Een nieuw nowcasting (schattings)model gebaseerd op een adaptief netwerk neutrosophic hesitant fuzzy inference system (ANNHFIS): een casestudie van Istanbul

Waarom deze studie belangrijk is voor stedelijke lucht

Biomassakrachtcentrales zetten huishoudelijk afval en organisch restmateriaal om in elektriciteit, wat op het eerste gezicht een voordeel voor schone energie lijkt. Deze installaties stoten echter nog steeds stikstofdioxide uit, een gas dat de luchtwegen kan irriteren en astma kan verergeren. In dichtbevolkte steden zoals Istanbul kan kennis van de actuele stikstofdioxideconcentratie nabij dergelijke installaties autoriteiten helpen bewoners te waarschuwen en luchtkwaliteit te beheren. Deze studie introduceert een nieuw soort slim voorspellingssysteem dat ontworpen is om betrouwbaardere schattingen voor dezelfde dag van stikstofdioxide rond een grote afval-naar-energie-installatie te geven.

Hoe afval-naar-energie de nabijgelegen lucht beïnvloedt

Biomassacentrales verbranden of verwerken enorme hoeveelheden afval om de stroomvoorziening te garanderen. Afhankelijk van de bedrijfsvoering kunnen ze deeltjes en stikstofoxiden uitstoten op niveaus die vergelijkbaar zijn met sommige fossiele brandstofcentrales. Stikstofdioxide is daarbij bijzonder relevant omdat het de lucht vertroebelt, bijdraagt aan smog- en zure vorming en schadelijk is voor de longen. In Istanbuls district Eyup voorziet een omvangrijk complex van afval-naar-energie- en biomethanisatiefaciliteiten miljoenen mensen van stroom, maar het voert ook gassen zoals stikstofdioxide en fijne deeltjes in de atmosfeer. Begrijpen hoe lokale weersomstandigheden en mede-vervuilers samen de dagelijkse stikstofdioxideniveaus nabij dit complex vormgeven, is daarom een belangrijke vraag voor de volksgezondheid.

Welke gegevens in het model gingen

De onderzoekers concentreerden zich op dagelijkse condities tussen 2019 en 2023 nabij de Eyup-faciliteiten. Ze gebruikten vijf informatievariabelen als invoer: zonlicht, luchttemperatuur, luchtvochtigheid, stikstofoxiden en grove deeltjes in de lucht. Al deze waarden werden gemeten bij een nabijgelegen meetstation dat zowel weer als luchtkwaliteit registreert. Het doel was om op basis van deze metingen het daggemiddelde stikstofdioxideniveau voor dezelfde dag te schatten. Voordat modellen werden getraind, hebben de onderzoekers de gegevens opgeschoond door dagen met ontbrekende metingen te verwijderen en extreme sensorstoringen te filteren. Ze schaarden vervolgens alle waarden naar een gemeenschappelijke schaal en controleerden de reeksen op plotselinge sprongen of langetermijntrends die leeralgoritmen konden verwarren.

Een nieuwe manier om rommelige reële signalen te behandelen

Traditionele statistische modellen beschouwen relaties in gegevens vaak als voornamelijk lineair en hebben moeite wanneer patronen grillig, onregelmatig of veranderlijk zijn. Standaard neurale netwerken zijn flexibeler maar kunnen overfitten of weinig inzicht geven in hun besluitvorming. De auteurs bouwden een hybride systeem dat neurale netwerken combineert met fuzzy logica, een methode die met grijstinten werkt in plaats van binaire ja/nee-antwoorden. Hun innovatie is dat het systeem niet alleen kan uitdrukken hoe sterk een invoer tot een categorie als laag of hoog behoort, maar ook de onzekerheid en aarzeling daarin weergeeft. Door gepaarde klokvormige functies te gebruiken en een speciale mengregel, kan het model ambivalente gevallen representeren waarin de data ruisig of tegenstrijdig zijn — een veelvoorkomend verschijnsel bij buitensensormetingen van luchtkwaliteit.

Hoe de slimme schatter leert

Het nieuwe model steunt op een set van als-dan-achtige regels, bijvoorbeeld dat weinig zonlicht en hoge deeltjesniveaus kunnen wijzen op hogere stikstofdioxidewaarden. Achter de schermen combineert het honderden van zulke regels, elk met vloeiend variërende sterkten in plaats van harde grenzen. Om deze complexe regelbasis af te stemmen, hanteerde het team particle swarm optimization, een methode waarbij elke kandidaatoplossing als een deeltje door de oplossingsruimte beweegt en de zwerm wordt aangestuurd richting betere prestaties. Deze zoekstap past aan hoe de fuzzy categorieën geplaatst worden en hoe belangrijk elke regel is. Een daaropvolgende fijnslijpingsstap op basis van gradient learning polijst vervolgens de fit. De nauwkeurigheid van het model werd gecontroleerd met standaard foutenmaatregelen en vergeleken met meerdere sterke referentiemodellen, waaronder klassieke neurale netwerken, long short term memory-netwerken en eerdere fuzzy systemen.

Wat de onderzoekers vonden

Op onzichtbare testdata produceerde het nieuwe systeem de laagste gemiddelde fout en de hoogste overeenstemming met waargenomen stikstofdioxideniveaus van alle bestudeerde modellen. Het ving dagelijkse schommelingen en vervuilingspieken beter op dan andere fuzzy-benaderingen en een diep leermodel voor sequenties, en presteerde vergelijkbaar met een goed afgestemd standaard neurale netwerk terwijl het tegelijk transparanter bleef. Statistische toetsen toonden aan dat de verbeteringen ten opzichte van de meeste concurrenten waarschijnlijk niet op toeval berusten. De auteurs beargumenteren dat de rijkere manier waarop hun model onzekerheid behandelt, helpt om niet-gladde, veranderlijke patronen in de luchtkwaliteitsreeksen aan te kunnen.

Wat dit betekent voor stedelijke bewoners

Voor mensen die nabij afvalgestookte energiecentrales wonen, laat de studie zien hoe slimmere nowcasting-instrumenten een duidelijker beeld kunnen geven van de lucht die ze vandaag inademen. De voorgestelde methode lost de vervuiling niet op, maar kan stadsinstanties beter in staat stellen risicovolle dagen te signaleren en maatregelen te plannen, zoals waarschuwingen of operationele aanpassingen. Omdat de aanpak flexibel is, kan zij in toekomstig werk worden aangepast aan andere wijken, andere verontreinigende stoffen of andere voorspellingstermijnen. Simpel gezegd biedt het onderzoek een genuanceerdere luchtdrukmeter die onzekerheid erkent maar toch bruikbare aanwijzingen levert voor het beheer van stikstofdioxide in drukke stedelijke omgevingen.

Bronvermelding: 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

Trefwoorden: luchtvervuiling, stikstofdioxide, biomassakrachtcentrales, luchtkwaliteitsmodellering, machine learning