Слияние данных спутника GEMS для почасового прогнозирования качества воздуха на Тайване

Почему подробные карты чистоты воздуха важны в повседневной жизни

Загрязнение воздуха обычно отслеживается разреженной сетью наблюдательных станций, которые могут пропускать локальные очаги и оставлять многие районы без информации о том, чем они на самом деле дышат. В этом исследовании рассматривается эта проблема для всего Тайваня: авторы комбинируют данные нового геостационарного спутника с метео‑и наземными измерениями, а затем с помощью машинного обучения прогнозируют почасовые уровни шести основных загрязнителей. В результате получается своего рода детализированная в реальном времени карта качества воздуха, которая может помочь жителям, врачам и политикам оперативнее реагировать на изменения загрязнения и лучше защищать общественное здоровье.

Новый «глаз» на небе для наблюдения за грязным воздухом

Работа сосредоточена вокруг спектрометра геостационарного мониторинга окружающей среды (GEMS) — инструмента, запущенного в 2020 году и постоянно наблюдающего Восточную Азию. В отличие от старых спутников, пролетающих над регионом лишь один–два раза в день, GEMS непрерывно следит за одной и той же зоной в дневное время, отслеживая газы и частицы, связанные со смогом и дымкой. Исследователи использовали его измерения озона, диоксида азота, диоксида серы и параметров аэрозолей, затем объединили их с подробными метеоданными, информацией по ультрафиолетовому излучению и показаниями наземной сети контроля качества воздуха Тайваня. Все эти данные были приведены к общей сетке, покрывающей остров по часам, с пространственным разрешением, достаточным для выделения региональных закономерностей.

Обучение модели «следить» за воздухом, которым мы дышим

Чтобы превратить поток данных в практические прогнозы, команда применила подход машинного обучения CatBoost, который хорошо выявляет закономерности в сложных данных смешанного типа. Важный момент: вместо создания отдельной модели для каждого загрязнителя они обучили одну «многовыходную» модель, которая одновременно усваивает поведение шести загрязнителей — мелкие частицы (PM₂.₅), крупные частицы (PM₁₀), озон (O₃), диоксид азота (NO₂), монооксид углерода (CO) и диоксид серы (SO₂). Модель получала не только текущие спутниковые и метеоусловия, но и данные за один и два часа до этого, а также за тот же час предыдущего дня, что помогало ей учитывать краткосрочные колебания и суточные циклы. Чтобы имитировать реальное использование прогнозов, применили скользящий подход: модель неоднократно дообучалась на самых свежих 18 месяцах данных и затем прогнозировала следующий день в ходе шестимесячного теста в 2023 году.

Насколько точно система отслеживает смог на Тайване

Модель показала способность достаточно точно отслеживать многие аспекты загрязнения воздуха на Тайване. Статистические оценки продемонстрировали сильное согласование между предсказанными и наблюдаемыми уровнями для большинства загрязнителей, особенно для озона, крупных и мелких частиц, диоксида азота и монооксида углерода. Карты сопоставления выходных данных модели с показаниями станций по всему острову показали, что система воспроизводит широкие пространственные закономерности, с лишь локальными участками переоценки или недооценки. Глубокий анализ ошибок выявил, что несколько экстремальных событий с пиковыми концентрациями частиц, таких как резкие всплески PM₂.₅ и PM₁₀, могут исказить метрики, чувствительные к выбросам. Когда те же ошибки суммировали с помощью более робастных статистик, видимая точность по частицам заметно улучшалась, что говорит о том, что модель в целом хорошо справляется с повседневными условиями, но, как и многие модели, испытывает трудности с редкими интенсивными эпизодами.

Что управляет закономерностями загрязнения по острову

Чтобы понять, чему научилась модель, исследователи применили метод, ранжирующий важность входных переменных для каждого загрязнителя. Для озона сильное солнечное освещение и более высокие температуры повышали уровни, тогда как влажные условия обычно их снижали — что согласуется с тем, как растения и погода влияют на удаление озона. Для загрязнения частицами более высокие скорости ветра обычно снижали концентрации за счёт рассеивания загрязнённого воздуха, тогда как спутниковые сигналы аэрозолей повышали их. Первичные загрязнители, такие как диоксид азота, монооксид углерода и диоксид серы, формировались под влиянием сочетания времени суток, местоположения и солнечного излучения, при этом ультрафиолетовое излучение снижало диоксид азота, раскладывая его и способствуя образованию озона. В целом анализ показал, что спутниковые измерения в сочетании с метеоданными дают модели физически обоснованную картину того, как загрязнители образуются, перемещаются и затухают в сложной островной среде Тайваня.

Что это значит для людей и политики

Проще говоря, исследование показывает, что объединяя спутниковые наблюдения, метеоданные и наземные измерения в единой обучающей системе, теперь можно создавать надёжные почасовые карты нескольких загрязнителей по всему Тайваню, а не только в местах расположения станций. Несмотря на то, что ещё есть возможности для улучшения точности по некоторым загрязнителям и экстремальным событиям, этот подход уже представляет мощный инструмент для органов здравоохранения и городского планирования: он может помочь выдавать более точные предупреждения во время эпизодов плохого воздуха, уточнять долгосрочные оценки экспозиции, используемые в медицинских исследованиях, и поддерживать более продуманные регуляции, нацеленные на наиболее вредные сочетания загрязнения и погоды. Та же стратегия может быть адаптирована для других регионов, покрываемых геостационарными спутниками, обеспечив более ясные и своевременные представления о воздухе, которым мы дышим, для множества сообществ.

Цитирование: Lin, WH., Chan, TC. GEMS satellite data fusion for hourly air quality prediction in Taiwan. Sci Rep 16, 7766 (2026). https://doi.org/10.1038/s41598-026-39305-w

Ключевые слова: прогнозирование качества воздуха, спутниковая дистанционная зондировка, загрязнение воздуха на Тайване, модели машинного обучения, спутник GEMS