Waldbrände werden weltweit immer häufiger und zerstörerischer und erzeugen eine beträchtliche Menge Rauch, der Tausende von Kilometern transportiert werden kann, was den Bedarf an genaueren Vorhersagen zur Luftverschmutzung erhöht. Ein Team von Forschern der Penn State hat ein Deep-Learning-Modell entwickelt, das verbesserte Vorhersagen der Luftqualität in waldbrandgefährdeten Gebieten liefert und zwischen Waldbränden und Nicht-Waldbränden unterscheiden kann.
„Da der Klimawandel weiterhin ökologische Veränderungen und Herausforderungen verursacht, ist es wahrscheinlich, dass die Waldbrandaktivitäten weiter zunehmen werden“, sagte Manzhu Yu, Assistenzprofessor für Geographie an der Penn State und leitender Ermittler des Projekts. „Aus diesem Grund ist es eine dringende Forschungspriorität, die durch Waldbrandrauch verursachte Konzentration von Luftschadstoffen genau vorherzusagen, insbesondere in waldbrandgefährdeten Gebieten.“
Waldbrandrauch enthält eine Kombination aus Feinstaub und vielen gasförmigen Schadstoffen. Feinstaub, bezeichnet als PM2,5, wird mit erheblichen Risiken für die menschliche Gesundheit in Verbindung gebracht und wird von der US EPA reguliert.
„Die Feinstaubpartikel im Rauch von Waldbränden können die menschliche Gesundheit beeinträchtigen, wenn die Werte hoch sind“, sagte Yu. „Vorhersagen zur Luftqualität in brandgefährdeten Gebieten können Notfallmanager und Beamte des öffentlichen Gesundheitswesens erheblich dabei unterstützen, potenziell nachteilige Auswirkungen auf die Umwelt und die öffentliche Gesundheit durch Luftverschmutzungsereignisse zu mindern.“
Laut Yu könnte das neue Modell des Teams die Menschen früher vor gefährlicher Luftqualität warnen. Das Team berichtete über seine Ergebnisse im Journal Wissenschaft der gesamten Umwelt.
Eine genaue Vorhersage der Luftqualität, insbesondere von Schadstoffen aus Waldbränden, ist eine Herausforderung, da sie laut den Forschern stark mit den Eigenschaften des Waldbrands wie atmosphärischen Bedingungen, Topographie, Brennstoff und Feuchtigkeit zusammenhängt.
„Der Vorteil dieses Modells besteht darin, dass es in der Lage ist, bessere Vorhersagen zu treffen, die die abrupten Änderungen von PM2,5 erfassen können, wenn Waldbrände auftreten, ohne die vorhandene Menge an PM2,5 zu unterschätzen, die andere Modelle tendenziell unterschätzen.“ sagte Yu. „Ebenso überschätzt das Modell PM2,5 nicht, wenn es kein Feuer gibt.“
Das vom Team entwickelte Modell ist eine Iteration eines bestehenden Deep-Learning-Modells namens „Transformer“, bei dem es sich um ein Sequenz-zu-Sequenz-Modell handelt, das ursprünglich für die Sprachübersetzung vorgeschlagen wurde und erfolgreich für Zeitreihenprognosen verwendet wurde. Das neue Modell namens ST-Transformer verwendet ein neuartiges Framework, das Trends im Zusammenhang mit Waldbränden bestimmen kann.
Unter Verwendung von Daten von Luftqualitätsstationen der US EPA im Großraum Los Angeles wurde das Modell darauf trainiert, Zeitreihenvorhersagen zu PM2,5-Konzentrationen durchzuführen. Da Luftqualitätsstationen spärlich über große Gebiete verteilt sind und den ganzen Tag über Daten sammeln, muss ST-Transformer Zeit- und Raumvariablen sowie variablenabhängige Abhängigkeiten berücksichtigen, bei denen es sich um Variablen handelt, die sich gegenseitig beeinflussen.
„Um das ST-Transformer-Modell zu trainieren, haben wir räumliche, zeitliche und variable Abhängigkeiten von Waldbränden, Rauch und Luftschadstoffen berücksichtigt“, sagte Yu. „Wir haben auch den Mechanismus der vollen Aufmerksamkeit von Transformer auf spärliche Aufmerksamkeit umgestellt, die trainiert werden kann, um die relevantesten Informationen zu priorisieren und zu erfassen. Dadurch kann sich das Modell nur auf PM2.5 im Zusammenhang mit Waldbränden konzentrieren.“
Die traditionelle Art, diese Art von Modellarbeit für die Zeitreihenvorhersage durchzuführen, besteht darin, Modelle separat für Nichtraucher- oder Basisszenarien sowie für Rauchszenarien zu trainieren. Dann können Basismodelle verwendet werden, um die Luftverschmutzung für Tage ohne Waldbrandrauch vorherzusagen, und das Rauchmodell, um Tage mit Waldbrandrauch vorherzusagen, so das Team. Aber Yu und ihr Team haben diese Eingaben in einem Modell zusammengeführt.
„Hier kommt die geringe Aufmerksamkeit ins Spiel, denn mit geringer Aufmerksamkeit wissen Sie, welche Eingaben besser eine genaue Vorhersage liefern“, sagte sie. „Eine geringe Aufmerksamkeit liefert auch bessere Schätzungen von PM2,5, wodurch Überschätzungen während der Basiszeiten und Unterschätzungen bei einem Brand reduziert werden.“
Yu sagte, dass ST-Transformer auch verwendet werden könnte, um Vorhersagen in anderen Bereichen wie Wasserqualität, Niederschlag und Sonneneinstrahlung zu verbessern.
„ST-Transformer könnte hilfreich sein, um Wasserqualitätsprobleme vorherzusagen, wenn Sie Stationen im Wasser haben, aber Sie können nicht kontrollieren, wo Sie sie platzieren können“, sagte Yu. „Zum Beispiel sind Stickstoff oder Phosphor im Abfluss, die Algenblüten verursachen können, wie Waldbrände, weil sie flüssig sind und sich ständig dynamisch verändern. Ihre Sensoren können das erfassen oder auch nicht.“
Mehr Informationen:
Manzhu Yu et al., Vorhersage stündlicher PM2,5-Konzentrationen in von Waldbränden gefährdeten Gebieten mit einem SpatioTemporal Transformer-Modell, Wissenschaft der gesamten Umwelt (2022). DOI: 10.1016/j.scitotenv.2022.160446