La IA puede ayudar a predecir la calidad del aire, pero eventos como el verano de incendios forestales también requieren métodos tradicionales

Por Joshua S. Fu, universidad de tennessee

El humo de los incendios forestales de la temporada extrema de incendios forestales de Canadá ha dejado a muchas personas preguntándose sobre la calidad del aire y qué esperar en los próximos días.

Todo el aire contiene compuestos gaseosos y pequeñas partículas. Pero a medida que la calidad del aire se deteriora, estos gases y partículas pueden desencadenar asma y exacerbar los problemas cardíacos y respiratorios a medida que ingresan a la nariz, la garganta y los pulmones e incluso circulan en el torrente sanguíneo. Cuando el humo de un incendio forestal tiñó de naranja los cielos de la ciudad de Nueva York a principios de junio de 2023, las visitas a la sala de emergencias por asma se duplicaron.

En la mayoría de las ciudades, es fácil encontrar un índice de calidad del aire diario que le indique cuándo el aire se considera insalubre o incluso peligroso. Sin embargo, predecir la calidad del aire en los próximos días no es tan sencillo.

Trabajo con el pronóstico de la calidad del aire como profesor de ingeniería civil y ambiental. La inteligencia artificial ha mejorado estas predicciones, pero la investigación muestra que es mucho más útil cuando se combina con técnicas tradicionales. Este es el por qué:

Cómo predicen los científicos la calidad del aire

Para predecir la calidad del aire en un futuro cercano, unos días o más, los científicos generalmente se basan en dos métodos principales: un modelo de transporte químico o un modelo de aprendizaje automático. Estos dos modelos generan resultados de formas totalmente diferentes.

Los modelos de transporte químico utilizan muchas fórmulas químicas y físicas conocidas para calcular la presencia y producción de contaminantes atmosféricos. Utilizan datos de inventarios de emisiones informados por agencias locales que enumeran contaminantes de fuentes conocidas como incendios forestales, tráfico o fábricas, y datos meteorológicos que brindan información atmosférica como viento, precipitación, temperatura y radiación solar.

Estos modelos simulan el flujo y las reacciones químicas de los contaminantes del aire. Sin embargo, sus simulaciones involucran múltiples variables con grandes incertidumbres. La nubosidad, por ejemplo, altera la radiación solar entrante y, por tanto, la fotoquímica. Esto puede hacer que los resultados sean menos precisos.

Las predicciones de contaminación del aire AirNow de la EPA utilizan el aprendizaje automático. Durante los incendios forestales, un modelo de dispersión y transporte de humo ayuda a simular la propagación de las nubes de humo. Este mapa está pronosticado para el 9 de agosto de 2023. El amarillo indica riesgo moderado; naranja indica aire insalubre para grupos sensibles. AirNow.gov

En cambio, los modelos de aprendizaje automático aprenden patrones a lo largo del tiempo a partir de datos históricos para predecir la calidad del aire en el futuro en una región determinada y luego aplican ese conocimiento a las condiciones actuales para predecir el futuro.

La desventaja de los modelos de aprendizaje automático es que no consideran ningún mecanismo químico y físico como lo hacen los modelos de transporte químico. Además, la precisión de las proyecciones de aprendizaje automático en condiciones extremas, como olas de calor o incendios forestales, puede verse afectada si los modelos no se entrenan con estos datos. Entonces, si bien los modelos de aprendizaje automático pueden mostrar dónde y cuándo es más probable que haya altos niveles de contaminación, como durante las horas pico cerca de las autopistas, generalmente no pueden manejar eventos más aleatorios, como el humo de incendios forestales proveniente de Canadá. .

¿Cual es mejor?

Los científicos han determinado que ninguno de los modelos es lo suficientemente preciso por sí solo, pero usar los mejores atributos de ambos modelos juntos puede ayudar a predecir mejor la calidad del aire que respiramos.

Este método combinado, conocido como aprendizaje automático – fusión de modelos de medición, o ML-MMF, tiene la capacidad de ofrecer predicciones basadas en la ciencia con más del 90 % de precisión. Se basa en mecanismos físicos y químicos conocidos y puede simular todo el proceso desde la fuente de contaminación del aire hasta la nariz. Agregar datos satelitales puede ayudarlos a informar al público sobre los niveles de seguridad de la calidad del aire y la dirección en la que viajan los contaminantes con mayor precisión.

Recientemente comparamos las predicciones de los tres modelos con las mediciones reales de la contaminación. Los resultados fueron impresionantes: el modelo combinado fue un 66 % más preciso que el modelo de transporte químico y un 12 % más preciso que el modelo de aprendizaje automático solo.

El modelo de transporte químico sigue siendo el método más común utilizado en la actualidad para predecir la calidad del aire, pero las aplicaciones con modelos de aprendizaje automático son cada vez más populares. El método de pronóstico regular utilizado por AirNow.gov de la Agencia de Protección Ambiental de EE. UU. se basa en el aprendizaje automático. El sitio también recopila resultados de pronósticos de calidad del aire de agencias estatales y locales, la mayoría de las cuales utilizan modelos de transporte de productos químicos.

A medida que las fuentes de información se vuelven más confiables, los modelos combinados se convertirán en formas más precisas de predecir la calidad del aire peligrosa, particularmente durante eventos impredecibles como el humo de los incendios forestales.

Joshua S. Fu, Profesor del Canciller de Ingeniería, Cambio Climático e Ingeniería Civil y Ambiental, universidad de tennessee

Este artículo se vuelve a publicar de La conversación bajo una licencia Creative Commons.