استفاده از یادگیری عمیق برای تخمین آلودگی هوا

سوزاندن سوخت های فسیلی ، قطع درختان و تاثیر عوامل اقتصادی مانند بهره وری های صنعتی همگی مواردی هستند که موجب افزایش میزان آلاینده ها در هوا شده و سلامتی موجودات کره ی زمین را به خطر می اندازند.

استفاده از فناوری های جدید و تکنولوژی های اطلاعاتی میتواند راهکار بسیار مناسبی برای برنامه ریزی دقیق و پیش بینی وضعیت هوا باشد. از این رو دانشمندان به تکنیک دیپ لیرنینگ یا همان یادگیری عمیق رو آورده و درصدد حل مشکلات توسط این رویکرد جدید هستند.

استفاده از یادگیری عمیق برای تخمین آلودگی هوا

تداوم زندگی در یک منطقه به شرایط آب و هوایی آن منطقه بستگی دارد و آلودگی هوا موجب بروز بیماری های تنفسی در افراد شده و طبیعتا انگیزه ای برای ماندن در آن منطقه نخواهند داشت که این امر مشکلات اقتصادی و جمعیتی را با خود به همراه خواهد داشت.

جمع آوری داده های مختلف در زمان و مکان های مختلف روشی است که به دانشمندان در نتیجه گیری و ارائه راهکار ها کمک می کند. این اطلاعات توسط ماهواره های مستقر در فضا و ایستگاه های هواشناسی جمع آوری می شوند ولی مشکلی که در این روش وجود دارد ماهواره ها هر روز در یک زمان مشخص از یک مکان عبور می کنند و میزان انتشار در ساعت های مختلف را از دست می دهند و این مسئله بر دقت نتیجه گیری دانشمندان تاثیر منفی دارد.

برای حل این مشکل تیمی از دانشمندان شروع به استفاده از یادگیری عمیق جهت تجزیه و تحلیل داده ها در یکی از مناطق لس آنجلس کردند. در این آزمایش ارتباط بین ماهواره ها و مشاهدات زمینی دی اکسید نیتروژن مورد بررسی قرار گرفت و نتایج آزمایشات نشان داد که انتشار گاز دی اکسید نیتروژن تا حد زیادی به ترافیک و نیروگاه های موجود در این منطقه بستگی دارد.

مهم ترین مسئله در ردیابی مرکز انتشار آلودگی هوا متفاوت بودن میزان انتشار گاز دی اکسید نیتروژن در ساعت های مختلف یک روز می باشد که برای اینکار استفاده از علم دیپ لیرنیگ بسیار کارساز می باشد و توسط آن میتوان تخمین هایی با درصد دقت بیشتر زده شود.

دست یافتن به رابطه ذکر شده به دانشمندان کمک می کند تا مشاهدات خود را روزانه انجام داده و برآورد ساعتی میزان انتشار گاز دی اکسید نیتروژن را در محدوده سه مایلی مشخص کنند.

تنها چالشی دانشمندان در این فرآیند با آن روبرو بودند ایجاد ارتباط بین مشاهدات زمینی و ماهواره های تروپوسفر بود که در فاصله ی زیادی از یکدیگر قرار داشتند که یادگیری عمیق توانست این مشکل را حل کند

الگوریتم های یادگیری عمیق دقیقاً مانند مغز انسان عمل می کنند و دارای چندین لایه نورون مصنوعی برای پردازش داده ها و ایجاد الگوها هستند. این سیستم براساس ارتباطاتی كه در مقادیر زیادی داده پیدا می كند ، خود را می آموزد و آموزش می دهد.

در این تحقیقات دانشمندان دو الگوریتم یادگیری عمیق را آزمایش کردند که یکی از آنها مشاهدات زمینی را مستقیماً با مشاهدات ماهواره ای مقایسه می کند که موجب می شود سطح دی اکسید نیتروژن با دقت بیشتری پیش بینی شود. و همچنین افزودن اطلاعاتی همچون داده های هواشناسی ، ارتفاع و مکان ایستگاه های زمینی و جاده ها و نیروگاه های اصلی ، دقت پیش بینی را بیشتر بهبود می بخشند.

این مطالعه می تواند برای سایر گازهای گلخانه ای نیز کاربرد داشته باشد و در شهرهای مختلف یا در مقیاس های منطقه ای و قاره ای اعمال شود. علاوه بر این ، هنگام پرتاب ماهواره های جدید با وضوح بالاتر ، مدل می تواند به روز رسانی شود.