Prognozowanie stężenia pyłu zawieszonego (PM2,5 i PM10) z użyciem rozkładu w szereg Fouriera w połączeniu z LSTM i SVM

Dlaczego prognozy czystszego powietrza mają znaczenie dla wszystkich

Drobny pył w powietrzu to niewidzialne zagrożenie, którym oddychamy każdego dnia. Maleńkie cząstki określane jako PM2,5 i PM10 mogą penetrować głęboko do płuc i krwiobiegu, zwiększając ryzyko chorób serca i układu oddechowego. Poziomy zanieczyszczeń mogą jednak zmieniać się gwałtownie z godziny na godzinę. W tym badaniu analizowano, jak dokładniej prognozować te wzrosty i spadki, godzina po godzinie i sezon po sezonie, w ruchliwym marokańskim mieście portowym — aby władze mogły ostrzegać mieszkańców i planować działania, zanim powietrze stanie się niebezpieczne.

Rozumiejąc pył w miejskim powietrzu

Naukowcy skupili się na Mohammedii, nadatlantyckim mieście z rafinerią ropy i obszarami przemysłowymi, co czyni je dobrą areną do badań nad jakością powietrza. Badali dwa powszechne typy pyłu zawieszonego: PM2,5, drobniejszy pył o średnicy 2,5 mikrometra lub mniejszej, oraz PM10, nieco większe cząstki do 10 mikrometrów. Oba utrzymują się w powietrzu i są uznawane za jedne z najbardziej szkodliwych zanieczyszczeń dla zdrowia ludzi. Zespół zgromadził godzinne pomiary tych cząstek od grudnia 2020 do listopada 2021, tworząc szczegółowy zapis wzrostów i spadków zanieczyszczenia w ciągu dni, tygodni i pór roku.

Oczyszczanie chaotycznych danych z rzeczywistego świata

Jak w większości systemów monitorujących, miejskie instrumenty nie dostarczały doskonałych danych. Niektóre godziny brakowały z powodu awarii czujników lub problemów komunikacyjnych, a rozkłady wykazywały okazjonalne skrajne skoki. Zamiast prostego uzupełniania luk liniowymi oszacowaniami, które mogłyby rozmyć rzeczywiste szczyty zanieczyszczeń, autorzy zastosowali metodę uwzględniającą sezonowość. Najpierw wychwycili regularne dzienne wzorce — na przykład wyższe stężenia w godzinach wzmożonego ruchu — a następnie wypełnili jedynie pozostałą nieregularną część sygnału przy użyciu lokalnego wygładzania. Oddzielili też powtarzające się schematy na różnych skalach czasowych (dzień, tydzień, rok) i zastosowali technikę wykrywania anomalii, aby oznaczyć i skorygować podejrzane wartości odstające. To staranne czyszczenie miało na celu zachowanie autentycznych zdarzeń zanieczyszczeniowych przy jednoczesnym usunięciu szumu.

Pozwólmy matematyce i maszynom współdziałać

W centrum badania znajduje się połączenie klasycznej matematyki i nowoczesnej sztucznej inteligencji. Autorzy wykorzystali szeregi Fouriera — narzędzie rozkładające skomplikowaną krzywą na sumę prostych fal — aby zdekomponować szeregi czasowe zanieczyszczeń na trend, cykle sezonowe i pozostałe fluktuacje. Następnie trenowali dwa popularne modele uczenia maszynowego na tych przetworzonych sygnałach: maszyny wektorów nośnych (SVM), które wyszukują wzorce w danych za pomocą elastycznych granic, oraz sieci LSTM (long short-term memory), typ sieci neuronowej zaprojektowany do uczenia się z sekwencji czasowych. Wersje każdego modelu z preprocessingiem opartym na Fouriera (SVMF i LSTMF) porównano z wersjami uczonymi wyłącznie na surowych danych.

Co ujawniają wzorce sezonowe

Godzinne zapisy ujawniły wyraźne rytmy sezonowe w powietrzu Mohammedii. Dla PM2,5 najwyższe średnie poziomy występowały jesienią, z długimi wieczornymi i nocnymi szczytami rozciągającymi się od około 19:00 do 2:00, prawdopodobnie związanymi z ruchem, handlem i aktywnością społeczną. Zima i lato również wykazywały wyraźne wieczorne i późnonocne maksima, podczas gdy wiosna miała dwa główne wypiętrzenia: jedno wczesnym popołudniem i drugie wieczorem. PM10 wykazywał podobne ogólne wzorce, z wyraźnymi szczytami wieczornymi i nieco niższymi wartościami w ciągu dnia w większości pór roku. Wzorce te podkreślają, że najgorsze powietrze często pokrywa się z okresami, gdy wiele osób przebywa na zewnątrz lub dojeżdża.

Dokładniejsze prognozy dzięki rozłożonym sygnałom

We wszystkich czterech porach roku i dla obu zanieczyszczeń hybrydowe modele łączące dekompozycję Fouriera z uczeniem maszynowym wyraźnie przewyższały modele trenowane na surowych danych. Model LSTMF, czyli LSTM z preprocessingiem opartym na Fouriera, konsekwentnie osiągał najlepsze wyniki. Dla prognoz godzinowych jego dokładność była najwyższa w każdym sezonie, ze szczególnie silnymi rezultatami jesienią. Gdy zespół wydłużył horyzont do prognozy siedmiodniowej, LSTMF nadal dawał wysoką skuteczność, z współczynnikami determinacji (R²) bliskimi lub przekraczającymi 0,9 w wielu przypadkach. Mówiąc prościej, dekompozycja sygnału pomogła modelom skupić się na znaczącej strukturze — długoterminowych trendach i powtarzalnych cyklach — przy jednoczesnym lepszym radzeniu sobie z krótkoterminowym szumem.

Co to oznacza dla codziennego życia

Dla osób niebędących specjalistami kluczowe przesłanie jest takie, że inteligentniejsze prognozowanie może przekształcić surowe dane z czujników w praktyczną ochronę. Dokładniej przewidując godzinowe poziomy PM2,5 i PM10, planiści miejscy i agencje zdrowia publicznego mogą przewidywać momenty skoków zanieczyszczeń i ostrzegać mieszkańców z problemami oddechowymi, dostosowywać przepływ ruchu lub wprowadzać ograniczenia przemysłowe. Chociaż badanie dotyczyło tylko jednego marokańskiego miasta i opierało się jedynie na historycznych pomiarach cząstek (bez dodawania danych pogodowych czy emisji), pokazuje, że łączenie głębokiego uczenia z matematyczną dekompozycją to skuteczna recepta na czystsze i bardziej niezawodne prognozy jakości powietrza. Przy dalszym dopracowaniu i zastosowaniu w większej liczbie lokalizacji takie narzędzia mogłyby stanowić podstawę systemów wczesnego ostrzegania, które pomagają ludziom oddychać trochę łatwiej na co dzień.

Cytowanie: 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

Słowa kluczowe: prognozowanie zanieczyszczeń powietrza, pył zawieszony, uczenie maszynowe, rozkład Fouriera, jakość powietrza w miastach