TransNet: sieć neuronowa z informacją o transporcie do prognozowania stężeń PM2,5 w całej Korei Południowej

Dlaczego lepsze prognozy jakości powietrza się liczą

Drobne cząstki w powietrzu, znane jako PM2,5, są na tyle małe, że mogą wnikać głęboko do płuc i krwiobiegu, zwiększając ryzyko chorób serca i płuc, a nawet wcześniejszej śmierci. Korea Południowa, silnie zurbanizowany i uprzemysłowiony kraj, poczyniła postępy w ograniczaniu tych cząstek, lecz wciąż zdarzają się niebezpieczne skoki ich stężeń, które mogą przemieszczać się także przez granice. Aby chronić zdrowie publiczne, władze potrzebują szybkich i wiarygodnych prognoz PM2,5 na godziny i dni naprzód — wystarczająco szczegółowych dla każdego miasta, ale też na tyle szybkich i tanich, by uruchamiać je codziennie. W tym badaniu przedstawiono nowe narzędzie prognostyczne, TransNet, które wykorzystuje koncepcje z fizyki i sztucznej inteligencji do przewidywania PM2,5 w całej Korei Południowej, bez polegania na powolnych i kosztownych modelach superkomputerowych.

Nowy sposób „czytania” powietrza

Tradycyjne prognozy zanieczyszczeń idą dwoma torami. Jeden używa dużych modeli komputerowych, które symulują, jak zanieczyszczenia przemieszczają się, mieszają i reagują w atmosferze, ale ich uruchomienie może zająć godziny na superkomputerze. Drugi polega na metodach statystycznych lub uczenia maszynowego, które uczą się wzorców z danych historycznych — są szybsze, ale często pomijają nagłe zmiany pogody i emisji. TransNet, skrót od Transport-Informed Graph Neural Network, stara się połączyć mocne strony obu podejść. Traktuje każdą stację monitoringu jakości powietrza w Korei Południowej jako węzeł sieci i uczy się, jak zanieczyszczenia przemieszczają się między nimi, kierując się danymi pogodowymi, takimi jak wiatr, temperatura i opady. Dzięki temu model może naśladować fizykę rozprzestrzeniania się zanieczyszczeń przy zachowaniu szybkości nowoczesnej sztucznej inteligencji.

Jak inteligentna sieć podąża za wiatrem

W sercu TransNet leżą trzy powiązane procesy odzwierciedlające zachowanie zanieczyszczeń w prawdziwej atmosferze: transport przez wiatr, rozprzestrzenianie się i lokalne zmiany. Model uczy się „adwekcji”, czyli w jaki sposób wiatr przesuwa zanieczyszczenia z jednego miejsca do drugiego, poprzez budowanie połączeń między stacjami zgodnych z niedawnymi kierunkami i prędkościami wiatru. Uczy się też „dyfuzji”, czyli stopniowego wygładzania szczytów i dolin w poziomach zanieczyszczeń pomiędzy sąsiednimi lokalizacjami. Wreszcie zawiera krok „reakcji”, który uchwyca lokalne zmiany napędzane przez warunki pogodowe i procesy chemiczne, takie jak tworzenie się cząstek w wilgotnych warunkach lub wypłukiwanie przez deszcz. Dzieląc te procesy na odrębne etapy i aktualizując stan powietrza w bardzo małych przyrostach, TransNet pozostaje numerycznie stabilny i respektuje podstawowe zasady fizyczne, takie jak zachowanie masy.

Jak dobrze działa nowe narzędzie

Naukowcy przetestowali TransNet na czteroletnich, godzinowych danych z 170 stacji monitorujących w całej Korei Południowej, trenując model na latach 2018–2019, strojąc go na 2020 r. i oceniając na 2021 r. Porównali go z wcześniejszym systemem z najwyższej półki o nazwie AGATNet, który koryguje wyniki złożonego modelu chemicznego. Dla krótkich i średnich horyzontów prognozy — od 1 godziny do około 2 dni — TransNet dawał dokładniejsze przewidywania na niemal wszystkich stacjach, zmniejszając typowe błędy około o jedną trzecią do połowy i ściśle odwzorowując obserwowane zmiany PM2,5. Szczególnie dobrze radził sobie w obszarach nadbrzeżnych, gdzie wiatr i ukształtowanie terenu tworzą skomplikowane wzory transportu. W dłuższych przedziałach czasowych — powyżej około 48 godzin — przewagę utrzymywał jednak AGATNet, prawdopodobnie dlatego, że korzysta z obszernych informacji chemicznych z modelu chemicznego, których TransNet jawnie nie oddaje.

Co ujawniają dni ekstremalne

Gdy zespół skupił się na najgorszych epizodach zanieczyszczeń, odkryto istotny kompromis. AGATNet, dysponując bogatymi danymi chemicznymi, wykrywał większą część bardzo wysokich zdarzeń PM2,5, co czyni go użytecznym tam, gdzie priorytetem jest złapanie jak największej liczby niebezpiecznych dni. Jednak generował też znacznie więcej fałszywych alarmów. TransNet przeoczył więcej rzadkich, bardzo ciężkich skoków, zwłaszcza przy dłuższych czasach prognozy, lecz gdy oznajmiał zdarzenie ciężkie, robił to zwykle poprawnie, wykazując znacznie wyższą precyzję. Dla warunków codziennych — stanowiących ponad 96 procent obserwacji — TransNet dawał lepsze ogólne dopasowanie prognoz do rzeczywistości, pozostając jednocześnie niezależnym od kosztownych zewnętrznych systemów modelowych.

Co to oznacza dla czystszych, bezpieczniejszych miast

Dla osoby niebędącej specjalistą kluczowy przekaz jest taki, że TransNet oferuje praktyczny nowy sposób prognozowania zanieczyszczeń drobnych cząstek: jest szybki, stosunkowo prosty w obsłudze i oparty na tym, jak powietrze rzeczywiście się porusza i zmienia. Na istotne pierwsze jeden-dwa dni, kiedy władze muszą zdecydować, czy wydać alerty, zmienić ruch drogowy lub chronić grupy wrażliwe, TransNet może dostarczyć dokładne, ogólnokrajowe prognozy wykorzystując wyłącznie dane pogodowe i rutynowy monitoring. Istniejące narzędzia oparte na cięższych modelach chemicznych mogą być wciąż lepsze przy prognozowaniu na kilka dni naprzód i przy wychwytywaniu najrzadszych, najbardziej ekstremalnych zdarzeń. W przyszłości autorzy sugerują połączenie wydajnej, fizyką inspirowanej konstrukcji TransNet z uproszczonymi procesami chemicznymi i mieszającymi, w celu stworzenia prognoz jakości powietrza, które będą jednocześnie ostrzejsze i bardziej niezawodne — pomagając miastom działać szybciej i pewniej, aby chronić zdrowie publiczne.

Cytowanie: Dimri, R., Choi, Y., Singh, D. et al. TransNet: a transport-informed graph neural network for forecasting PM_2.5 concentrations across South Korea. npj Clean Air 2, 12 (2026). https://doi.org/10.1038/s44407-026-00052-x

Słowa kluczowe: prognozowanie zanieczyszczeń powietrza, PM2.5, siec neuronowa grafowa, jakość powietrza w Korei Południowej, SZTUKA informowana fizyką