תחזית חלקיקים תלויי-חלקיק (PM2.5 ו-PM10) באמצעות פירוק בסדרת פורייה בשילוב LSTM ו-SVM

מדוע תחזיות אוויר נקי חשובות לכולם

אבק עדין באוויר הוא איום בלתי נראה שאנו נושמים מדי יום. חלקיקים זעירים המכונים PM2.5 ו-PM10 עלולים להיספג עמוק לריאות ולמחזור הדם, ולהעלות את הסיכון למחלות לב וריאות. עם זאת, רמות הזיהום יכולות להשתנות במהירות משעה לשעה. מחקר זה חוקר כיצד לחזות את העליות והירידות הללו בצורה מדויקת יותר, שעה אחר שעה ובעונות שונות, בעיר נמל מרוקאית פעילה — כדי שרשויות יוכלו להתריע בפני התושבים ולתכנן פעולות לפני שהאוויר יהפוך למסוכן.

הבנת האבק באוויר העירוני

החוקרים התמקמו במהמדיה, עיר על חוף האוקיינוס האטלנטי שבה יש מפעל לזיקוק נפט ואזורים תעשייתיים, מה שהופך אותה למעבדה טבעית למחקר איכות האוויר. הם בדקו שני סוגים נפוצים של חומר חלקיקי: PM2.5, האבק הדק יותר בקוטר של 2.5 מיקרומטר או פחות, ו-PM10, חלקיקים מעט גדולים יותר עד 10 מיקרומטר. שניהם נשארים תלויים באוויר וידועים כאחד המזיקים הבולטים לבריאות האדם. הצוות אסף מדידות לפי שעה של החלקיקים הללו מדצמבר 2020 עד נובמבר 2021, ויצר רשומה מפורטת של עליות וירידות הזיהום לאורך ימים, שבועות ועונות.

ניקוי נתוני שדה מורכבים

כמו רוב מערכות הניטור האמיתיות, המכשירים בעיר לא סיפקו נתונים מושלמים. חסרו נתונים בשעות מסוימות בגלל תקלות בחיישנים או שיבושי תקשורת, וההתפלגויות הראו לעתים שיאים קיצוניים. במקום למלא פערים בהשלמות קו ישר שעלולות לטשטש שיאי זיהום אמיתיים, המחברים השתמשו בשיטה המודעת לעונה. הם תפסו תחילה תבניות יומיות קבועות — כגון רמות גבוהות בשעות עומס התנועה — ואז מילאו רק את החלק הבלתי סדיר הנותר של האות בעזרת עיוון מקומי. הם גם הפרידו דפוסים חוזרים על פני סקלות זמן שונות (יום, שבוע, שנה) והשתמשו בשיטת גילוי אנומליות לסמן ולתקן חריגים חשודיים. הניקוי הזה נועד לשמר אירועי זיהום אמיתיים תוך הסרת רעש.

לאפשר למתמטיקה ולמכונות לחלוק את העבודה

בלב המחקר עומדת נישואין בין מתמטיקה קלאסית ובינה מלאכותית מודרנית. המחברים השתמשו בסדרות פורייה, כלי המפרק עקום מורכב לסכום של גלים פשוטים, כדי לפצל את סדרות הזמן של הזיהום למגמה, מחזורים עונתיים ושאריות התנודות. לאחר מכן הם אילפו שני מודלים פופולריים של למידת מכונה על האותות המעובדים הללו: מכונות תמיכה וקטוריות (SVM), שמאתרות דפוסים באמצעות עקומות גמישות, ורשתות LSTM, סוג של רשת נוירונים המיועדת ללמוד מסדרות לאורך זמן. גרסאות של כל מודל עם עיבוד מקדים מבוסס פורייה (SVMF ו-LSTMF) הושוו לגרסאות שאולפו על נתונים גולמיים בלבד.

מה חושפות התבניות העונתיות

הרשומות השעתיות חשפו קצבים עונתיים ברורים באוויר במהמדיה. עבור PM2.5, הסתיו הראה את הרמות הממוצעות הגבוהות ביותר, עם שיאים ארוכים בערב ובשעות הלילה המשתרעים מכ־19:00 עד כ־02:00, כנראה בקשר לתנועה, מסחר ופעילויות חברתיות. גם החורף והקיץ הראו שיאי ערב ושעות לילה מאוחרות, בעוד האביב הציג שתי עליות מרכזיות: אחת בשעות אחר הצהריים המוקדמות ואחת בערב. PM10 עקב באופן כללי דפוסים דומים, עם שיאי ערב בולטים ורמות יום נמוכות מעט ברוב העונות. דפוסים אלה מדגישים שהאוויר הגרוע ביותר לעתים קרובות חופף לתקופות שבהן אנשים רבים בחוץ או בדרכים.

תחזיות חדות יותר עם אותות מפורקים

בכל ארבע העונות ושני המזהמים, המודלים ההיברידיים ששילבו פירוק פורייה עם למידת מכונה התעלו בבירור על מודלים שאולצו על נתונים גולמיים. מודל LSTMF, שמחבר בין LSTM לעיבוד מקדים מבוסס פורייה, היה בעקביות הטוב ביותר. עבור תחזית שעתית, דיוקו דורג ראשון בכל עונה, עם תוצאות חזקות במיוחד בסתיו. כשהצוות הרחיב את האופק לחיזוי עד שבעה ימים קדימה, LSTMF עדיין סיפק מיומנות גבוהה, עם מקדמי קביעה (R²) קרובים ל־0.9 או מעליהם במקרים רבים. במונחים פשוטים, פירוק האות עזר למודלים להתמקד במבנה משמעותי — מגמות לטווח ארוך ומחזורים חוזרים — תוך טיפול טוב יותר ברעש קצר־הטווח.

מה זה אומר לחיי היומיום

בעבור הקוראים שאינם מומחים, המסר המרכזי הוא שתחזיות חכמות יכולות להפוך נתוני חיישן גולמיים להגנה מעשית. באמצעות חיזוי שעתי מדויק יותר של רמות PM2.5 ו-PM10, מתכנני ערים וסוכנויות בריאות יכולים לצפות מתי הזיהום יישבר ולהתריע בפני תושבים עם בעיות נשימה, להתאים זרימת תנועה או לתזמן הגבלות תעשייתיות. אף שהמחקר בחן עיר מרוקאית אחת בלבד והשתמש רק במדידות חלקיקים מהעבר (ללא הוספת נתוני מזג אוויר או פליטות), הוא מראה ששילוב למידה עמוקה עם פירוק מתמטי הוא מתכון חזק לתחזיות איכות אוויר מדויקות ואמינות יותר. עם שיפור והרחבה למיקומים נוספים, כלים כאלה עשויים לשמש מערכות התרעה מוקדמת שיעזרו לאנשים לנשום קצת יותר בקלות בחיי היומיום שלהם.

ציטוט: 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

מילות מפתח: תחזית זיהום אוויר, חומר חלקיקי, למידת מכונה, פירוק פורייה, איכות אוויר עירונית