2025-09-16 | 김윤수 기자

将更密集监测引发超细颗粒物的氨

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

一项可填补引发超细颗粒物的氨浓度观测空白的人工智能(AI)技术问世。

蔚山科学技术院(UNIST)15日表示,地球环境城市建设工程系林正浩教授研究团队开发出可按日精确推算大气中氨(NH₃)浓度的人工智能模型。研究成果当天发表于环境领域知名学术期刊《有害物质杂志》。

氨以气体状态从农业化肥、家畜粪尿、火灾现场等排出。其本身无害,但与大气中的硫酸或硝酸等酸性物质结合后会生成超细颗粒物(PM2.5),因此为了空气质量预报、环境政策制定等,精确监测必不可少。然而氨在大气中的滞留时间短,浓度变化大,地面观测站也稀少,数据一直以两周为单位提供。虽有通过计算预测氨浓度的气候模型,但因针对的空间范围广,各地区预测误差较大。

研究团队以深度神经网络为基础,构建了可增强氨观测周期与精度的AI模型。以欧洲中期天气预报中心ERA5气候资料和IASI卫星的氨柱浓度作为输入值,以美国AMoN地面观测网资料作为真值对模型进行训练。

该AI模型的预测误差较欧洲气候模型CAMS最多低1.8倍。此外,尽管该AI模型是以美国数据为真值训练而成,但也捕捉到了2019年英国曼彻斯特地区大型火灾导致的高浓度现象。这一实验结果显示出所开发模型的空间扩展性和现场应用可能性。

研究团队解释称:“像CAMS这样通过计算推算地面氨浓度的气候模型在精度方面存在不足,而通过地面观测站的实测数据提供周期长,监测局限明显”,“本次模型可弥补现有监测方式的缺点”。

林教授表示:“可直接用于氮基污染物的空气质量预报和环境管理政策制定”,“尤其是韩国国内仅在有限地点进行氨浓度监测,应用所开发的技术后将可构建高分辨率监测体系”。

阅读韩文原文