Previsioni multimodello di $$\text {NO}_{2}$$ e $$\text {O}_{3}$$ ad Abu Dhabi: vantaggi dell’aumento delle caratteristiche basato sulla correlazione

Perché contano previsioni dell’aria più pulita

Le persone che vivono in città in crescita come Abu Dhabi respirano un’aria continuamente plasmata dal traffico, dall’industria e dal tempo atmosferico. Due gas invisibili, il biossido di azoto e l’ozono a livello del suolo, giocano un ruolo importante nello smog e nei problemi respiratori. Questo studio pone una domanda pratica con conseguenze reali: quanto accuratamente possiamo prevedere questi inquinanti con ore o giorni di anticipo usando l’intelligenza artificiale moderna, e possiamo migliorare le previsioni insegnando ai modelli come questi due gas si influenzano a vicenda?

I due disturbatori nell’aria cittadina

Biossido di azoto e ozono sono strettamente collegati nell’atmosfera. Il biossido di azoto proviene in larga parte dai gas di scarico dei veicoli e da altre sorgenti di combustione; alla luce del sole contribuisce alla formazione di ozono, un ingrediente principale dello smog. Durante il giorno i livelli di ozono aumentano mentre il biossido di azoto spesso diminuisce, e di notte il quadro può invertirsi. Ad Abu Dhabi, la rapida crescita urbana, il traffico intenso e le condizioni desertiche che limitano la “pulizia” naturale dell’aria rendono questi inquinanti particolarmente preoccupanti. Anticiparne con precisione le oscillazioni permette alle autorità di avvertire le persone vulnerabili, regolare i flussi di traffico o pianificare le attività industriali per ridurre i rischi per la salute.

Una visione ricca dell’aria di Abu Dhabi

I ricercatori si sono basati su un dataset insolitamente ampio e dettagliato: cinque anni di misure orarie di biossido di azoto e ozono provenienti da sette stazioni di monitoraggio fisse distribuite tra deserti, sobborghi, quartieri costieri e una zona industriale nell’Emirato di Abu Dhabi. Questo lungo archivio, che copre il periodo 2018–2022, evita le condizioni distorte osservate durante i lockdown per COVID-19 che hanno influenzato studi precedenti. Il team ha pulito con cura i dati, riempiendo occasionali lacune con medie di valori prese in date e ore simili di altri anni, e ha applicato procedure matematiche per gestire picchi netti preservando gli autentici estremi di inquinamento. Hanno quindi suddiviso la serie temporale in blocchi successivi di addestramento e test, imitando come un vero sistema di previsione imparerebbe dal passato e sarebbe valutato su periodi futuri non visti.

Mettere alla prova molti metodi di previsione

Per capire quali strumenti funzionano meglio, lo studio ha confrontato una vasta gamma di approcci. I metodi più semplici includevano alberi decisionali, foreste casuali e macchine a vettori di supporto, che cercano schemi nelle misure passate. Tra i metodi di deep learning più avanzati figuravano reti neurali convoluzionali, efficaci nell’individuare forme locali nelle serie temporali, e reti LSTM, progettate per ricordare schemi a lungo termine. I ricercatori hanno anche usato Prophet, un modello pensato per catturare cicli giornalieri e stagionali ripetuti, e un modello Transformer, un’architettura più recente che usa un meccanismo di “attenzione” per pesare come diversi momenti passati influenzano ogni previsione. A tutti i modelli è stato chiesto di prevedere i livelli di inquinanti con 1 ora, 2 ore, 1 giorno e 1 settimana di anticipo, e gli errori sono stati misurati usando diverse metriche complementari.

Imparare da come gli inquinanti si muovono insieme

Poiché biossido di azoto e ozono sono chimicamente intrecciati, il team ha esplorato se la storia di ciascun inquinante potesse aiutare a prevedere l’altro. Hanno prima misurato quanto strettamente i due gas fossero collegati in ogni stazione e hanno confermato una relazione inversa generalmente forte: quando uno era alto, l’altro tendava a essere basso. Hanno quindi costruito due versioni di ogni modello. Nella versione di base, il modello vedeva solo i valori passati dell’inquinante che doveva prevedere. Nella versione potenziata vedeva anche valori ritardati dell’altro inquinante, fornendo di fatto un suggerimento in più sullo stato attuale dell’aria cittadina. Questo ha permesso ai ricercatori di testare se l’«aumento delle caratteristiche» – l’aggiunta di informazioni correlate – producesse previsioni più accurate senza introdurre alcuna conoscenza dal futuro.

Quali modelli hanno vinto, e perché è importante

In quasi tutte le stazioni, per entrambi gli inquinanti e per i diversi orizzonti temporali, il modello Transformer ha nettamente superato gli altri, offrendo gli errori medi più bassi e il comportamento più stabile nel tempo. Per il biossido di azoto il suo errore percentuale tipico variava da circa un quarto a un terzo, mentre per l’ozono si è comportato leggermente meglio. Le reti convoluzionali sono state vicine per le previsioni a brevissimo termine, in particolare nelle prime poche ore, mentre Prophet si è dimostrato utile sull’orizzonte settimanale grazie alla sua efficacia nel cogliere pattern ricorrenti. È importante notare che fornire ai modelli informazioni aggiuntive sull’inquinante complementare ha costantemente ridotto gli errori di previsione, in modo più evidente per il biossido di azoto a 1 ora e per le previsioni di ozono fino a un giorno intero di anticipo. In termini pratici, questo lavoro mostra che un’IA avanzata basata sull’attenzione, alimentata da un ricco archivio pluriennale e istruita a sfruttare la “conversazione” chimica tra inquinanti chiave, può fornire previsioni della qualità dell’aria più affidabili. Tali strumenti possono aiutare urbanisti e agenzie sanitarie ad Abu Dhabi e in regioni simili ad agire prima e con maggiore precisione per proteggere la salute pubblica, in particolare bambini, anziani e persone con patologie polmonari o cardiache.

Citazione: 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

Parole chiave: previsione dell’inquinamento atmosferico, biossido di azoto, ozono a livello del suolo, modelli di deep learning, qualità dell’aria ad Abu Dhabi