康奈尔大学的工程师使用人工智能简化和强化了模型，这些模型可以准确计算城市空气污染中所含的细颗粒物 (PM2.5)——卡车和汽车排放的烟尘、灰尘和废气进入人体肺部。

现在，城市规划者和政府卫生官员可以从 2022 年 12 月发表在《交通研究 D 部分》杂志上的新研究中更准确地了解城市居民的福祉和他们呼吸的空气。

“基础设施决定了我们的生活环境，我们的曝光率，”工程学院霍华德辛普森土木与环境工程教授、资深作者高奥利弗说。 “交通造成的空气污染影响——在我们街道上行驶的汽车和卡车排放的废气——非常复杂。 我们的基础设施、交通和能源政策将影响空气污染，进而影响公众健康。”

以前测量空气污染的方法很麻烦，并且依赖于大量的数据点。 “用于计算颗粒物的旧模型在计算和机械方面都非常复杂。”康奈尔阿特金森可持续发展中心的教员高说。 “但如果你开发一个易于访问的数据模型，并借助人工智能填补一些空白，你就可以在局部范围内拥有一个准确的模型。”

主要作者 Salil Desai '20，工程硕士。 '21 和访问科学家 Mohammad Tayarani 与 Gao 一起发表了“为超本地交通相关颗粒物浓度映射开发机器学习模型”，以提供一种更精简、数据密集度更低的方法来制作准确的模型。

环境空气污染是全世界过早死亡的主要原因。 根据康奈尔大学研究中引用的柳叶刀研究，2015 年全球每年有超过 420 万人死于空气污染，包括心血管疾病、缺血性心脏病、中风和肺癌。

在这项工作中，该小组开发了四种机器学习模型，用于在纽约市五个行政区收集的数据中与交通相关的颗粒物浓度，这五个行政区的总人口为 820 万，每日车辆行驶里程为 5500 万英里。

这些方程在 AI 算法中使用很少的输入，例如交通数据、拓扑和气象学，来学习模拟各种与交通相关的空气污染浓度场景。

他们表现最好的模型是卷积长短期记忆 (ConvLSTM)，它训练算法预测许多空间相关的观测值。

“我们的数据驱动方法——主要基于车辆排放数据——需要的建模步骤要少得多。”Desai 说。 该方法不是专注于固定位置，而是提供对城市街道污染表面的高分辨率估计。 更高的分辨率可以帮助交通和流行病学研究评估健康、环境正义和空气质量的影响。

这项研究的资金来自美国交通部的大学交通中心计划和康奈尔阿特金森。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。