Kan maskininlärning hjälpa till att lyfta Kinas smog?

Från gatan, genom Pekings tunga smog, kan det ibland vara svårt att urskilja IBM:s kinesiska huvudkontor: en hög kontorsbyggnad med en distinkt böljande arkitektonisk utstrålning och en stor företagslogotyp högst upp.

Men bara en kort bit bort, i den nordöstra utkanten av huvudstaden, använder IBMs datavetare artificiell intelligens för att utveckla vad de tror kommer att vara ett sätt att hantera Kinas ökända och kroniska föroreningsproblem mer framgångsrikt.

Teamet använder komplexa datormodeller och maskininlärning för att beräkna hur föroreningar kommer att spridas över staden. Forskarna kan nu ta fram föroreningsprognoser, med en upplösning på en kvadratkilometer, upp till 10 dagar i förväg.

Dessa förutsägelser kan också berätta för regeringen hur den kan agera för att undvika de värsta scenarierna – till exempel genom att stänga vissa fabriker eller genom att minska antalet bilar på vägen.

När MIT Technology Review besökte kontoren för IBM Research–Kina i november förra året var luften särskilt dålig. Kallt väder hade ökat efterfrågan på el, vilket tvingade närliggande kolverk att öka produktionen. Detta, i kombination med det vanliga trafikkaoset, hade frambringat någon verkligt lungbrännande smog. Föroreningar mäts i mängden fina partiklar per kubikmeter. För en utvecklad stad rekommenderar Världshälsoorganisationen att denna siffra inte överstiger 25. Under mitt besök nådde den nästan 250. Modelleringssystemet, kallat Green Horizon, användes för att förutsäga spridningen av föroreningar; men det var inte klart om regeringen hade beslutat att begränsa antingen fabriksproduktionen eller antalet bilar på vägen. Behovet av uppvärmning verkade överväga de negativa effekterna.

En dag av kraftig förorening i Peking, 25 december 2015.

Beijing-projektet, som använder data från föroreningssensorer runt om i staden, involverar komplex modellering av både specifika föroreningskällor och väder- och luftrörelser för att förutsäga hur dåliga föroreningar kommer att vara i olika stadsdelar. Tidigare avläsningar används för att förfina förutsägelser med ett tillvägagångssätt som kallas maskininlärning. Detta gör det möjligt att skapa nya förutsägelser från dessa kombinerade faktorer, säger Xiaowei Shen , chef för IBM Research–Kina.

Alla pratar om big data, men vi vet alla att den traditionella IT-tekniken vi har utvecklat inte kommer att räcka för att hantera all big data, säger Xiaowei.

IBM kör komplexa simuleringar av de ekonomiska konsekvenserna av att stänga fabriker på grund av föroreningsnivåer, säger Jin Dong, en framstående ingenjör på IBM Research–Kina och ledare för projektet. Olika statliga organ fattar dessa beslut.

Den kinesiska regeringen kan behöva fatta några svåra beslut angående energiproduktion för att mildra både de kortsiktiga hälsokonsekvenserna och de långsiktiga klimateffekterna av luftföroreningar. Sarah Williams , en biträdande professor vid MIT:s institution för urbana studier och planering och chef för Civic Data Design Lab, som studerade Pekings föroreningsproblem under OS 2008, säger att IBM:s ansträngning kan vara mycket värdefull om den hjälper till att visa den kinesiska regeringen hur begränsad påverkan på partiklar kan kortsiktiga korrigeringar som att ta fabriker offline ha — och hur nödvändig mer omfattande miljöreglering kan vara.

Om inte regeringen använder denna data och datavisualisering för att genomföra förändringar, kommer det att ha liten nettonytta, säger Williams.

IBM:s modellsystem används i två andra kinesiska städer med stora föroreningsproblem: Baoding och Zhangjiakou. Samtidigt används relaterad teknik som skapats på IBM för att studera sambandet mellan trafik och föroreningar i Delhi, Indien, och effektiviteten av åtgärder för kontroll av luftföroreningar i Johannesburg, Sydafrika.

Dölj