Prognozowanie wielomodelowe stężeń $$\text {NO}_{2}$$ i $$\text {O}_{3}$$ w Abu Zabi: korzyści wynikające z rozszerzania cech na podstawie korelacji

Dlaczego prognozy czystszego powietrza mają znaczenie

Mieszkańcy rozwijających się miast, takich jak Abu Zabi, oddychają powietrzem nieustannie kształtowanym przez ruch drogowy, przemysł i warunki pogodowe. Dwa niewidoczne gazy — dwutlenek azotu i ozon przy powierzchni — odgrywają dużą rolę w smogu i problemach układu oddechowego. W badaniu postawiono praktyczne pytanie o realnych konsekwencjach: jak dokładnie można przewidzieć te zanieczyszczenia na godziny i dni naprzód przy użyciu nowoczesnej sztucznej inteligencji i czy da się poprawić prognozy, ucząc modele, jak te dwa gazy wzajemnie na siebie wpływają?

Dwoje sprawców problemów w miejskim powietrzu

Dwutlenek azotu i ozon są ze sobą ściśle powiązane w atmosferze. Dwutlenek azotu pochodzi w dużej mierze ze spalin samochodowych i innych źródeł spalania; w świetle słonecznym przyczynia się do tworzenia ozonu, który jest głównym składnikiem smogu. W ciągu dnia poziomy ozonu rosną, podczas gdy dwutlenek azotu często spada, a nocą ten wzorzec może się odwracać. W Abu Zabi szybki rozwój miejski, duże natężenie ruchu i pustynne warunki ograniczające naturalne „oczyszczanie” powietrza sprawiają, że te zanieczyszczenia stanowią szczególne zagrożenie. Dokładne przewidywanie ich wahań pozwala władzom ostrzegać osoby wrażliwe, korygować przepływy ruchu lub planować działalność przemysłową w celu zmniejszenia ryzyka zdrowotnego.

Obszerna panorama powietrza Abu Zabi

Naukowcy wykorzystali wyjątkowo duży i szczegółowy zestaw danych: pięć lat godzinnych pomiarów dwutlenku azotu i ozonu z siedmiu stałych stacji monitorujących rozmieszczonych na obszarach pustynnych, przedmieściach, dzielnicach przybrzeżnych i w strefie przemysłowej Emiratu Abu Zabi. Ten długi zapis, obejmujący lata 2018–2022, unika zniekształconych warunków obserwowanych podczas lockdownów COVID-19, które wpływały na wcześniejsze badania. Zespół starannie oczyścił dane, wypełniając sporadyczne luki przez uśrednianie wartości z podobnych dat i godzin w innych latach, oraz zastosował procedury matematyczne do obsługi ostrych skoków przy zachowaniu rzeczywistych ekstremów zanieczyszczeń. Następnie podzielili oś czasu na kolejne bloki treningowe i testowe, naśladując sposób, w jaki rzeczywisty system prognostyczny uczy się na podstawie przeszłości i jest oceniany na przyszłych, niewidzianych okresach.

Wieloraki testy metod prognostycznych

Aby sprawdzić, które narzędzia działają najlepiej, w badaniu porównano szeroki wachlarz podejść. Prostszymi metodami były drzewa decyzyjne, lasy losowe i maszyny wektorów nośnych, które wyszukują wzorce w przeszłych pomiarach. Bardziej zaawansowane metody głębokiego uczenia obejmowały splotowe sieci neuronowe, które świetnie rozpoznają lokalne kształty w szeregach czasowych, oraz sieci LSTM zaprojektowane do zapamiętywania długoterminowych wzorców. Badacze użyli też modelu Prophet, dostosowanego do wychwytywania powtarzalnych cykli dobowych i sezonowych, oraz modelu Transformer — nowszej architektury wykorzystującej mechanizm „uwagi” do ważenia, jak różne przeszłe momenty wpływają na każdą prognozę. Wszystkim modelom zadano przewidywanie poziomów zanieczyszczeń z wyprzedzeniem 1 godziny, 2 godzin, 1 dnia i 1 tygodnia, a ich błędy oceniono za pomocą kilku uzupełniających się miar.

Nauka z wzajemnego zachowania się zanieczyszczeń

Ponieważ dwutlenek azotu i ozon są powiązane chemicznie, zespół sprawdził, czy historia każdego z zanieczyszczeń może pomóc w przewidywaniu drugiego. Najpierw zmierzono, jak silnie te dwa gazy są powiązane na każdej stacji i potwierdzono ogólnie silną odwrotną zależność: gdy jedno było wysokie, drugie miało tendencję do bycia niskim. Następnie zbudowano dwie wersje każdego modelu. W wersji podstawowej model widział tylko przeszłe wartości zanieczyszczenia, które miał przewidywać. W wersji rozszerzonej widział również opóźnione wartości drugiego zanieczyszczenia, dając w praktyce dodatkową wskazówkę o aktualnym stanie miejskiego powietrza. To pozwoliło zespołowi sprawdzić, czy „augmentacja cech” — dodanie skorelowanych informacji — prowadzi do dokładniejszych prognoz bez wprowadzania informacji z przyszłości.

Które modele zwyciężyły i dlaczego to ma znaczenie

We wszystkich stacjach, dla obu zanieczyszczeń i na różnych horyzontach czasowych model Transformer wyraźnie przewyższał pozostałe, osiągając najniższe średnie błędy i najbardziej stabilne zachowanie w czasie. Dla dwutlenku azotu typowy błąd procentowy mieścił się w przybliżeniu między jedną czwartą a jedną trzecią, a dla ozonu był nieco niższy. Sieci splotowe były blisko w przypadku bardzo krótkoterminowych prognoz, szczególnie w pierwszych kilku godzinach, natomiast Prophet okazał się przydatny na horyzoncie tygodniowym dzięki dobrej obsłudze cykli powtarzalnych. Co istotne, dostarczenie modelom dodatkowej informacji o „towarzyszącym” zanieczyszczeniu konsekwentnie zmniejszało błędy prognoz, najbardziej widocznie dla 1-godzinnych prognoz dwutlenku azotu i dla prognoz ozonu sięgających do doby naprzód. W praktycznym ujęciu praca ta pokazuje, że zaawansowana sztuczna inteligencja oparta na mechanizmie uwagi, zasilana bogatym, wieloletnim zbiorem danych i uczona wykorzystywania chemicznej „rozmowy” między kluczowymi zanieczyszczeniami, może dostarczać bardziej niezawodne prognozy jakości powietrza. Takie narzędzia mogą pomóc planistom miejskim i służbom zdrowia w Abu Zabi i podobnych regionach działać wcześniej i precyzyjniej, by chronić zdrowie publiczne, zwłaszcza dzieci, osoby starsze oraz pacjentów z chorobami płuc lub serca.

Cytowanie: 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

Słowa kluczowe: prognozowanie zanieczyszczeń powietrza, dwutlenek azotu, ozon przy powierzchni ziemi, modele głębokiego uczenia, jakość powietrza w Abu Zabi