Multi-modelvoorspelling van $$\text {NO}_{2}$$ en $$\text {O}_{3}$$ in Abu Dhabi: voordelen van correlatie-gebaseerde feature-augmentatie

Waarom schonere luchtvoorspellingen ertoe doen

Mensen die in groeiende steden zoals Abu Dhabi wonen, ademen lucht die voortdurend wordt gevormd door verkeer, industrie en het weer. Twee onzichtbare gassen, stikstofdioxide en grondniveau-ozon, spelen een belangrijke rol bij smog en ademhalingsproblemen. Deze studie stelt een praktische vraag met echte consequenties: hoe nauwkeurig kunnen we deze verontreinigende stoffen uren tot dagen van tevoren voorspellen met moderne kunstmatige intelligentie, en kunnen we beter presteren door de modellen te leren hoe deze twee gassen elkaar beïnvloeden?

De twee boosdoeners in stadslucht

Stikstofdioxide en ozon zijn nauw met elkaar verbonden in de atmosfeer. Stikstofdioxide komt grotendeels uit uitlaatgassen van voertuigen en andere verbrandingsbronnen; in zonlicht helpt het bij de vorming van ozon, dat een belangrijk bestanddeel van smog is. Overdag stijgen de ozonwaarden terwijl stikstofdioxide vaak daalt, en 's nachts kan dat patroon omkeren. In Abu Dhabi maken snelle stedelijke groei, zware verkeersdrukte en woestijnachtige omstandigheden die natuurlijke "luchtreiniging" beperken, deze verontreinigende stoffen tot een bijzondere zorg. Het nauwkeurig voorspellen van hun schommelingen stelt autoriteiten in staat kwetsbare mensen te waarschuwen, verkeersstromen aan te passen of industriële activiteiten te plannen om gezondheidsrisico's te verminderen.

Een rijk beeld van de lucht in Abu Dhabi

De onderzoekers putten uit een uitzonderlijk grote en gedetailleerde dataset: vijf jaar aan uurlijkse metingen van stikstofdioxide en ozon van zeven vaste meetstations verspreid over woestijnen, voorsteden, kustgebieden en een industrieel gebied in het emiraat Abu Dhabi. Dit lange register, dat 2018 tot en met 2022 bestrijkt, vermijdt de vertekende omstandigheden tijdens COVID-19-lockdowns die eerdere studies beïnvloedden. Het team maakte de data zorgvuldig schoon, vulde incidentele lacunes door gemiddelden te nemen van vergelijkbare datums en uren in andere jaren, en paste wiskundige stappen toe om scherpe pieken te behandelen terwijl echte vervuilingsextrama behouden bleven. Vervolgens splitsten ze de tijdreeks op in opeenvolgende trainings- en testblokken, waarmee ze nabootsten hoe een echt voorspellingssysteem van het verleden zou leren en beoordeeld zou worden op toekomstige, niet eerder geziene perioden.

Veel voorspellingsmethoden op de proef

Om te zien welke hulpmiddelen het beste werken, vergeleek de studie een breed scala aan benaderingen. Eenvoudigere methoden omvatten beslissingsbomen, random forests en support vector machines, die patronen in eerdere metingen zoeken. Meer geavanceerde deep learning-methoden omvatten convolutionele neurale netwerken, die goed zijn in het herkennen van lokale vormen in tijdreeksen, en LSTM-netwerken, die zijn ontworpen om langetermijnpatronen te onthouden. De onderzoekers gebruikten ook Prophet, een model dat is afgestemd op het vastleggen van terugkerende dagelijkse en seizoensgebonden cycli, en een Transformer-model, een nieuwere architectuur die een "attention"-mechanisme gebruikt om te wegen hoe verschillende momenten uit het verleden elke voorspelling beïnvloeden. Alle modellen kregen de opdracht om de vervuilingsniveaus 1 uur, 2 uur, 1 dag en 1 week vooruit te voorspellen, en hun fouten werden beoordeeld met verschillende aanvullende maatstaven.

Leren van hoe verontreinigende stoffen samen bewegen

Omdat stikstofdioxide en ozon chemisch met elkaar verweven zijn, onderzocht het team of de geschiedenis van elkzijds het andere zou kunnen helpen voorspellen. Ze maten eerst hoe sterk de twee gassen aan elkaar gekoppeld waren bij elk station en bevestigden over het algemeen een sterke inverse relatie: wanneer de ene hoog was, neigde de andere laag te zijn. Vervolgens bouwden ze twee versies van elk model. In de basale versie zag het model alleen de eerdere waarden van de verontreinigende stof die het wilde voorspellen. In de uitgebreide versie zag het ook vertraagde waarden van de andere verontreinigende stof, waardoor het effectief een extra hint kreeg over de huidige staat van de stedelijke lucht. Dit stelde de onderzoekers in staat te testen of "feature-augmentatie" – het toevoegen van gecorreleerde informatie – nauwkeurigere voorspellingen oplevert zonder informatie uit de toekomst te lekken.

Welke modellen wonnen, en waarom het ertoe doet

Bij bijna alle stations, verontreinigende stoffen en voorspellingshorizonten presteerde het Transformer-model duidelijk beter dan de andere modellen: het leverde de laagste gemiddelde fouten en het meest stabiele gedrag in de tijd. Voor stikstofdioxide liep de gebruikelijke procentuele fout ongeveer van een kwart tot een derde, en voor ozon deed het het iets beter. Convolutionele netwerken zaten dicht in de buurt voor zeer korte termijnvoorspellingen, vooral binnen de eerste paar uren, terwijl Prophet nuttig bleek op het weekhorizon dankzij het sterke vermogen om terugkerende patronen vast te houden. Belangrijk is dat het geven van extra informatie over de partnerverontreinigende stof aan de modellen consequent de voorspellingsfouten verminderde, met name voor 1-uurs stikstofdioxide en voor ozonvoorspellingen tot een volledige dag vooruit. In alledaagse termen toont dit werk aan dat geavanceerde aandacht-gebaseerde AI, gevoed met een rijk, meerjarig register en geleerd om het chemische "gesprek" tussen belangrijke verontreinigende stoffen te benutten, betrouwbaardere luchtkwaliteitsvoorspellingen kan leveren. Dergelijke hulpmiddelen kunnen stadsplanologen en gezondheidsinstanties in Abu Dhabi en vergelijkbare regio's helpen eerder en preciezer te handelen om de volksgezondheid te beschermen, met name voor kinderen, ouderen en mensen met long- of hartklachten.

Bronvermelding: 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

Trefwoorden: voorspelling van luchtvervuiling, stikstofdioxide, grondniveau-ozon, deep learning-modellen, luchtkwaliteit Abu Dhabi