![pageSearch](/themes/hestia/images/page-search.webp)
10 auto iconiche della serie di film Transformers
May 21, 202310 auto iconiche della serie di film Transformers
Sep 10, 2023I 12 momenti più divertenti di Willie, il giardiniere, nella storia dei Simpson
May 20, 20231 MHz, 2 schede, 4 bit e una CPU fatta in casa
Jul 02, 2023Notizie dal settore della stampa 3D Sliced: Carbon, Nexa3D, Essentium, Renishaw, 3D Systems e altro ancora
Mar 17, 2023Il nuovo modello fornisce un'aria migliore
![Sep 19, 2023](/themes/hestia/images/news-details-icon1.webp)
14 marzo 2023
Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:
verificato
pubblicazione sottoposta a revisione paritaria
fonte attendibile
correggere le bozze
dalla Pennsylvania State University
A livello globale, gli incendi stanno diventando sempre più frequenti e distruttivi, generando una quantità significativa di fumo che può essere trasportata per migliaia di chilometri, determinando la necessità di previsioni più accurate sull’inquinamento atmosferico. Un team di ricercatori della Penn State ha sviluppato un modello di deep learning che fornisce previsioni migliori sulla qualità dell’aria nelle aree soggette a incendi e può distinguere tra incendi boschivi e non incendi boschivi.
"Poiché il cambiamento climatico continua a causare cambiamenti e sfide ecologiche, è probabile che gli incendi boschivi continueranno ad aumentare", ha affermato Manzhu Yu, assistente professore di geografia alla Penn State e ricercatore capo del progetto. “Per questo motivo, è una priorità di ricerca urgente prevedere con precisione la concentrazione di inquinanti atmosferici indotti dal fumo degli incendi, soprattutto nelle aree a rischio di incendi”.
Il fumo degli incendi contiene una combinazione di particolato e molti inquinanti gassosi. Il particolato fine, denominato PM2.5, è stato associato a rischi significativi per la salute umana ed è regolato dall'EPA statunitense.
"Il particolato fine presente nel fumo degli incendi può avere un impatto negativo sulla salute umana quando i livelli sono elevati", ha affermato Yu. “Le previsioni sulla qualità dell’aria per le aree a rischio di incendio possono aiutare in modo significativo i gestori delle emergenze e i funzionari della sanità pubblica a mitigare gli impatti potenzialmente negativi sull’ambiente e sulla salute pubblica derivanti da eventi di inquinamento atmosferico”.
Secondo Yu, il nuovo modello del team sarebbe in grado di avvisare prima le persone sulla qualità pericolosa dell’aria. Il team ha riportato i risultati sulla rivista Science of the Total Environment.
Secondo i ricercatori, una previsione accurata della qualità dell’aria, in particolare per gli inquinanti derivati dagli incendi, è impegnativa poiché è fortemente correlata alle caratteristiche dell’incendio, come le condizioni atmosferiche, la topografia, il carburante e l’umidità.
"Il vantaggio di questo modello è che è in grado di produrre previsioni migliori in grado di catturare i cambiamenti improvvisi di PM2,5 quando si verificano incendi, senza sottovalutare la quantità di PM2,5 presente, che altri modelli tendono a sottovalutare", disse Yu. "Allo stesso modo, il modello non sovrastima il PM2,5 in assenza di incendi."
Il modello sviluppato dal team è un’iterazione di un modello di deep learning esistente chiamato “Transformer”, che è un modello sequenza per sequenza originariamente proposto per la traduzione linguistica ed è stato utilizzato con successo per la previsione delle serie temporali. Il nuovo modello, chiamato ST-Transformer, utilizza un nuovo quadro in grado di determinare le tendenze associate agli incendi.
Utilizzando i dati provenienti dalle stazioni di qualità dell’aria dell’EPA statunitense nell’area metropolitana di Los Angeles, il modello è stato addestrato per condurre previsioni in serie temporali sulle concentrazioni di PM2,5. Poiché le stazioni di qualità dell'aria sono sparse in aree molto estese e raccolgono dati durante il giorno, ST-Transformer deve considerare le variabili temporali e spaziali, nonché le dipendenze tra le variabili, che sono variabili che si influenzano a vicenda.
"Per addestrare il modello ST-Transformer, abbiamo incluso le dipendenze spaziali, temporali e variabili di incendi, fumo e inquinanti atmosferici", ha affermato Yu. "Abbiamo anche cambiato il meccanismo di attenzione totale di Transformer in un'attenzione scarsa, che può essere addestrata a dare priorità e acquisire le informazioni più rilevanti. Ciò consente al modello di concentrarsi solo sul PM2.5 correlato agli incendi."
Il modo tradizionale per eseguire questo tipo di lavoro sui modelli per la previsione delle serie temporali consiste nell'addestrare i modelli separatamente per scenari senza fumo o di base, nonché per scenari di fumo. Quindi i modelli di base possono essere utilizzati per prevedere l’inquinamento atmosferico per giorni senza fumo di incendi e il modello di fumo per prevedere giorni con fumo di incendi, secondo il team. Ma Yu e il suo team hanno unito questi input in un unico modello.