本文转载自 The Conversation.
来自 加拿大极端火灾季节 的野火烟雾让许多人开始关注空气质量，并想知道未来几天会发生什么。
所有空气中都含有气体化合物和微小颗粒。但随着空气质量恶化，这些气体和颗粒会 引发哮喘，并 加剧心脏和呼吸系统问题，因为它们会进入鼻腔、喉咙和肺部，甚至在血液中循环。当 2023 年 6 月初野火烟雾使纽约市的天空变成橙色时，哮喘患者的 急诊室就诊次数 翻了一番。
在 大多数城市，很容易找到每日 空气质量指数得分，它会告诉你空气何时被认为是不健康的甚至是有害的。然而，预测未来几天的空气质量并非易事。
我是一名 土木与环境工程教授，我从事空气质量预测工作。人工智能已经改进了这些预测，但研究表明，当与传统技术结合使用时，它的作用会更大。原因如下：
科学家如何预测空气质量
为了预测未来几天或更长时间的空气质量，科学家通常依赖两种 主要方法：化学传输模型 或机器学习模型。这两种模型产生结果的方式截然不同。
化学传输模型使用大量的已知化学和物理公式来计算空气污染物的存在和产生。它们使用地方机构报告的排放清单数据，该清单列出了已知来源（如野火、交通 或工厂）的污染物，以及提供大气信息（如风、降水、温度和太阳辐射）的气象数据。
这些模型模拟空气污染物的流动和化学反应。然而，它们的模拟涉及多个具有巨大不确定性的变量。例如，云量会改变入射的太阳辐射，从而改变光化学。这可能导致结果不准确。
AirNow.gov
相反，机器学习模型通过历史数据随时间学习模式，来预测任何给定区域的未来空气质量，然后将这些知识应用于当前状况以预测未来。
机器学习模型的缺点是它们不考虑化学传输模型所考虑的任何化学和物理机制。此外，如果模型没有使用极端条件（如热浪或野火事件）下的数据进行训练，那么机器学习预测的准确性可能会有偏差。因此，虽然机器学习模型可以显示高污染水平最可能发生的时间和地点（例如，在高速公路附近的上下班高峰期），但它们通常无法应对更随机的事件，例如来自加拿大的野火烟雾。
哪个更好？
科学家们已经确定，单独使用任何一种模型都不够准确，但结合使用这两种模型的 最佳属性 可以更好地预测我们呼吸的空气的质量。
这种组合方法称为机器学习-测量模型融合（ML-MMF），能够提供基于科学的预测，准确率 超过 90%。它基于已知的物理和化学机制，能够模拟从空气污染源到您的鼻腔的整个过程。添加卫星数据可以帮助它们更准确地向公众通报空气质量安全水平以及污染物行进的方向。
我们最近 将三种模型的预测与实际污染测量值进行了比较。结果惊人：组合模型的准确性比化学传输模型高 66%，比单独的机器学习模型高 12%。
化学传输模型至今仍是预测空气质量最常用的方法，但机器学习模型的应用越来越受欢迎。美国环保署 (EPA) 的 AirNow.gov 使用的常规 预测方法 依赖于机器学习。该网站还汇总了来自州和地方机构的空气质量预测结果，其中大多数使用 化学传输 模型。
随着信息来源越来越可靠，组合模型将成为预测危险空气质量（尤其是在野火烟雾等不可预测的事件中）更准确的方法。
Joshua S. Fu 是 田纳西大学 的工程、气候变化与土木与环境工程 Chancellor's 教授。Fu 曾获得美国环保署对野火和人类健康研究的资助。
本文根据知识共享许可协议转载自 The Conversation。阅读 原文。
