Ein neuartiges Nowcasting-(Schätz-)Modell basierend auf einem adaptiven Netzwerk neutrosophischer zögerlicher Fuzzy-Inferenzsysteme (ANNHFIS): Eine Fallstudie von Istanbul

Warum diese Studie für die städtische Luft wichtig ist

Biomassekraftwerke verwandeln Hausmüll und organische Abfälle in Strom, was nach sauberer Energie klingt. Dennoch stoßen diese Anlagen weiterhin Stickstoffdioxid aus, ein Gas, das die Atemwege reizt und Asthma verschlechtern kann. In dicht besiedelten Städten wie Istanbul kann die Kenntnis des heutigen Stickstoffdioxidniveaus in der Nähe solcher Anlagen Behörden helfen, Anwohner zu warnen und die Luftqualität zu steuern. Diese Studie stellt ein neues intelligentes Vorhersagesystem vor, das zuverlässigere Schätzungen für denselben Tag des Stickstoffdioxids in der Umgebung einer großen Abfall-zu-Energie-Anlage liefern soll.

Wie Abfall-zu-Energie die lokale Luft beeinflusst

Biomasseanlagen verbrennen oder verarbeiten große Mengen Abfall, um die Stromversorgung aufrechtzuerhalten. Je nach Betriebsweise können sie Partikel und Stickstoffoxide in ähnlichen Mengen wie einige fossile Kraftwerke emittieren. Stickstoffdioxid ist besonders bedeutsam, weil es die Luft trübt, zur Smog- und Säurebildung beiträgt und die Lunge schädigt. Im Istanbuler Bezirk Eyup versorgt ein großer Komplex aus Abfall-zu-Energie- und Biomethanisierungsanlagen Millionen von Menschen mit Strom, setzt aber auch Gase wie Stickstoffdioxid und feine Partikel in die Atmosphäre frei. Zu verstehen, wie lokales Wetter und Begleitverschmutzer zusammen die täglichen Stickstoffdioxidwerte in der Nähe dieses Komplexes formen, ist daher eine zentrale Frage der öffentlichen Gesundheit.

Welche Daten ins Modell eingingen

Die Forscher konzentrierten sich auf tägliche Bedingungen zwischen 2019 und 2023 in der Nähe der Eyup-Anlagen. Als Eingaben verwendeten sie fünf Informationen: Sonneneinstrahlung, Lufttemperatur, Luftfeuchte, Stickstoffoxide und grobe Partikel in der Luft. Alle wurden an einer nahegelegenen Messstation erfasst, die sowohl Wetter als auch Luftqualität überwacht. Das Ziel war, den Tagesdurchschnitt des Stickstoffdioxidwerts aus diesen Messungen für denselben Tag zu schätzen. Bevor Modelle trainiert wurden, bereinigte das Team die Daten, indem es Tage mit fehlenden Messwerten entfernte und extreme Sensorausreißer filterte. Anschließend skalierten sie alle Werte auf einen gemeinsamen Bereich und prüften die Aufzeichnungen auf plötzliche Sprünge oder langfristige Drifts, die Lernalgorithmen verwirren könnten.

Ein neuer Weg im Umgang mit unordentlichen realen Signalen

Traditionelle statistische Modelle behandeln Beziehungen in den Daten meist als annähernd linear und haben Schwierigkeiten, wenn Muster wellig, unregelmäßig oder zeitlich veränderlich sind. Standard-Neuronale-Netze sind flexibler, können aber überanpassen oder wenig Einsicht darin geben, wie sie zu einer Entscheidung gelangen. Die Autorinnen und Autoren bauten ein hybrides System, das neuronale Netze mit Fuzzy-Logik kombiniert — einer Methode, die mit Graustufen statt mit Ja/Nein-Antworten arbeitet. Ihr Kniff war, dem System zu erlauben, nicht nur auszudrücken, wie stark ein Eingang zu einer Kategorie wie niedrig oder hoch gehört, sondern auch dessen Unsicherheit und Zögern. Durch die Verwendung gepaarter glockenförmiger Kurven und einer speziellen Mischregel kann das Modell ambivalente Fälle darstellen, in denen die Daten verrauscht oder widersprüchlich sind, was bei Messungen der Außenluft häufig vorkommt.

Wie der intelligente Schätzer lernt

Das neue Modell stützt sich auf eine Menge von Wenn-Dann-Regeln, etwa dass geringe Sonneneinstrahlung und hohe Partikelkonzentrationen auf erhöhtes Stickstoffdioxid hindeuten können. Im Hintergrund kombiniert es Hunderte solcher Regeln, jede mit sanft variierenden Stärken statt harter Grenzen. Um diese komplexe Regelbasis abzustimmen, nutzte das Team Particle-Swarm-Optimierung, eine Methode, die jede Kandidatenlösung wie ein Partikel im Raum behandelt und den Schwarm in Richtung besserer Performance schiebt. Dieser Suchschritt passt an, wie die Fuzzy-Kategorien platziert werden und wie wichtig jede Regel ist. Ein anschließender Feinschliff mittels gradientenbasierter Lernverfahren poliert dann die Anpassung. Die Modellgenauigkeit wurde mit Standard-Fehlermetriken geprüft und mit mehreren starken Baselines verglichen, darunter klassische neuronale Netze, Long-Short-Term-Memory-Netzwerke und frühere Fuzzy-Systeme.

Was die Forschenden fanden

Auf unbeachteten Testdaten erzielte das neue System den niedrigsten mittleren Fehler und die größte Übereinstimmung mit beobachteten Stickstoffdioxidwerten unter den untersuchten Modellen. Es erfasste tägliche Schwankungen und Schadstoffspitzen besser als andere Fuzzy-Ansätze und ein tiefes Sequenzmodell und erreichte eine ähnliche Leistung wie ein gut abgestimmtes Standard-Neuronales-Netz, während es zugleich transparenter blieb. Statistische Tests zeigten, dass die Verbesserungen gegenüber den meisten Rivalen unwahrscheinlich zufällig waren. Die Autorinnen und Autoren argumentieren, dass die reichhaltigere Behandlung von Unsicherheit ihrem Modell hilft, mit nicht-glatten, veränderlichen Mustern in den Luftqualitätsaufzeichnungen zurechtzukommen.

Was das für Stadtbewohner bedeutet

Für Menschen, die in der Nähe von abfallbasierten Kraftwerken leben, zeigt die Studie, wie intelligentere Nowcasting-Tools ein klareres Bild der heutigen Luft liefern können. Die vorgeschlagene Methode beseitigt die Verschmutzung nicht, könnte aber städtischen Behörden ermöglichen, riskante Tage zuverlässiger zu erkennen und Maßnahmen wie Warnungen oder betriebliche Anpassungen zu planen. Da der Ansatz flexibel ist, könnte er in künftiger Arbeit an andere Bezirke, Schadstoffe oder Vorhersagehorizonte angepasst werden. Einfach ausgedrückt bietet die Forschung ein nuancierteres Luftqualitäts-Thermometer, das Unsicherheit anerkennt und dennoch praktische Hinweise für das Management von Stickstoffdioxid in dicht besiedelten städtischen Gebieten liefert.

Zitation: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Schlüsselwörter: Luftverschmutzung, Stickstoffdioxid, Biomassekraftwerke, Luftqualitätsmodellierung, Maschinelles Lernen