeugen, der Tausende von Kilometern transportiert werden kann, was den Bedarf an genaueren Luftverschmutzungsvorhersagen erhöht. Ein Team von Forschern aus Penn State hat ein Deep-Learning-Modell entwickelt, das verbesserte Vorhersagen der Luftqualität in waldbrandgefährdeten Gebieten liefert und zwischen Waldbränden und Nicht-Waldbränden unterscheiden kann.

„Da der Klimawandel weiterhin zu ökologischen Veränderungen und Herausforderungen führt, ist es wahrscheinlich, dass die Waldbrandaktivitäten weiter zunehmen“, sagte Manzhu Yu, Assistenzprofessor für Geographie an der Penn State University und leitender Forscher des Projekts. „Aus diesem Grund ist es eine dringende Forschungspriorität, die Konzentration von Luftschadstoffen, die durch Waldbrandrauch verursacht werden, genau vorherzusagen, insbesondere in waldbrandgefährdeten Gebieten.“

Waldbrandrauch enthält eine Kombination aus Partikeln und vielen gasförmigen Schadstoffen. Feinstaub, PM2,5 genannt, wird mit erheblichen Risiken für die menschliche Gesundheit in Verbindung gebracht und unterliegt den Vorschriften der US-Umweltschutzbehörde EPA.

„Die Feinstaubpartikel im Rauch von Waldbränden können sich bei hohen Konzentrationen negativ auf die menschliche Gesundheit auswirken“, sagte Yu. „Vorhersagen zur Luftqualität für brandgefährdete Gebiete können Notfallmanagern und Beamten des öffentlichen Gesundheitswesens erheblich dabei helfen, potenziell negative Auswirkungen von Luftverschmutzungsereignissen auf die Umwelt und die öffentliche Gesundheit abzumildern.“

Laut Yu wäre das neue Modell des Teams in der Lage, Menschen früher vor gefährlicher Luftqualität zu warnen. Das Team berichtete über seine Ergebnisse in der Zeitschrift Science of the Total Environment.

Eine genaue Vorhersage der Luftqualität, insbesondere für Schadstoffe, die aus Waldbränden stammen, ist eine Herausforderung, da sie stark mit den Eigenschaften des Waldbrands wie atmosphärischen Bedingungen, Topographie, Treibstoff und Feuchtigkeit zusammenhängt, so die Forscher.

„Der Vorteil dieses Modells besteht darin, dass es bessere Vorhersagen erstellen kann, die die abrupten Änderungen von PM2,5 bei Waldbränden erfassen können, ohne dabei die Menge an vorhandenem PM2,5 zu unterschätzen, die andere Modelle tendenziell unterschätzen.“ sagte Yu. „Ebenso überschätzt das Modell PM2,5 nicht, wenn es kein Feuer gibt.“

Das vom Team entwickelte Modell ist eine Iteration eines bestehenden Deep-Learning-Modells namens „Transformer“, einem Sequenz-zu-Sequenz-Modell, das ursprünglich für die Sprachübersetzung vorgeschlagen wurde und erfolgreich für die Zeitreihenvorhersage verwendet wurde. Das neue Modell namens ST-Transformer verwendet ein neuartiges Framework, das mit Waldbränden verbundene Trends bestimmen kann.

Mithilfe von Daten von US-amerikanischen EPA-Luftqualitätsstationen im Großraum Los Angeles wurde das Modell darauf trainiert, Zeitreihenvorhersagen zu PM2,5-Konzentrationen durchzuführen. Da Luftqualitätsstationen nur spärlich über große Gebiete verteilt sind und den ganzen Tag über Daten sammeln, muss ST-Transformer Zeit- und Raumvariablen sowie variablenabhängige Abhängigkeiten berücksichtigen, also Variablen, die sich gegenseitig beeinflussen.

„Um das ST-Transformer-Modell zu trainieren, haben wir räumliche, zeitliche und variable Abhängigkeiten von Waldbränden, Rauch und Luftschadstoffen einbezogen“, sagte Yu. „Wir haben auch den Vollaufmerksamkeitsmechanismus von Transformer auf Sparse-Aufmerksamkeit umgestellt, der trainiert werden kann, um die relevantesten Informationen zu priorisieren und zu erfassen. Dadurch kann sich das Modell nur auf PM2,5 im Zusammenhang mit Waldbränden konzentrieren.“

Der traditionelle Weg, diese Art von Modellarbeit für Zeitreihenvorhersagen durchzuführen, besteht darin, Modelle separat für Nichtraucher- oder Basisszenarien sowie Rauchszenarien zu trainieren. Dann können Basismodelle verwendet werden, um die Luftverschmutzung für Tage ohne Waldbrandrauch vorherzusagen, und das Rauchmodell für Tage mit Waldbrandrauch, so das Team. Aber Yu und ihr Team haben diese Eingaben in einem Modell zusammengeführt.

„Hier kommt spärliche Aufmerksamkeit ins Spiel, denn mit spärlicher Aufmerksamkeit weiß man, welche Eingaben besser zu einer genaueren Prognose führen“, sagte sie. „Spärliche Aufmerksamkeit führt auch zu besseren Schätzungen von PM2,5, wodurch Überschätzungen während der Basiszeiten und Unterschätzungen bei Bränden reduziert werden.“

Yu sagte, ST-Transformer könne auch zur Verbesserung von Vorhersagen in anderen Bereichen wie Wasserqualität, Niederschlag und Sonneneinstrahlung eingesetzt werden.

„ST-Transformer könnte hilfreich sein, um Probleme mit der Wasserqualität vorherzusagen, wenn man Stationen im Wasser hat, man aber nicht kontrollieren kann, wo man sie platzieren kann“, sagte Yu. „Zum Beispiel sind Stickstoff oder Phosphor im Abwasser, die Algenblüten verursachen können, wie Waldbrände, weil sie flüssig sind und sich ständig dynamisch verändern. Ihre Sensoren können das erfassen, vielleicht auch nicht.“

Mehr Informationen: Manzhu Yu et al., Vorhersage stündlicher PM2,5-Konzentrationen in waldbrandgefährdeten Gebieten mithilfe eines SpatioTemporal Transformer-Modells, Science of The Total Environment (2022). DOI: 10.1016/j.scitotenv.2022.160446

Zeitschrifteninformationen:Wissenschaft der gesamten Umwelt

Zur Verfügung gestellt von der Pennsylvania State University