![pageSearch](/themes/hestia/images/page-search.webp)
새로운 모델은 향상된 공기를 제공합니다
![Sep 19, 2023](/themes/hestia/images/news-details-icon1.webp)
2023년 3월 14일
이 기사는 Science X의 편집 과정 및 정책에 따라 검토되었습니다. 편집자들은 콘텐츠의 신뢰성을 보장하면서 다음 특성을 강조했습니다.
사실 확인된
동료 검토 출판물
신뢰할 수 있는 출처
교정하다
펜실베이니아 주립대학교
전 세계적으로 산불은 점점 더 빈번해지고 파괴적이 되어 수천 마일까지 이동할 수 있는 상당한 양의 연기를 생성하므로 보다 정확한 대기 오염 예측이 필요합니다. Penn State 연구원 팀은 산불이 발생하기 쉬운 지역의 대기 질에 대한 향상된 예측을 제공하고 산불과 산불이 아닌 것을 구별할 수 있는 딥 러닝 모델을 개발했습니다.
Penn State의 지리학 조교수이자 이 프로젝트의 수석 조사관인 Manzhu Yu는 "기후 변화가 계속해서 생태학적 변화와 도전을 야기함에 따라 산불 활동이 계속 증가할 가능성이 높습니다."라고 말했습니다. "이 때문에 특히 산불 다발지역에서 산불 연기로 인한 대기오염물질 농도를 정확하게 예측하는 것이 시급한 연구 우선순위입니다."
산불 연기에는 미립자 물질과 다양한 가스 오염 물질이 혼합되어 있습니다. PM2.5라고 불리는 미세먼지는 인체 건강에 심각한 위험과 관련되어 있으며 US EPA의 규제를 받습니다.
Yu는 "산불 연기에 포함된 미세한 입자상 물질은 수준이 높을 때 인간의 건강에 부정적인 영향을 미칠 수 있습니다"라고 말했습니다. "화재가 발생하기 쉬운 지역의 대기 질 예측은 비상 관리자 및 공중 보건 공무원이 대기 오염 사건으로 인해 잠재적으로 부정적인 환경 및 공중 보건 영향을 완화하는 데 크게 도움이 될 수 있습니다."
Yu에 따르면, 팀의 새로운 모델은 위험한 공기 질에 대해 사람들에게 더 빨리 경고할 수 있을 것이라고 합니다. 연구팀은 이번 연구 결과를 Science of the Total Environment 저널에 보고했습니다.
연구진에 따르면 대기질, 특히 산불에서 파생된 오염물질의 정확한 예측은 대기 조건, 지형, 연료, 수분 등 산불의 특성과 밀접한 관련이 있기 때문에 어렵다고 합니다.
"이 모델의 장점은 다른 모델이 과소평가하는 경향이 있는 PM2.5의 존재량을 과소평가하지 않으면서 산불 발생 시 PM2.5의 급격한 변화를 포착할 수 있는 더 나은 예측을 생성할 수 있다는 것입니다." Yu가 말했다. "마찬가지로 모델은 화재가 없을 때 PM2.5를 과대평가하지 않습니다."
팀이 개발한 모델은 원래 언어 번역을 위해 제안된 시퀀스-투-시퀀스 모델인 'Transformer'라는 기존 딥러닝 모델을 반복한 것으로, 시계열 예측에 성공적으로 사용되었습니다. ST-Transformer라고 불리는 새로운 모델은 산불과 관련된 추세를 확인할 수 있는 새로운 프레임워크를 사용합니다.
로스앤젤레스 광역 지역에 있는 US EPA 대기 질 관측소의 데이터를 사용하여 모델은 PM2.5 농도에 대한 시계열 예측을 수행하도록 훈련되었습니다. 대기 질 관측소는 넓은 지역에 드물게 위치하고 하루 종일 데이터를 수집하기 때문에 ST-Transformer는 서로 영향을 미치는 변수인 변수별 종속성뿐만 아니라 시간 및 공간 변수도 고려해야 합니다.
"ST-Transformer 모델을 훈련하기 위해 우리는 산불, 연기 및 대기 오염 물질의 공간적, 시간적, 가변적 종속성을 포함했습니다"라고 Yu는 말했습니다. "또한 Transformer의 전체 주의 메커니즘을 희소 주의로 전환하여 가장 관련성이 높은 정보의 우선순위를 지정하고 캡처하도록 훈련할 수 있습니다. 이를 통해 모델은 산불과 관련된 PM2.5에만 집중할 수 있습니다."
시계열 예측을 위해 이러한 종류의 모델 작업을 수행하는 전통적인 방법은 연기가 없는 시나리오나 기본 시나리오 및 연기 시나리오에 대해 모델을 별도로 훈련하는 것입니다. 그런 다음 기준 모델을 사용하여 산불 연기가 없는 날 동안 대기 오염을 예측하고, 연기 모델을 사용하여 산불 연기가 있는 날 동안 예측할 수 있다고 팀은 말합니다. 그러나 Yu와 그녀의 팀은 이러한 입력을 하나의 모델로 병합했습니다.