Розумні супутники відстежують приховане забруднення ШІ

20 квітня 2026 р. 23:30

20 квітня 2026 р. 23:30

Хмари, прогалини між орбітами, перешкоди датчика — і картина забрудненості повітря над значною частиною планети залишається «сліпою зоною» для вчених. Тепер команда з Університету науки і технологій Китаю (USTC), Інституту фізичних наук Хефею і Університету Анхой знайшла спосіб виправити ситуацію. Як повідомляє Newswise з посиланням на публікацію в Journal of Remote Sensing , дослідники об’єднали фізичний спектральний аналіз з нейромережею SFNO — і навчили її відновлювати безперервні глобальні карти формальдегіду (HCHO) навіть із зашумлених і неповних даних супутника GF-5B.

Що відомо коротко

• Стаття : Університет науки і технологій Китаю + Хефейський інститут фізичних наук КАН + Університет Анхой та ін. Journal of Remote Sensing (16 березня 2026). DOI: 10.34133/remotesensing.1043.
• Супутник : GF-5B (Gaofen-5B, КНР), інструмент EMI (Environmental Trace Gases Monitoring Instrument) — ранкові спостереження, але з низьким співвідношенням сигнал/шум і артефактами смугастості.
• Метод : фізичне отримання HCHO VCD з EMI + модель SFNO (Spherical Fourier Neural Operator) — 62 вхідні канали (метеополя ERA5, густота населення, висота, сезонність тощо).
• Корекція : з 0,60 до 0,76 (кореляція з Pandora-спектрометрами); у Гуанчжоу — 0,78 (з HPLC).
• Зафіксовано : канадські лісові пожежі 2023 р. (з транспортом диму до Нью-Йорка), промислові коридори, тропічна рослинність.
• Перевершено TROPOMI у ряді регіонів за точністю реконструкції.

Що це за явище

Формальдегід (HCHO) — не лише відомий домашній токсин. В атмосфері він виступає ключовим індикатором летких органічних сполук (VOC) — хімічних попередників фотохімічного смогу та приземного озону. Звідки береться атмосферний HCHO? Головні джерела — окислення ізопрену з тропічних рослин, лісові пожежі й промислові викиди. Де концентрація HCHO висока — там активно формується озон і вторинний органічний аерозоль, що завдають шкоди здоров’ю мільярдів людей.

Так само, як «вічні хімікати» PFAS непомітно накопичуються в рибі і воді , HCHO є прикладом «невидимого» забруднення, яке важко виміряти, але наслідки якого цілком реальні. Точні глобальні карти HCHO — необхідний інструмент для прогнозування якості повітря і розуміння вуглецевого циклу атмосфери.

Деталі відкриття

Китайський супутник GF-5B надає цінні ранкові спостереження (близько 10:30 за місцевим часом) — адже більшість інших платформ знімають одну й ту саму точку пізніше. Але у GF-5B є суттєвий недолік: низьке співвідношення сигнал/шум і характерні «смуги» артефактів, через які дані часто відкидались або вважались непридатними.

Ключова інновація — модель SFNO (Spherical Fourier Neural Operator). На відміну від класичних нейромереж, вона оперує безпосередньо на сферичній поверхні Землі , що дозволяє правильно враховувати глобальні транспортні процеси (перенесення забрудників вітром, добові та сезонні патерни). Модель навчалась за методом самонавчання з маскуванням : вона «закривала» частини даних і вчилась їх відновлювати, не потребуючи синтетичних міток або хімічних транспортних моделей — що робить її першим суто спостережним підходом такого масштабу.

Що показали нові спостереження

Реконструйовані карти зафіксували три типи джерел HCHO з вражаючою точністю. Перший — лісові пожежі : під час масштабних канадських пожеж 2 червня 2023 р. SFNO-карта чітко показала шлейф HCHO від вогнищ аж до Нью-Йорка — щось, що обмежені звичайні супутникові дані пропустили. Другий — промислові зони : підвищені рівні над енергетичними та хімічними коридорами Китаю і Індії. Третій — тропічна рослинність : характерні сезонні спалески над Амазонією та Конго — наслідок масивного виділення ізопрену деревами.

