Tools

Site ExplorerSite Explorer
Close site explorer

Прогноз воздуха

27 июня 2018 г.

7 миллионов человек, согласно данным ВОЗ, ежегодно умирают от последствий загрязнение воздуха

Интеллектуальное программное обеспечение на базе искусственных нейронных сетей позволяет точно прогнозировать уровень загрязнения воздуха в крупных городах на несколько дней вперед.

Города всегда были двигателями промышленного роста и открывали для жителей возможности для трудоустройства и материального благосостояния. К 2050 году 70% населения мира будет жить в городах, почти столько же, сколько живет на Земле сегодня.

Однако быстро проявляется обратная сторона такой урбанизации: бум население является огромным вызовом для городской инфраструктуры, которая во многих городах достигла предела своих возможностей. Сегодня более 50% населения мира заселяют чуть менее двух процентов земной поверхности. Результат: современные городские агломерации со своим транспортом, промышленностью и спросом на электроэнергию являются причиной 70% глобальных выбросов парниковых газов.

Города в буквальном смысле слова создают густой воздух. И это очень плохо для жителей: согласно анализу Всемирной организации здравоохранения (ВОЗ), опубликованному в мае 2015 года, почти 90% городского населения мира дышит воздухом, уровень загрязнения которого значительно превышает рекомендуемые нормы. В результате, по данным ВОЗ, ежегодно от последствий загрязнения воздуха умирает около семи миллионов человек. То есть, причиной каждой восьмой смерти во всем мире является грязный воздух.

Но ВОЗ настроена оптимистично. По данным организации, города могут значительно улучшить качество воздуха с помощью локальных мер, например, внедрения современных эффективных интеллектуальных инфраструктурных решений, или с помощью простых, быстро реализуемых мероприятий, таких как правила дорожного движения или выгодные предложения для пешеходов и велосипедистов. В идеале, преимущественно в тех местах, где воздух загрязнен больше всего. Предпосылкой является информация о развитии процесса загрязнения атмосферы во времени и пространстве.

Программное обеспечение использует данные о погоде и выбросах от 150 разбросанных по Лондону измерительных станций.

Глубокие нейронные сети

Ральф Гротманн из центрального исследовательского подразделения корпоративных технологий Siemens принимает этот вызов. Ученый разработал прогностические модели, основанные на нейронных сетях, которые могут точно прогнозировать степень загрязнения воздуха в крупных городах на несколько дней вперед. «Нейронные сети - это компьютерные модели, которые работают как человеческий мозг. В процессе тренировки они учатся распознавать взаимосвязи и на этом основании делать прогнозы», - объясняет Гротманн. Модели построены на базе так называемых глубоких нейронных сетей, в которых используется несколько слоев искусственных нейронов. Каждый слой отвечает за один (другой) уровень абстракции. За счет взаимосвязей множества уровней можно получать более детальную информацию по сравнению с более ранними нейронными сетями. Все это звучит немного как научная фантастика, однако метод хорошо зарекомендовал себя, в Siemens он применяется уже много лет и в различных областях, например, при прогнозировании динамики конъюнктуры или цен на сырье, и даже для количества киловатт-часов, ожидаемых от возобновляемых источников энергии.

При создании системы прогнозирования разработчики Siemens опирались на данные о погоде и выбросах от 150 разбросанных по Лондону измерительных станций. «С помощью этих данных мы смогли обучить нашу систему. В частности, речь идет о количестве выбросов таких веществ как окись углерода, двуокись углерода и окислы азота. Полученные значения мы связали с погодными данными за тот же период. Это влажность, интенсивность солнечного излучения, степень облачности и даже температура», - объясняет Гротманн. Далее следует программирование календарных эффектов, определяющих различия в характеристиках транспортных потоков. То есть, рабочие и праздничные дни, а также информацию о таких событиях как, например, ярмарки или спортивные мероприятия.

Обучение на основе опыта

Задачей искусственной нейронной сети является использование этих данных и прогноза погоды для прогнозирования загрязнения воздуха определенными веществами посредством «обучения на основе опыта - larning by doing». Вначале сеть не знает, какой эффект вызывает каждая переменная, и прогноз сильно отличается от фактически измеренных выбросов. Во время обучения программа за сотни итераций минимизирует разницу между своим прогнозом и фактическим значением. Она изменяет весовые коэффициенты отдельных параметров и становится все точнее.

«Сегодня наша система может прогнозировать загрязнение воздуха в 150 местах города с почасовой динамикой в течение трех последующих дней с ошибкой менее десяти процентов, - заверяет Гротманн. - Наши результаты позволяют также сделать вывод о главном факторе прогнозируемого загрязнения». Но такой прогноз не помогает городам бороться с загрязнением воздуха. Требуются действия. Программное обеспечение для прогнозирования поможет реализовать их более целенаправленно.


Программное обеспечение Siemens позволяет не только разработать необходимые меры на транспорте, в промышленности и энергетическом секторе, но и предоставить расширенный сервис для граждан, которые стремятся избегать мест и времени с высоким уровнем загрязнения. Например, жители могут использовать онлайн-сервис, чтобы узнать, когда и где им лучше бегать трусцой с точки зрения прогнозируемого в ближайшие дни загрязнения воздуха – и не только в Лондоне, но и в Мюнхене или Берлине и во многих других городах мира. «Нашу систему теоретически можно распространить на все города - при условии, что в них измеряется состав воздуха», - заключает Гротманн.

Вспомогательная информация или услуга для граждан, заботящихся о своем здоровье – в любом случае прогнозное программное обеспечение от Siemens предоставляет городам трамплин для прыжка в эффективное, устойчивое и умное будущее, в котором они предложат своим гражданам не только возможности для развития, занятости и благосостояния, но и чистый воздух для дыхания.