پیش‌بینی آلودگی هوا با هوش مصنوعی؛ از داده‌های ماهواره‌ای تا سنجش‌های زمینی

پیام خوزستان - ایسنا / یک کارشناس هوش مصنوعی با تشریح ظرفیت هوش مصنوعی در پیش‌بینی آلودگی هوا گفت: تحلیل هم‌زمان داده‌های ماهواره‌ای، سنجش‌های زمینی، اطلاعات هواشناسی، تراکم ترافیک و فعالیت صنایع می‌تواند به شناسایی الگوهای آلودگی و پیش‌بینی تغییرات کیفیت هوا کمک کند؛ ظرفیتی که با فراهم‌بودن داده‌های دقیق و قابل اعتماد، زمینه هشدار زودهنگام و برنامه‌ریزی زیست‌محیطی را فراهم می‌کند.
اشکان زارعی، با اشاره به کاربرد هوش مصنوعی در بررسی و پیش‌بینی آلودگی هوا اظهار کرد: برای آموزش مدل‌های هوش مصنوعی در این حوزه می‌توان از مجموعه‌ای از داده‌ها استفاده کرد که بخشی از آن‌ها شامل داده‌ها و نقشه‌های ماهواره‌ای، اطلاعات مربوط به شرایط آب‌وهوایی و شاخص‌های آلودگی هواست. سنسورهای محلی و زمینی نیز می‌توانند در کنار این اطلاعات، داده‌های مورد نیاز را تأمین کنند.
وی با بیان اینکه داده‌های مربوط به تراکم و حجم ترافیک، فعالیت کارخانه‌ها و حتی روزهای مختلف هفته در تحلیل آلودگی هوا مؤثر هستند، افزود: این اطلاعات در کنار یکدیگر و با توجه به روند زمانی تغییرات، به هوش مصنوعی کمک می‌کنند تا الگوهای موجود را یاد بگیرد و بر اساس شرایط مشابه، میزان احتمالی آلودگی هوا را در بازه‌های زمانی آینده پیش‌بینی کند.
مدیر آی‌تی ایستگاه نوآوری و فناوری شریف ادامه داد: داده‌های مربوط به روزها، ماه‌ها و سال‌های گذشته نیز می‌توانند در آموزش این مدل‌ها مورد استفاده قرار گیرند. برای مثال، اگر در یک بازه زمانی مشخص در سال گذشته پدیده وارونگی هوا رخ داده و بر میزان آلودگی تأثیر گذاشته باشد، مدل هوش مصنوعی می‌تواند با شناسایی الگوهای مشابه، این اطلاعات را در پیش‌بینی‌های بعدی خود لحاظ کند.
کیفیت داده‌ها در دقت مدل‌های هوش مصنوعی مؤثر است
زارعی درباره تأثیر کمبود داده‌های سنجشی بر عملکرد مدل‌ها بیان کرد: هرچه داده‌های بیشتری در اختیار مدل قرار گیرد، امکان یادگیری بهتر فراهم می‌شود، اما این موضوع به‌تنهایی تعیین‌کننده نیست. با پیشرفت مدل‌های هوش مصنوعی، تجهیزات پردازشی، پردازنده‌های گرافیکی (GPU) و زیرساخت‌های فنی، امکان آموزش مدل‌های مناسب با حجم کمتری از داده نیز فراهم شده است.
وی با تأکید بر اینکه کفایت داده‌ها به نوع مدل و فناوری مورد استفاده بستگی دارد، تصریح کرد: نوع داده‌ها، تمیز و قابل اعتماد بودن آن‌ها و همچنین نرمال‌بودن داده‌ها در فرایند یادگیری اهمیت زیادی دارد. ممکن است تعداد بسیار زیادی مدل یا نمونه داده در اختیار داشته باشیم، اما اگر داده‌های مناسبی نباشند، به یادگیری مطلوب منجر نشوند. در مقابل، حتی هزار نمونه داده تمیز و مناسب نیز می‌تواند برای آموزش یک مدل مؤثر باشد.
هوش مصنوعی با تحلیل هم‌زمان عوامل متعدد، الگوهای آلودگی را شناسایی می‌کند
این کارشناس هوش مصنوعی با اشاره به امکان استفاده از پیش‌بینی‌های هوشمند در مدیریت شهری اظهار کرد: در حوزه شهر هوشمند، کاربردهای مختلفی برای تشخیص و پیش‌بینی وجود دارد و در موضوع آلودگی هوا نیز نمی‌توان تنها به یک عامل توجه کرد؛ بلکه باید مجموعه‌ای از شاخص‌ها و عوامل مؤثر را به‌صورت هم‌زمان مورد بررسی قرار داد.
زارعی افزود: یک کارشناس انسانی ممکن است بتواند با بررسی دو یا سه شاخص، درباره وضعیت آلودگی هوا ارزیابی و پیش‌بینی انجام دهد، اما هوش مصنوعی این امکان را دارد که تعداد بیشتری از عوامل را به‌طور هم‌زمان تحلیل کند و ارتباط میان آن‌ها را شناسایی کند.
وی با بیان اینکه عواملی مانند رطوبت هوا و افزایش گردوغبار نیز ممکن است در تغییرات آلودگی تأثیرگذار باشند، گفت: ممکن است در بررسی‌های معمول، برخی از این عوامل در کنار سایر شاخص‌ها به‌صورت دقیق مورد توجه قرار نگیرند، اما مدل هوش مصنوعی می‌تواند هم‌زمان ۱۰ یا ۲۰ آیتم را بررسی کند و الگوهای ارتباطی میان آن‌ها را تشخیص دهد.
این کارشناس هوش مصنوعی خاطرنشان کرد: یکی از ظرفیت‌های هوش مصنوعی، همین توانایی در تحلیل هم‌زمان عوامل متعدد و انجام فرایندهای خودکار بر اساس الگوهای شناسایی‌شده است. این قابلیت می‌تواند در آینده به افزایش دقت پیش‌بینی‌ها در مقایسه با ارزیابی‌های انسانی کمک کند.