Подібно до того, як ШІ вже моніторить кадмієве забруднення ґрунтів сільгоспугідь , ця технологія розширює здатність машинного навчання перетворювати «брудні» наукові дані на корисні екологічні сигнали.

Чому це важливо для науки

Стандартний спосіб заповнення прогалин у супутникових даних — хімічне транспортне моделювання (CTM): комп’ютерне відтворення руху хімічних речовин в атмосфері. Але CTM вимагає величезних обчислювальних ресурсів і залежить від часто застарілих реєстрів викидів.

SFNO обходить обидва обмеження: він навчається безпосередньо з реальних спостережень , покладаючись на фізичні закономірності, закодовані в самих даних, а не на апріорні моделі. Це відкриває шлях до автономного моніторингу якості повітря в режимі, близькому до реального часу, і до «реанімації» архівних даних з інших супутників з подібними проблемами якості.

Цікаві факти

• 🌿 Формальдегід (HCHO) є одним з найпоширеніших органічних газів в атмосфері Землі. Понад 85% атмосферного HCHO утворюється вторинно — через окислення метану та інших органічних сполук. У глобальному вуглецевому циклі HCHO є важливою «сходинкою» між метаном і CO₂. Джерело: NOAA Chemical Sciences Laboratory .
• 🛰️ Супутник Sentinel-5P Європейського космічного агентства з інструментом TROPOMI вважається «золотим стандартом» моніторингу атмосферного HCHO. Його просторова роздільна здатність — 3,5 × 5,5 км. Новий SFNO-фреймворк у частині регіонів перевершив TROPOMI за точністю реконструкції, що є значним результатом для менш досконалого датчика. Джерело: ESA Sentinel-5P .
• 🔥 Канадські лісові пожежі літа 2023 р. стали найбільшими в задокументованій історії країни: вигоріло понад 18 мільйонів гектарів . Аерозольний і хімічний слід від цих пожеж зафіксували станції якості повітря по всій Північній Америці, включно з містами США, де показники PM2.5 досягали критичних рівнів. Тепер їх бачать і через HCHO-карти нового ШІ. Джерело: Natural Resources Canada .
• 🧮 Модель SFNO (Spherical Fourier Neural Operator) — це різновид нейроних операторів , які навчаються відображати цілі функції (а не просто точки) між функціональними просторами. У метеорологічному ШІ аналогічний підхід (FourCastNet) продемонстрував здатність прогнозувати погоду з точністю, порівнянною з чисельними моделями ECMWF — але у тисячі разів швидше. Джерело: ECMWF/AI weather .

FAQ

Чому виміряти HCHO зі супутника складніше, ніж, наприклад, NO₂? Сигнал HCHO в ультрафіолетовому спектрі слабший і перетинається з численними іншими газами — O₃, SO₂, BrO. Будь-яке шумове або калібрувальне відхилення датчика сильніше впливає на результат, ніж у випадку з азотним діоксидом. Тому з GF-5B, який має нижчий SNR, проблема стоїть особливо гостро.

Чи можна застосувати цей підхід до інших газів-забруднювачів? Так — і це один з ключових висновків авторів. SFNO-фреймворк теоретично масштабується на NO₂, SO₂ і CH₄ від тих самих або аналогічних супутників. Особливо цінним це може бути для реанімації архівних місій, де якість датчика не дозволяла повноцінно використовувати зібрані дані.

Чи є практичне застосування для прогнозування якості повітря? Так. Безперервні та точні карти HCHO дозволяють прогнозувати формування приземного озону і вторинного органічного аерозолю — двох ключових компонентів смогу. Такі прогнози допомагають органам охорони здоров’я заздалегідь попереджати населення про небезпечні дні, особливо в регіонах з розвиненою промисловістю або під час лісових пожеж.

Наука