Voorspelling van fijnstof (PM2.5 en PM10) met fourierreeks-decompositie gecombineerd met LSTM en SVM

Waarom schonere-luchtvoorspellingen voor iedereen belangrijk zijn

Fijn stof in de lucht is een onzichtbare bedreiging die we dagelijks inademen. Kleine deeltjes, aangeduid als PM2.5 en PM10, kunnen diep in onze longen en in de bloedbaan doordringen en zo het risico op hart- en longziekten verhogen. Toch kunnen de vervuilingsniveaus van uur tot uur sterk schommelen. Deze studie onderzoekt hoe die stijgingen en dalingen uur voor uur en seizoen voor seizoen nauwkeuriger voorspeld kunnen worden in een drukke Marokkaanse havenstad — zodat autoriteiten bewoners kunnen waarschuwen en maatregelen kunnen plannen voordat de lucht gevaarlijk wordt.

Begrijpen van stof in de stadslucht

De onderzoekers richtten zich op Mohammedia, een stad aan de Atlantische kust met een olieraffinaderij en industriële gebieden, wat het tot een nuttig testgebied voor luchtkwaliteitsonderzoek maakt. Ze bestudeerden twee veelvoorkomende typen deeltjes: PM2.5, het fijnere stof met diameters van 2,5 micrometer of minder, en PM10, iets grotere deeltjes tot 10 micrometer. Beide blijven in de lucht zweven en behoren tot de schadelijkste verontreinigende stoffen voor de gezondheid. Het team verzamelde uurlijkse metingen van deze deeltjes van december 2020 tot november 2021 en creëerde zo een gedetailleerd bestand van hoe de vervuiling zich over dagen, weken en seizoenen verhief en verminderde.

Het opruimen van rommelige data uit de praktijk

Net als de meeste echte monitoringsystemen leverden de meetinstrumenten in de stad geen perfecte data. Sommige uren ontbraken door sensorstoringen of communicatieproblemen, en de verdelingen vertoonden af en toe extreme uitschieters. In plaats van gaten simpelweg op te vullen met rechte-lijn-schattingen die echte vervuilingpieken kunnen vervagen, gebruikten de auteurs een methode die rekening houdt met seizoenspatronen. Ze vingen eerst regelmatige dagelijkse patronen — zoals hogere concentraties tijdens drukke verkeersuren — en vulden vervolgens alleen het overgebleven onregelmatige deel van het signaal in met lokale gladstrijking. Ze splitsten ook terugkerende patronen op meerdere tijdschalen (dag, week, jaar) en pasten een anomaliedetectietechniek toe om verdachte uitschieters te markeren en te corrigeren. Deze zorgvuldige schoonmaak had tot doel echte vervuilingsevenementen te behouden en ruis te verwijderen.

Wiskunde en machines laten het werk delen

Centraal in de studie staat een combinatie van klassieke wiskunde en moderne kunstmatige intelligentie. De auteurs gebruikten Fourier-reeksen, een instrument dat een ingewikkelde curve ontleedt in een som van eenvoudige golven, om de tijdreeksen van vervuiling te decomponeren in trend, seizoenscycli en resterende fluctuaties. Vervolgens trainden ze twee gangbare machine-learningmodellen op deze verwerkte signalen: support vector machines (SVM), die patronen in data vinden met flexibele krommen, en long short-term memory-netwerken (LSTM), een type neuraal netwerk dat ontworpen is om van tijdreeksen te leren. Varianten van elk model met Fourier-gebaseerde voorbewerking (SVMF en LSTMF) werden vergeleken met versies die op ruwe data waren getraind.

Wat de seizoenspatronen onthullen

De uurlijkse gegevens toonden duidelijke seizoensritmes in de lucht van Mohammedia. Voor PM2.5 vertoonde de herfst de hoogste gemiddelde niveaus, met lange avond- en nachtpieken die zich uitstrekten van ongeveer 19:00 tot 02:00, hoogstwaarschijnlijk gerelateerd aan verkeer, handelsactiviteiten en sociale bijeenkomsten. Winter en zomer lieten ook sterke avond- en late-nachtpieken zien, terwijl de lente twee hoofdpieken vertoonde: een vroeg in de middag en een andere in de avond. PM10 volgde over het algemeen vergelijkbare patronen, met uitgesproken avondpieken en over het algemeen lagere dagwaarden in de meeste seizoenen. Deze patronen benadrukken dat de slechtste lucht vaak samenvalt met periodes waarin veel mensen buiten zijn of naar hun werk reizen.

Scherpere voorspellingen met gedecomposeerde signalen

In alle vier seizoenen en voor beide verontreinigende stoffen presteerden de hybride modellen die Fourier-decompositie met machine learning combineerden duidelijk beter dan modellen die op ruwe data waren getraind. Het LSTMF-model, dat LSTM koppelt aan Fourier-gebaseerde voorbewerking, was consequent het beste. Voor uurlijkse voorspellingen scoorde het in elk seizoen het hoogst, met bijzonder sterke resultaten in de herfst. Wanneer het team de horizon uitbreidde naar voorspellingen zeven dagen vooruit, leverde LSTMF nog steeds hoge vaardigheid, met determinatiecoëfficiënten (R²) dicht bij of boven 0,9 in veel gevallen. In eenvoudige bewoordingen hielp het decomponeren van het signaal de modellen te concentreren op betekenisvolle structuren — langetermijntrends en terugkerende cycli — terwijl short-term ruis beter werd afgehandeld.

Wat dit betekent voor het dagelijks leven

Voor niet-specialisten is de kernboodschap dat slimmer voorspellen ruwe sensordata kan omzetten in praktische bescherming. Door uurlijkse PM2.5- en PM10-niveaus nauwkeuriger te voorspellen kunnen stadsplanners en gezondheidsinstanties anticiperen op vervuilingspieken en bewoners met ademhalingsproblemen waarschuwen, verkeersstromen aanpassen of industriële beperkingen timen. Hoewel deze studie slechts één Marokkaanse stad onderzocht en alleen historische deeltjesmetingen gebruikte (zonder weer- of emissiegegevens toe te voegen), toont het aan dat het combineren van deep learning met wiskundige decompositie een krachtige methode is voor schonere, betrouwbaardere luchtkwaliteitsvoorspellingen. Met verdere verfijning en uitbreiding naar meer locaties zouden dergelijke middelen vroegwaarschuwingssystemen kunnen ondersteunen die mensen helpen wat gemakkelijker te ademen in hun dagelijks leven.

Bronvermelding: 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

Trefwoorden: voorspelling van luchtvervuiling, fijnstof, machine learning, Fourier-decompositie, stedelijke luchtkwaliteit