Vorhersage von Feinstaub (PM2,5 und PM10) mittels Fourier-Reihenzerlegung in Kombination mit LSTM und SVM

Warum sauberere Luftvorhersagen für alle wichtig sind

Feiner Staub in der Luft ist eine unsichtbare Bedrohung, die wir täglich einatmen. Winzige Partikel, genannt PM2,5 und PM10, können tief in unsere Lungen und in den Blutkreislauf gelangen und so das Risiko für Herz- und Lungenerkrankungen erhöhen. Die Verschmutzungswerte können jedoch stundenweise stark schwanken. Diese Studie untersucht, wie sich diese Anstiege und Abfälle genauer vorhersagen lassen — Stunde für Stunde und Saison für Saison — in einer geschäftigen marokkanischen Hafenstadt, damit Behörden Bewohner warnen und Maßnahmen planen können, bevor die Luft gefährlich wird.

Den Staub in der Stadtluft verstehen

Die Forschenden konzentrierten sich auf Mohammedia, eine Stadt an der Atlantikküste mit einer Erdölraffinerie und Industriegebieten, die sie zu einem nützlichen Testfeld für Luftqualitätsforschung macht. Sie untersuchten zwei gängige Partikelarten: PM2,5, den feineren Staub mit Durchmessern von 2,5 Mikrometern oder weniger, und PM10, etwas größere Partikel bis zu 10 Mikrometern. Beide bleiben in der Luft suspendiert und gehören zu den gesundheitsschädlichsten Schadstoffen. Das Team sammelte stündliche Messwerte dieser Partikel von Dezember 2020 bis November 2021 und erstellte damit ein detailliertes Protokoll, wie die Verschmutzung sich über Tage, Wochen und Jahreszeiten erhöhte und verringerte.

Unordnung in realen Daten bereinigen

Wie bei den meisten realen Überwachungssystemen lieferten die städtischen Instrumente keine perfekten Daten. Manche Stunden fehlten aufgrund von Sensorfehlern oder Kommunikationsstörungen, und die Verteilungen zeigten gelegentlich extreme Ausreißer. Anstatt Lücken einfach mit geraden Linien zu füllen, die echte Schadstoffspitzen verwischen könnten, verwendeten die Autorinnen und Autoren eine saisonsensible Methode. Zuerst erfassten sie regelmäßige tägliche Muster — etwa erhöhte Werte während verkehrsreicher Zeiten — und füllten dann nur den verbleibenden unregelmäßigen Anteil des Signals mittels lokaler Glättung auf. Sie separierten zudem wiederkehrende Muster auf mehreren Zeitskalen (Tag, Woche, Jahr) und nutzten eine Anomalieerkennung, um verdächtige Ausreißer zu kennzeichnen und zu korrigieren. Diese sorgfältige Bereinigung zielte darauf ab, echte Schadstoffereignisse zu erhalten und gleichzeitig Rauschen zu entfernen.

Mathematik und Maschinen zusammenarbeiten lassen

Im Kern der Studie steht die Verbindung klassischer Mathematik mit moderner künstlicher Intelligenz. Die Autorinnen und Autoren nutzten Fourier-Reihen, ein Werkzeug, das eine komplizierte Kurve in die Summe einfacher Wellen zerlegt, um die Zeitreihen der Verschmutzung in Trend, saisonale Zyklen und verbleibende Schwankungen zu zerlegen. Anschließend trainierten sie zwei verbreitete Machine-Learning-Modelle mit diesen aufbereiteten Signalen: Support-Vektor-Maschinen (SVM), die Muster durch flexible Trennflächen finden, und Long Short-Term Memory-Netzwerke (LSTM), eine Art neuronales Netzwerk, das für das Lernen aus zeitlichen Sequenzen konzipiert ist. Versionen jedes Modells mit Fourier-basierter Vorverarbeitung (SVMF und LSTMF) wurden mit Versionen verglichen, die nur auf Rohdaten trainiert wurden.

Was die saisonalen Muster zeigen

Die stündlichen Aufzeichnungen zeigten deutliche saisonale Rhythmen in der Luft von Mohammedia. Für PM2,5 wies der Herbst die höchsten Durchschnittswerte auf, mit ausgedehnten Abend- und Nachtspitzen, die sich etwa von 19:00 bis 02:00 Uhr erstreckten — wahrscheinlich bedingt durch Verkehr, Handel und soziale Aktivitäten. Auch Winter und Sommer zeigten starke Abend- und spätnächtliche Spitzen, während der Frühling zwei Haupthöhepunkte aufwies: einen am frühen Nachmittag und einen weiteren am Abend. PM10 zeigte weitgehend ähnliche Muster, mit ausgeprägten Abendspitzen und etwas niedrigeren Tageswerten in den meisten Jahreszeiten. Diese Muster unterstreichen, dass die schlechteste Luft oft mit Zeiten zusammenfällt, in denen viele Menschen draußen sind oder pendeln.

Präzisere Vorhersagen mit zerlegten Signalen

Über alle vier Jahreszeiten und für beide Schadstoffe zeigten die Hybridmodelle, die Fourier-Zerlegung mit Machine Learning kombinierten, durchweg bessere Leistungen als Modelle, die nur auf Rohdaten trainiert wurden. Das LSTMF-Modell, das LSTM mit Fourier-basierter Vorverarbeitung koppelt, war konstant das beste. Bei stündlichen Vorhersagen erreichte es in jeder Saison die höchste Genauigkeit, mit besonders starken Ergebnissen im Herbst. Selbst bei einer Ausweitung des Vorhersagehorizonts auf sieben Tage blieb LSTMF leistungsstark, mit Bestimmtheitsmaßen (R²), die in vielen Fällen nahe oder über 0,9 lagen. Einfach ausgedrückt half die Zerlegung des Signals den Modellen, sich auf sinnvolle Strukturen — langfristige Trends und wiederkehrende Zyklen — zu konzentrieren und Kurzzeitrauschen besser zu handhaben.

Was das für den Alltag bedeutet

Für Nichtfachleute ist die Kernbotschaft: Intelligente Vorhersagen können Rohsensordaten in praktischen Schutz verwandeln. Durch genauere Prognosen der stündlichen PM2,5- und PM10-Werte können Stadtplaner und Gesundheitsbehörden vorhersagen, wann die Verschmutzung ansteigen wird, und Bewohner mit Atemwegserkrankungen warnen, den Verkehr anpassen oder industrielle Beschränkungen zeitlich steuern. Obwohl diese Studie nur eine marokkanische Stadt betrachtete und nur vergangene Partikelmessungen verwendete (ohne Wetter- oder Emissionsdaten hinzuzufügen), zeigt sie, dass die Kombination aus Deep Learning und mathematischer Zerlegung ein wirkungsvolles Rezept für sauberere, verlässlichere Luftqualitätsvorhersagen ist. Mit weiterer Verfeinerung und Ausweitung auf mehr Standorte könnten solche Werkzeuge Frühwarnsysteme bilden, die Menschen im Alltag das Atmen erleichtern.

Zitation: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

Schlüsselwörter: Vorhersage der Luftverschmutzung, Feinstaub, Maschinelles Lernen, Fourier-Zerlegung, städtische Luftqualität