Использование алгоритмов машинного обучения для изучения взаимосвязи между метеоусловиями и параметрами качества воздуха

Почему погода и городской воздух важны

Кто хоть раз наблюдал приближающуюся пыльную бурю или смог увидеть смог над городом, тот знает, как быстро может измениться воздух, которым мы дышим. В этом исследовании рассматривается, как повседневная погода в засушливом, индустриально развитом регионе Саудовской Аравии влияет на три важных типа загрязнителей воздуха и могут ли современные методы машинного обучения превратить простые метеозаписи в надёжные прогнозы качества воздуха. Выводы помогают объяснить, почему одни загрязнители сильно реагируют на изменения влажности и сезонности, тогда как другие определяются в большей степени трафиком, промышленностью и внезапными пыльными событиями.

Пустынный город как естественная лаборатория

Исследование сосредоточено на столичном районе Даммама на восточном побережье Саудовской Аравии — быстро растущем центре нефти, газа, нефтехимии, электростанций и интенсивного автомобильного движения. Регион характеризуется суровым пустынным климатом: очень жарким летом, тёплой зимой, малым количеством осадков и частыми пыльными бурями. Морские бризы из Аравийского залива и сухие континентальные ветры постоянно меняют местную погоду. Такое сочетание интенсивной антропогенной деятельности и переменчивых ветров, температур и уровней влажности делает Даммам идеальным местом для изучения взаимодействия погоды и загрязнения в условиях засухи, которые значительно отличаются от условий большинства предыдущих исследований качества воздуха.

Превращение метеозаписей в подсказки

Автор собрал пятилетний набор измерений за 2017–2021 годы, сопоставив рутинные метеонаблюдения с показаниями трёх ключевых загрязнителей: диоксида азота от сжигания топлива, угарного газа от неполного сгорания и крупной фракции частиц PM10, которая в пустынных городах часто обусловлена переноcимой пылью. Метеоданные включали температуру, влажность, скорость и направление ветра, точку росы и атмосферное давление, фиксируемые дважды в день. После тщательной очистки данных от пропусков и выбросов в набор добавили маркер «день года» для учёта сезонности и затем применили компьютерные методы, чтобы ранжировать, какие погодные факторы наиболее важны для каждого загрязнителя, прежде чем использовать их в предиктивных моделях.

Обучение машин «читать небо»

Были протестированы четыре типа моделей машинного обучения: нейронная сеть, одно дерево решений и два ансамблевых метода — случайный лес и градиентный бустинг, которые объединяют множество простых моделей в более мощную. Данные разделили так, чтобы большая часть записей использовалась для обучения моделей, а оставшаяся — для проверки их способности предсказывать невидимые случаи. Для диоксида азота лучший результат показал градиентный бустинг. Используя всего три входных параметра — сезон года, точку росы и влажность — он объяснил более четырёх пятых наблюдаемой вариабельности. Это указывает на значительную роль влаги и сезонной инсоляции в формировании, трансформации и сохранении азотсодержащих соединений в приземном слое атмосферы, даже в сухом регионе.

Когда погоды недостаточно

Угарный газ показал более смешанную картину. Лучшие модели объясняли лишь около половины его колебаний, что говорит о том, что хотя погода и сезон имеют значение — холодные, застойные периоды склонны задерживать этот газ у земли — изменения в трафике, потреблении топлива и промышленном производстве так же важны. Для PM10 все четыре подхода справлялись плохо. Их предсказания были лишь немного лучше, а иногда и хуже, чем простое использование средних значений. Это отражает хаотичную природу пыли в засушливых городах: внезапные порывы ветра, строительные работы, движение по дорогам и состояние почвы могут вызывать кратковременные всплески, которые базовые метеозаписи предвидеть не в силах. Исследование также показало, что добавление большого числа дополнительных погодных переменных сверх нескольких наиболее релевантных часто ухудшало предсказания, подчёркивая важность фокусировки на сильнейших сигналах, а не на передаче моделям всего подряд.

Что означают эти выводы для повседневной жизни

Для людей, живущих в пыльных, быстро развивающихся регионах, эта работа демонстрирует и возможности, и ограничения прогнозов качества воздуха, основанных на погоде. Умные сочетания простых метеоданных могут надёжно предсказывать колебания некоторых газов, особенно диоксида азота, предлагая недорогой инструмент для выпуска предупреждений о риске для здоровья и планирования мер по сокращению выбросов там, где отсутствуют плотные сети мониторинга. Вместе с тем упрямо непредсказуемая природа частиц, связанных с пылью, указывает на то, что защите общественного здоровья в пустынных городах потребуется более богатая информация о землепользовании, влажности почвы, трафике и спутниковом наблюдении за пылью, а не только данные о погоде. В совокупности эти инсайты прокладывают путь к более целевым, локально настроенным системам прогнозирования, которые помогут сообществам дышать немного легче под непростым небом.

Цитирование: Tawabini, B. Using machine learning algorithms to study the relationship between meteorological conditions and air quality parameters. Sci Rep 16, 10392 (2026). https://doi.org/10.1038/s41598-026-39579-0

Ключевые слова: качество воздуха, машинное обучение, загрязнение в пустыне, метеорология, Саудовская Аравия