Multi-Modell-Vorhersage von $$\text {NO}_{2}$$ und $$\text {O}_{3}$$ in Abu Dhabi: Vorteile einer korrelationsbasierten Merkmalsaugmentation

Warum sauberere Luftvorhersagen wichtig sind

Menschen in wachsenden Städten wie Abu Dhabi atmen eine Luft, die fortlaufend von Verkehr, Industrie und Wetter beeinflusst wird. Zwei unsichtbare Gase, Stickstoffdioxid und bodennahes Ozon, tragen erheblich zu Smog und Atemwegserkrankungen bei. Diese Studie stellt eine praktische Frage mit realen Folgen: Wie genau lassen sich diese Schadstoffe Stunden bis Tage im Voraus mithilfe moderner künstlicher Intelligenz vorhersagen, und lässt sich die Genauigkeit verbessern, wenn die Modelle lernen, wie diese beiden Gase sich gegenseitig beeinflussen?

Die beiden Übeltäter in der Stadtluft

Stickstoffdioxid und Ozon stehen in der Atmosphäre eng miteinander in Verbindung. Stickstoffdioxid stammt überwiegend aus Fahrzeugabgasen und anderen Verbrennungsquellen; im Sonnenlicht trägt es zur Bildung von Ozon bei, einem Hauptbestandteil von Smog. Tagsüber steigen die Ozonwerte, während Stickstoffdioxid oft sinkt; nachts kann sich dieses Muster umkehren. In Abu Dhabi machen schnelles Stadtwachstum, starker Verkehr und Wüstenbedingungen, die natürliche "Luftreinigung" einschränken, diese Schadstoffe zu einer besonderen Sorge. Ihre Schwankungen zuverlässig vorherzusehen ermöglicht Behörden, gefährdete Personen zu warnen, Verkehrsflüsse anzupassen oder industrielle Aktivitäten zu planen, um Gesundheitsrisiken zu verringern.

Ein umfassender Blick auf die Luft in Abu Dhabi

Die Forschenden nutzten einen ungewöhnlich großen und detaillierten Datensatz: fünf Jahre stündlicher Messungen von Stickstoffdioxid und Ozon an sieben festen Messstationen, verteilt über Wüsten, Vororte, Küstenbezirke und eine Industriezone im Emirat Abu Dhabi. Dieser lange Zeitraum von 2018 bis 2022 umgeht die verzerrten Bedingungen während der COVID‑19‑Lockdowns, die frühere Studien beeinflussten. Das Team bereinigte die Daten sorgfältig, füllte gelegentliche Lücken durch Mittelung von Werten ähnlicher Daten und Stunden in anderen Jahren und wandte mathematische Verfahren an, um starke Spitzen zu behandeln, ohne echte Schadstoffextreme zu verwischen. Anschließend teilten sie die Zeitreihe in aufeinanderfolgende Trainings‑ und Testblöcke, um nachzuahmen, wie ein echtes Vorhersagesystem aus der Vergangenheit lernt und an zukünftigen, ungesehenen Perioden bewertet wird.

Zahlreiche Vorhersagemethoden im Vergleich

Um zu prüfen, welche Werkzeuge am besten funktionieren, verglich die Studie eine breite Palette von Ansätzen. Einfachere Methoden umfassten Entscheidungsbäume, Random Forests und Support Vector Machines, die Muster in vergangenen Messwerten suchen. Fortgeschrittene Deep‑Learning‑Methoden beinhalteten Faltungsnetzwerke (Convolutional Neural Networks), die Muster in Zeitreihen gut erkennen, und LSTM‑Netze, die auf das Erinnern langfristiger Zusammenhänge ausgelegt sind. Die Forschenden verwendeten zudem Prophet, ein Modell, das speziell darauf ausgelegt ist, wiederkehrende Tages‑ und Jahreszyklen zu erfassen, sowie ein Transformer‑Modell, eine neuere Architektur, die einen "Attention"‑Mechanismus nutzt, um zu gewichten, wie verschiedene vergangene Zeitpunkte jede Vorhersage beeinflussen. Alle Modelle sollten Schadstoffwerte 1 Stunde, 2 Stunden, 1 Tag und 1 Woche vorausberechnen, und ihre Fehler wurden mit mehreren komplementären Kennzahlen bewertet.

Vom gemeinsamen Verhalten der Schadstoffe lernen

Weil Stickstoffdioxid und Ozon chemisch miteinander verknüpft sind, untersuchte das Team, ob die Historie des jeweils anderen Schadstoffs bei der Vorhersage hilft. Zunächst maßen sie, wie eng die beiden Gase an jeder Station verknüpft sind, und bestätigten allgemein eine starke negative Beziehung: Wenn eines hoch ist, tendiert das andere dazu, niedrig zu sein. Dann bauten sie von jedem Modell zwei Versionen. In der Basisversion sah das Modell nur die vergangenen Werte des vorherzusagenden Schadstoffs. In der erweiterten Version erhielt es zusätzlich verzögerte Werte des jeweils anderen Schadstoffs und bekam so effektiv einen zusätzlichen Hinweis auf den aktuellen Zustand der Stadtluft. So konnten die Forschenden testen, ob "Feature Augmentation" – das Hinzufügen korrelierter Informationen – genauere Vorhersagen liefert, ohne Wissen aus der Zukunft einzuschmuggeln.

Welche Modelle gewannen, und warum das wichtig ist

Über nahezu alle Stationen, Schadstoffe und Vorlaufzeiten hinweg übertraf das Transformer‑Modell die anderen deutlich: Es lieferte die geringsten durchschnittlichen Fehler und das stabilste Verhalten über die Zeit. Für Stickstoffdioxid lag sein typischer Prozentfehler etwa zwischen einem Viertel und einem Drittel, für Ozon war er etwas geringer. Faltungsnetzwerke lagen bei sehr kurzfristigen Vorhersagen, besonders innerhalb der ersten paar Stunden, dicht dahinter, während Prophet am Wochen‑Horizont dank seiner Stärke bei wiederkehrenden Mustern nützlich war. Wichtig ist: Wenn die Modelle zusätzliche Informationen über den Partner‑Schadstoff erhielten, sanken die Vorhersagefehler durchweg, am deutlichsten bei 1‑Stunden‑Stickstoffdioxid und bei Ozon‑Vorhersagen bis zu einem Tag im Voraus. Praktisch gesagt zeigt diese Arbeit, dass fortschrittliche, auf Attention basierende KI, gespeist mit einer reichhaltigen mehrjährigen Datenbasis und darauf trainiert, die chemische "Kommunikation" zwischen Schlüssel‑Schadstoffen zu nutzen, verlässlichere Luftqualitätsprognosen liefern kann. Solche Werkzeuge können Stadtplanern und Gesundheitsbehörden in Abu Dhabi und ähnlichen Regionen helfen, früher und präziser zu handeln, um die öffentliche Gesundheit zu schützen – insbesondere von Kindern, älteren Menschen und Personen mit Lungen‑ oder Herzkrankheiten.

Zitation: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Schlüsselwörter: Luftverschmutzungs‑Prognose, Stickstoffdioxid, bodennahes Ozon, Tiefenlernmodelle, Abu Dhabi Luftqualität