Прогноз состава воздуха — сложная задача для специалистов, так как на него влияет множество факторов: выхлопные газы, промышленные выбросы, сжигание угля и пыль и, конечно, метеопараметры. При этом скорость и характер распределения загрязнителей в пространстве для каждого из них индивидуальны. Учёные Сибирского федерального университета (СФУ) разработали метод прогнозирования количественного состава вредных веществ в воздухе с помощью нейронных сетей, комплексно учитывающий сразу несколько видов метеоданных. Новый подход был опробован на геоданных территории Красноярска, сообщается на сайте СФУ.Учёные предложили новый способ прогнозирования концентрации в атмосфере таких соединений как диоксид азота, оксид азота, диоксид серы и оксид углерода, которые при длительном воздействии на организм человека способны ухудшить здоровье и, в конечном счёте, привести к хроническим и злокачественным заболеваниям. Использование нейронных сетей (LSTM) в сочетании с методами математического моделирования позволило с высокой точностью предсказать количественные значения опасных загрязнителей, а также метеоусловия. LSTM сегодня является наиболее успешным типом рекуррентной нейронной сети, которая способна напрямую поддерживать задачи прогнозирования погоды, включая вероятность возникновения стихийных бедствий.В работе учёные использовали «сырые» числовые данные по основным веществам-загрязнителям воздуха. Мониторинг атмосферного воздуха проводился в Красноярске в 2017–2019 годах. Сопоставив концентрацию веществ с 10 метеопараметрами (температурой, влажностью, скоростью ветра и другими), авторы разработали архитектуру модели для обучения нейронной сети. В результате удалось повысить точность прогноза и автоматизировать процесс оценки рисков повышения уровня загрязнения воздуха.Исследователи пояснили, что существующие модели прогнозирования загрязнения воздуха без машинного обучения имеют серьёзные недостатки, которые не позволяют их применять для долгосрочных прогнозов. Технологии искусственного интеллекта на основе LSTM могут обрабатывать не только отдельные изображения, но и целые последовательности данных (речь, видео и т.д.), способны хранить информацию в течение заданного промежутка времени, выборочно изменять ее. За счёт специальной системы «обучения» созданная модель способна проследить большинство неожиданных и нестандартных скачков уровня загрязнения воздуха.Учёные сделали вывод, что использование различных видов метеоданных может повысить точность прогнозов качества воздуха в отношении других вредных соединений. Применение нового метода будет способствовать развитию эффективных путей защиты окружающей среды, выявлению источников загрязнения и главное – своевременного предупреждения населения о повышенных концентрациях токсинов и загрязнителей в атмосфере.