Nowy model prognozowania krótkoterminowego (oszacowania) oparty na adaptacyjnym neutrosophicznym systemie wnioskowania rozmytego z wahaną niepewnością (ANNHFIS): studium przypadku Stambułu

Dlaczego to badanie ma znaczenie dla miejskiego powietrza

Zakłady energetyczne przerabiające biomasę zamieniają odpady domowe i materiały organiczne na energię elektryczną, co brzmi jak korzyść dla czystej energii. Jednak takie instalacje nadal emitują dwutlenek azotu, gaz drażniący drogi oddechowe i zaostrzający astmę. W zatłoczonych miastach, takich jak Stambuł, znajomość dzisiejszego stężenia dwutlenku azotu w pobliżu takich zakładów może pomóc władzom ostrzec mieszkańców i zarządzać jakością powietrza. W tym badaniu zaprezentowano nowy rodzaj inteligentnego systemu prognostycznego, zaprojektowanego tak, by dostarczać bardziej wiarygodne oszacowania dwutlenku azotu na ten sam dzień w okolicach dużego zakładu przetwarzania odpadów na energię.

Jak przetwarzanie odpadów na energię wpływa na pobliskie powietrze

Zakłady biomasowe spalają lub przetwarzają ogromne ilości odpadów, by zapewnić energię. W zależności od sposobu eksploatacji mogą emitować cząstki i tlenki azotu na poziomach porównywalnych z niektórymi elektrowniami paliw kopalnych. Dwutlenek azotu jest szczególnie istotny, ponieważ zaostrza zmętnienie powietrza, przyczynia się do tworzenia smogu i kwaśnych osadów oraz szkodzi płynom oddechowym. W dzielnicy Eyup w Stambule, duży kompleks zakładów przetwarzania odpadów na energię i biometanizacji zasila miliony ludzi, ale także uwalnia do atmosfery gazy takie jak dwutlenek azotu oraz drobne cząstki. Zrozumienie, jak lokalna pogoda i towarzyszące zanieczyszczenia łączą się, kształtując dobowe poziomy dwutlenku azotu w pobliżu tego kompleksu, jest więc kluczowym zagadnieniem zdrowia publicznego.

Jakie dane posłużyły modelowi

Naukowcy skupili się na warunkach dobowych w latach 2019–2023 w rejonie instalacji w Eyup. Jako wejścia wykorzystali pięć wielkości: nasłonecznienie, temperaturę powietrza, wilgotność, tlenki azotu oraz grube cząstki w powietrzu. Wszystkie pomiary pochodziły z pobliskiej stacji monitorującej zarówno pogodę, jak i jakość powietrza. Celem było oszacowanie średniego dobowego stężenia dwutlenku azotu na podstawie tych pomiarów. Przed trenowaniem modeli zespół oczyścił dane, usuwając dni z brakującymi odczytami i filtrując skrajne zakłócenia sensorów. Następnie przeskalowali wszystkie wartości do wspólnego zakresu i sprawdzili zapisy pod kątem nagłych skoków lub długoterminowych dryftów, które mogłyby zmylić algorytmy uczące się.

Nowe podejście do radzenia sobie z nieporządkiem sygnałów z rzeczywistości

Tradycyjne modele statystyczne traktują zależności w danych jako w dużej mierze liniowe i mogą mieć trudności, gdy wzorce są faliste, nieregularne lub zmieniają się w czasie. Standardowe sieci neuronowe są bardziej elastyczne, ale mogą przeuczyć się lub nie dawać jasnego wglądu w sposób podejmowania decyzji. Autorzy zbudowali system hybrydowy, łączący sieci neuronowe z logiką rozmytą — metodą operującą odcieniami szarości zamiast odpowiedzi tak/nie. Ich innowacją było pozwolenie systemowi na wyrażenie nie tylko stopnia przynależności wejścia do kategorii, np. niskie lub wysokie, lecz także jego niepewności i wahania. Poprzez użycie par dzwonowych funkcji i specjalnej reguły łączenia model potrafi reprezentować przypadki ambiwalentne, gdzie dane są zaszumione lub sprzeczne — co jest powszechne w pomiarach jakości powietrza na zewnątrz.

Jak uczy się inteligentny estymator

Nowy model opiera się na zbiorze reguł w stylu jeśli‑to, na przykład niskie nasłonecznienie i wysokie stężenie cząstek mogą sugerować wyższe stężenie dwutlenku azotu. W tle łączy setki takich reguł, z płynnie zmieniającymi się siłami działania zamiast ostrych granic. Aby dostroić tę złożoną bazę reguł, zespół zastosował optymalizację rojową cząstek (particle swarm optimization) — metodę traktującą każde rozwiązanie kandydackie jak cząstkę poruszającą się w przestrzeni i popychającą roj ku lepszej wydajności. Ten etap wyszukiwania koryguje umiejscowienie kategorii rozmytych i wagę każdej reguły. Następny etap drobnego dostrojenia oparty na uczeniu gradientowym wygładza dopasowanie. Dokładność modelu sprawdzono standardowymi miarami błędu i porównano z kilkoma mocnymi punktami odniesienia, w tym klasycznymi sieciami neuronowymi, sieciami LSTM oraz wcześniejszymi systemami rozmytymi.

Jakie były wyniki badaczy

Na niewidzianych wcześniej danych testowych nowy system osiągnął najniższy średni błąd i najwyższą zgodność z zaobserwowanymi poziomami dwutlenku azotu spośród badanych modeli. Uchwycił dobowe wahania i szczyty zanieczyszczeń lepiej niż inne podejścia rozmyte i model sekwencyjny głębokiego uczenia, a jego wydajność była porównywalna z dobrze dostrojoną standardową siecią neuronową, przy większej przejrzystości. Testy statystyczne wykazały, że poprawy względem większości konkurentów były mało prawdopodobne do przypisania przypadkowi. Autorzy twierdzą, że bogatsze traktowanie niepewności przez ich model pomaga mu radzić sobie z niespójnymi, zmiennymi wzorcami w zapisach jakości powietrza.

Co to oznacza dla mieszkańców miast

Dla osób mieszkających w pobliżu zakładów przetwarzających odpady na energię badanie pokazuje, jak inteligentniejsze narzędzia prognozowania krótkoterminowego mogą dostarczyć wyraźniejszy obraz powietrza, którym oddychają dziś. Proponowana metoda nie eliminuje zanieczyszczeń, ale może pozwolić służbom miejskim bardziej wiarygodnie wykrywać ryzykowne dni i planować działania, takie jak alerty czy zmiany operacyjne. Ponieważ podejście jest elastyczne, można je zaadaptować do innych dzielnic, zanieczyszczeń lub horyzontów prognozy w przyszłych pracach. Mówiąc prosto, badanie oferuje bardziej zniuansowany termometr jakości powietrza, który uwzględnia niepewność, a jednocześnie dostarcza praktycznych wskazówek do zarządzania dwutlenkiem azotu w zatłoczonych obszarach miejskich.

Cytowanie: 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

Słowa kluczowe: zanieczyszczenie powietrza, dwutlenek azotu, elektrownie biomasowe, modelowanie jakości powietrza, uczenie maszynowe