(Rinnovabili.it) – L’applicazione dell’intelligenza artificiale per costruire modelli di stima dell’inquinamento atmosferico e delle polveri sottili non è una novità, ma la ricerca appena pubblicata dalla Cornell University restituisce un quadro previsionale molto più preciso e dettagliato.
Gli scienziati hanno contemporaneamente semplificato e reso più accurati i modelli di calcolo delle PM2.5, le polveri sottili ricche di fuliggine e polvere e scarichi di veicoli a motore: particelle così fine da entrare gli organismi umani e determinare importanti conseguenze in termini di salute.
Lo studio, finanziato dall’ U.S. Department of Transportation’s University Transportation Centers Program e dalla Cornell Atkinson ed è stato pubblicato lo scorso dicembre sulla rivista Transportation Research Part D.
“L’infrastruttura determina il nostro ambiente di vita, la nostra esposizione”, ha spiegato l’autore senior Oliver Gao, Howard Simpson Professor di ingegneria civile e ambientale presso il College of Engineering della Cornell University. “L’impatto dell’inquinamento atmosferico dovuto al trasporto – come scarichi dalle auto e camion sulle nostre strade — è molto complicato. Le nostre politiche in materia di infrastrutture, trasporti ed energia avranno un impatto sull’inquinamento atmosferico e quindi sulla salute pubblica”.
Intelligenza artificiale e modelli di calcolo previsionale sull’inquinamento atmosferico
Elaborare modelli di previsione della diffusione delle polveri sottili fino a ora ha richiesto una importante mole di dati. Il nuovo sistema potrebbe semplificare notevolmente la vita agli analisti perché l’applicazione dell’intelligenza artificiale darà risultati più puntuali, rendendo il modello di calcolo previsionale dell’inquinamento atmosferico nettamente più preciso. La chiave, secondo lo studio, sta nella programmazione dell’AI. Nel paper “Sviluppare modelli di apprendimento automatico per la mappatura della concentrazione di particolato correlata al traffico iperlocale” si elabora un modello di dati facilmente accessibile e, come ha spiegato Gao “con l’aiuto dell’intelligenza artificiale che riempie alcuni spazi vuoti, è possibile avere un modello accurato a scala locale”.
Il team di scienziati ha elaborato quattro diversi modelli di apprendimento automatico delle concentrazioni di particolato fine di cinque distretti di New York con una popolazione complessiva di 8,2 milioni di persone e una percorrenza media quotidiana di 55 milioni di miglia.
Il modello funziona attraverso equazioni che richiedono pochi input per elaborare le previsioni: dati sul traffico, topologia, meteorologia. Tutto il resto lo fa l’algoritmo, che apprende autonomamente rendendosi in grado di sviluppare previsioni per diverse tipologie di scenari.
Il modello più performante tra quelli sviluppato è il Convolutional Long Short-term Memory, o ConvLSTM, un’IA che “allena” l’algoritmo a fare previsioni su una serie di osservazioni che sono correlate tra loro nello spazio.
“Il nostro approccio basato sui dati – principalmente sui dati sulle emissioni dei veicoli – richiede un numero notevolmente inferiore di passaggi di modellazione – ha spiegato Salil Desai, altro autore dello studio – Invece di concentrarsi su posizioni stazionarie, il metodo fornisce una stima ad alta risoluzione della superficie di inquinamento della strada della città. Una maggiore risoluzione può aiutare gli studi di trasporto ed epidemiologia a valutare gli impatti sulla salute, sulla giustizia ambientale e sulla qualità dell’aria”.