Mechanistic Machine-Learning Approaches to Air Quality Prediction
Air quality prediction and monitoring plays a critical role in informing policy decision-making in public health and environmental management. State-of-the-art modeling approaches often employ black-box machine-learning methods which may lack interpretability and the ability to estimate pollutant concentrations between measurement locations. Such limitations could be addressed with mechanistic modeling approaches based on atmospheric dynamics. However, the underlying partial differential equation (PDE) models are extremely computationally intensive and difficult to calibrate from sparse geographic measurements. Here we explore strategies for combining machine-learning and mechanistic approaches to air quality modeling in a computationally scalable manner. Our strategies are evaluated on publicly available air quality data from Southern Ontario, Canada.
Approches mécanistes d'apprentissage automatique pour la prévision de la qualité de l'air
La prévision et la surveillance de la qualité de l'air jouent un rôle essentiel dans l'élaboration des politiques en matière de santé publique et de gestion de l'environnement. Les approches de modélisation de pointe utilisent souvent des méthodes d'apprentissage automatique de type « boîte noire » qui peut complexifier l'interprétation et l'estimation des concentrations de polluants entre les sites de mesure. Ces limites pourraient être surmontées grâce à des approches de modélisation mécanistique basées sur la dynamique atmosphérique. Cependant, les modèles d'équations aux dérivées partielles (EDP) sous-jacentes nécessitent d'énormes calculs et sont difficiles à calibrer à partir de mesures géographiques clairsemées. Nous explorons ici des stratégies permettant de combiner l'apprentissage automatique et les approches mécanistiques pour modéliser la qualité de l'air de manière à gérer l'intensité de calcul. Nos stratégies sont évaluées à partir de données publiques sur la qualité de l'air provenant du sud de l'Ontario.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais