FuXi-Air: voorspelling van luchtkwaliteit op basis van multimodale machine learning voor emissies, meteorologie en verontreinigingen

Waarom schonere lucht snellere voorspellingen nodig heeft

Luchtvervuiling is een van de meest hardnekkige gezondheidsrisico’s in moderne steden, maar de instrumenten die we gebruiken om slechte-luchtdagen te voorspellen zijn vaak traag, duur en niet altijd nauwkeurig op de plaatsen waar mensen echt wonen en werken. Deze studie introduceert FuXi‑Air, een op kunstmatige intelligentie gebaseerd systeem dat de belangrijkste stedelijke luchtverontreinigende stoffen voor de komende drie dagen in slechts enkele seconden kan voorspellen. Het doel is stadsoverheden en het publiek eerder en betrouwbaarder te waarschuwen zodat zij hun gezondheid beter kunnen beschermen.

De lucht in de stad zien als een bewegend systeem

Traditionele voorspellingen van luchtkwaliteit vertrouwen op omvangrijke rekenmodellen die simuleren hoe gassen en fijne deeltjes ontstaan, worden getransporteerd en worden verwijderd in de atmosfeer. Deze modellen brengen fysische en chemische details in kaart, maar vergen krachtige computers en vele uren rekentijd, en hun nauwkeurigheid wordt beperkt door hoe goed ze lokale weersomstandigheden en vervuilingsbronnen weergeven. Tegelijkertijd richten veel machine-learningbenaderingen zich alleen op metingen op enkele locaties of op afzonderlijke stoffen, wat hun bruikbaarheid voor echte, stedelijke voorspellingen beperkt. FuXi‑Air is ontworpen om deze kloof te overbruggen door de stedelijke lucht als een verbonden systeem te behandelen en informatie over weer, emissies en bestaande vervuilingsniveaus in één samenhangend raamwerk te combineren.

Hoe het nieuwe AI‑model werkt

FuXi‑Air brengt drie belangrijke gegevensstromen samen: hoogresolutie weersvoorspellingen van een apart AI‑weermodel, gedetailleerde emissie-inventarissen die beschrijven hoeveel vervuiling wordt uitgestoten door verkeer, industrie en andere bronnen, en continue metingen van grondmeetstations. Binnen FuXi‑Air leren gespecialiseerde deep‑learningmodules hoe vervuiling op verschillende locaties met elkaar verbonden is en hoe ze zich in de tijd ontwikkelt. Een andere module richt zich op hoe weerspatronen en emissies deze veranderingen beïnvloeden, waardoor het systeem de omstandigheden leert herkennen die leiden tot opbouw of afname van vervuiling. Door eerst vervuiling in stappen van zes uur te voorspellen en die vervolgens te verfijnen naar uurlijkse waarden, kan FuXi‑Air binnen ongeveer een halve minuut 72‑uursvoorspellingen leveren voor zes belangrijke verontreinigende stoffen op tientallen stations in elke stad.

Het systeem testen in drie megasteden

De onderzoekers testten FuXi‑Air in Beijing, Shanghai en Shenzhen — drie Chinese megasteden met zeer verschillende klimaten en vervuilingspatronen. Ze vergeleken de voorspellingen voor ozon, stikstofdioxide, zwaveldioxide, koolmonoxide en twee deeltjesgroottes met metingen uit 2023. Over het algemeen reproduceerde het model de timing en omvang van vervuilingspieken goed, vooral voor ozon en fijne deeltjes (PM2.5). Het bleek ook robuust wanneer de vervuilingsniveaus relatief laag en stabiel waren, zoals in Shenzhen. Er bleven uitdagingen bestaan voor grovere deeltjes (PM10), met name in Beijing, waar stofstormen en langeafstandsvervoer een grotere rol spelen en moeilijker met de beschikbare gegevens vast te leggen zijn.

Conventionele modellen verslaan en ontdekken wat het belangrijkst is

Om te beoordelen of FuXi‑Air klaar is voor praktisch gebruik, vergeleek het team het met een veelgebruikt conventioneel voorspellingssysteem dat een weermodel koppelt aan een gedetailleerd luchtkwaliteitsmodel. Over negen maanden aan voorspellingen voor Shanghai verminderde FuXi‑Air consequent de voorspellingsfouten voor alle zes verontreinigende stoffen en halveerden sommige fouten zelfs, terwijl het in seconden in plaats van uren draaide. De onderzoekers voerden ook systematische “ablaties” uit door verschillende gegevensbronnen aan en uit te zetten. Toen ze de weergegevens verwijderden, verloor het model het vermogen om dag‑nachtcycli en pieken te volgen, vooral voor ozon en fijne deeltjes. Het weglaten van emissiegegevens verzwakte de vaardigheid in steden waar lokale bronnen dominant zijn. Deze tests toonden aan dat het combineren van weer-, emissie- en meetgegevens cruciaal is, maar dat weer vaak de grootste enkele verbetering in de voorspellingskwaliteit levert.

Verschillende steden, verschillende aanjagers van vieze lucht

Door resultaten tussen steden te vergelijken, werpt de studie ook licht op hoe lokale omstandigheden vervuiling vormen. In Beijing bepalen winterverwarming en regionale stofgebeurtenissen dat grootschalige windpatronen en de stabiliteit van de lucht de deeltjesniveaus sterk beheersen, waardoor weergegevens het belangrijkst waren. In Shenzhen, met zijn warme, vochtige kustklimaat en sterke ventilatie, speelden lokale industriële en verkeersemissies een grotere rol bij de fijnstofniveaus. Shanghai situeerde zich tussen deze extremen in, beïnvloed door land‑zeebriesjes en door lokale bronnen. Voor gassen zoals koolmonoxide en zwaveldioxide waren emissies de belangrijkste aanjagers, maar ook daar konden lokaal terrein en weer hun ophoping versterken.

Wat dit betekent voor de bescherming van de volksgezondheid

FuXi‑Air laat zien dat zorgvuldig ontworpen AI‑systemen snelle, stedelijke voorspellingen van luchtkwaliteit kunnen leveren die traditionele methoden evenaren of overtreffen, terwijl ze veel minder rekenmiddelen vergen. Hoewel het model nog moeite heeft met sommige gebeurtenissen met grovere deeltjes en afhankelijk is van emissie-inventarissen die verbeterd kunnen worden, biedt het al een praktisch hulpmiddel voor vroegtijdige waarschuwingen en slim stedelijk beheer. Met betere, tijdiger informatie over wanneer en waar de lucht ongezond wordt, kunnen autoriteiten emissiebeheersmaatregelen gerichter inzetten en kunnen bewoners hun activiteiten aanpassen om blootstelling te verminderen — waardoor complexe atmosferische gegevens worden omgezet in bruikbare richtlijnen voor schoner, gezonder stedelijk leven.

Bronvermelding: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Trefwoorden: voorspelling van luchtkwaliteit, stedelijke luchtvervuiling, deep learning, meteorologie en emissies, bescherming van de volksgezondheid