Nuevo modelo proporciona aire mejorado

Sep 19, 2023

14 de marzo de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

comprobado

publicación revisada por pares

fuente confiable

corregir

por la Universidad Estatal de Pensilvania

A nivel mundial, los incendios forestales se están volviendo más frecuentes y destructivos, generando una cantidad significativa de humo que puede transportarse miles de millas, lo que genera la necesidad de pronósticos más precisos sobre la contaminación del aire. Un equipo de investigadores de Penn State ha desarrollado un modelo de aprendizaje profundo que proporciona predicciones mejoradas de la calidad del aire en áreas propensas a incendios forestales y puede diferenciar entre incendios forestales y no forestales.

"A medida que el cambio climático continúa causando cambios y desafíos ecológicos, es probable que las actividades de incendios forestales continúen aumentando", dijo Manzhu Yu, profesor asistente de geografía en Penn State e investigador principal del proyecto. "Debido a esto, es una prioridad de investigación urgente predecir con precisión la concentración de contaminantes del aire inducidos por el humo de los incendios forestales, especialmente en áreas propensas a incendios forestales".

El humo de los incendios forestales contiene una combinación de partículas y muchos contaminantes gaseosos. Las partículas finas, denominadas PM2.5, se han asociado con riesgos significativos para la salud humana y están reguladas por la EPA de EE. UU.

"Las partículas finas en el humo de los incendios forestales pueden afectar negativamente la salud humana cuando los niveles son altos", dijo Yu. "Las predicciones de la calidad del aire para áreas propensas a incendios pueden ayudar significativamente a los administradores de emergencias y a los funcionarios de salud pública a mitigar los impactos ambientales y de salud pública potencialmente adversos de los eventos de contaminación del aire".

Según Yu, el nuevo modelo del equipo podría advertir a las personas antes sobre la calidad peligrosa del aire. El equipo informó sus hallazgos en la revista Science of the Total Environment.

Según los investigadores, la predicción precisa de la calidad del aire, especialmente para los contaminantes derivados de los incendios forestales, es un desafío, ya que está muy relacionada con las características del incendio forestal, como las condiciones atmosféricas, la topografía, el combustible y la humedad.

"La ventaja de este modelo es que puede producir mejores predicciones que pueden capturar los cambios abruptos de PM2.5 cuando ocurren incendios forestales, sin subestimar la cantidad de PM2.5 que está presente, que otros modelos tienden a subestimar". dijo Yu. "Del mismo modo, el modelo no sobreestima PM2.5 cuando no hay fuego".

El modelo que desarrolló el equipo es una iteración de un modelo de aprendizaje profundo existente llamado "Transformador", que es un modelo de secuencia a secuencia propuesto originalmente para la traducción de idiomas y se ha utilizado con éxito para la previsión de series temporales. El nuevo modelo, llamado ST-Transformer, utiliza un marco novedoso que puede determinar las tendencias asociadas con los incendios forestales.

Usando datos de las estaciones de calidad del aire de la EPA de EE. UU. en el área metropolitana de Los Ángeles, el modelo fue entrenado para realizar pronósticos de series temporales sobre las concentraciones de PM2.5. Debido a que las estaciones de calidad del aire están escasamente ubicadas en grandes áreas y recopilan datos a lo largo del día, ST-Transformer debe considerar las variables de tiempo y espacio, así como las dependencias de variables, que son variables que se impactan entre sí.

"Para entrenar el modelo ST-Transformer, incluimos dependencias espaciales, temporales y variables de incendios forestales, humo y contaminantes del aire", dijo Yu. "También cambiamos el mecanismo de atención completa de Transformer a atención dispersa, que puede ser entrenado para priorizar y capturar la información más relevante. Esto permite que el modelo se centre solo en PM2.5 relacionado con incendios forestales".

La forma tradicional de realizar este tipo de trabajo de modelo para la previsión de series temporales es entrenar modelos por separado para escenarios sin humo o de referencia, así como escenarios de humo. Luego, los modelos de referencia se pueden usar para predecir la contaminación del aire durante días sin humo de incendios forestales, y el modelo de humo para predecir días con humo de incendios forestales, según el equipo. Pero Yu y su equipo fusionaron estas entradas en un solo modelo.

"Ahí es donde entra en juego la atención escasa porque con la atención escasa, sabes qué entradas proporcionarán mejor un pronóstico preciso", dijo. "La escasa atención también proporciona mejores estimaciones de PM2.5, reduciendo las sobreestimaciones durante los tiempos de referencia y las subestimaciones cuando hay un incendio".

Yu dijo que ST-Transformer también podría usarse para mejorar las predicciones en otros campos, como la calidad del agua, las precipitaciones y la radiación solar.

"ST-Transformer podría ser útil para predecir problemas de calidad del agua donde tiene estaciones en el agua, pero no puede controlar dónde colocarlas", dijo Yu. "Por ejemplo, el nitrógeno o el fósforo en la escorrentía que puede causar la proliferación de algas son como incendios forestales porque son fluidos y cambian dinámicamente todo el tiempo. Sus sensores pueden capturar eso o no".

Más información: Manzhu Yu et al, Predicción de concentraciones de PM2.5 por hora en áreas propensas a incendios forestales usando un modelo SpatioTemporal Transformer, Science of The Total Environment (2022). DOI: 10.1016/j.scitotenv.2022.160446

Información del diario:Ciencia del Medio Ambiente Total

Proporcionado por la Universidad Estatal de Pensilvania