L'inquinamento atmosferico dovuto alla combustione di combustibili fossili ha un impatto sulla salute umana, ma la previsione dei livelli di inquinamento in un dato momento e luogo rimane difficile, secondo un team di scienziati che si stanno rivolgendo al deep learning per migliorare le stime sulla qualità dell'aria. I risultati dello studio del team potrebbero essere utili per i modellisti che esaminano come fattori economici come la produttività industriale e fattori sanitari come i ricoveri cambiano con i livelli di inquinamento.

"La qualità dell'aria è uno dei principali problemi all'interno di un'area urbana che influenza la vita delle persone, " disse Manzhu Yu, assistente professore di geografia alla Penn State. "Eppure le osservazioni esistenti non sono adeguate per fornire informazioni complete che possono aiutare le popolazioni vulnerabili a pianificare in anticipo".

Le osservazioni satellitari e terrestri misurano l'inquinamento atmosferico, ma sono limitati, hanno detto gli scienziati. Satelliti, ad esempio, possono passare in un determinato luogo alla stessa ora ogni giorno e perdere il modo in cui le emissioni variano a ore diverse. Le stazioni meteorologiche terrestri raccolgono continuamente dati, ma solo in un numero limitato di località.

Per affrontare questo, gli scienziati hanno utilizzato il deep learning, un tipo di apprendimento automatico, analizzare la relazione tra osservazioni satellitari e terrestri del biossido di azoto nell'area metropolitana di Los Angeles. Il biossido di azoto è in gran parte associato alle emissioni del traffico e delle centrali elettriche, hanno detto gli scienziati.

"Il problema in questo momento è che il biossido di azoto varia molto durante il giorno, " Yu ha detto. "Ma non abbiamo avuto un'ora, prodotto su scala suburbana disponibile per monitorare l'inquinamento atmosferico. Confrontando il livello della superficie e le osservazioni satellitari, possiamo effettivamente produrre stime con una risoluzione spaziale e temporale più elevata".

La relazione appresa ha permesso ai ricercatori di effettuare osservazioni satellitari giornaliere e creare stime orarie del biossido di azoto atmosferico in griglie di circa 3 miglia, hanno detto gli scienziati. Di recente hanno riportato le loro scoperte sulla rivista Scienza dell'ambiente totale .

"La sfida qui è se possiamo trovare un collegamento tra le misurazioni dalla superficie terrestre e le osservazioni satellitari della troposfera, che in realtà sono molto distanti tra loro. È qui che entra in gioco il deep learning."

Gli algoritmi di deep learning funzionano in modo molto simile al cervello umano e dispongono di più strati di neuroni artificiali per l'elaborazione dei dati e la creazione di schemi. Il sistema apprende e si addestra in base alle connessioni che trova all'interno di grandi quantità di dati, hanno detto gli scienziati.

Gli scienziati hanno testato due algoritmi di apprendimento profondo e hanno scoperto che quello che confrontava le osservazioni a terra direttamente con le osservazioni satellitari prevedeva in modo più accurato i livelli di biossido di azoto. Aggiunta di informazioni come dati meteorologici, l'elevazione e le posizioni delle stazioni a terra e delle strade principali e delle centrali elettriche hanno ulteriormente migliorato l'accuratezza della previsione.

Yu ha affermato che lo studio potrebbe essere ripetuto per altri gas serra e applicato a diverse città o su scala regionale e continentale, hanno detto gli scienziati. Inoltre, il modello potrebbe essere aggiornato quando nuovo, vengono lanciati satelliti ad alta risoluzione.

"Con un'elevata risoluzione spazio-temporale, i nostri risultati faciliteranno lo studio tra qualità dell'aria e problemi di salute e miglioreranno la comprensione dell'evoluzione dinamica degli inquinanti atmosferici, " disse Yu.