Гибридная био-вдохновлённая модель для прогнозирования загрязнения воздуха в городах с использованием глубокого обучения

Почему чистый городской воздух важен для вас

Воздух в городе — это смесь невидимых газов и мельчайших частиц, которые со временем могут незаметно повреждать лёгкие, сердце и мозг. Тем не менее многие горожане слышат о плохом воздухе только когда в новостях появляется предупреждение о смогe. В этом исследовании предложен более умный способ прогнозирования загрязнения воздуха в крупных городах мира, цель которого — дать властям и жителям более ранние и надёжные предупреждения, чтобы они могли увереннее планировать поездки, занятия на открытом воздухе и меры общественного здравоохранения.

В чём проблема с угадыванием завтрашнего воздуха

Прогнозировать качество воздуха в городе сложнее, чем кажется. Загрязнение исходит от транспорта, промышленности, погодных условий и даже от планировки улиц и зелёных зон. Уровни вредных веществ — тонкой пыли, озона и диоксида азота — могут отличаться от района к району и меняться по часам. Существующие компьютерные модели часто сталкиваются с шумными показаниями датчиков, отсутствующими данными и запутанными взаимосвязями между разными загрязнителями и погодой. Многие хорошо работают в одном городе, но терпят неудачу при переносе в другой с иным трафиком или климатом.

Новый инструмент, который изучает законы атмосферы

Авторы представляют гибридную модель с длинным названием, но простой идеей: сочетать обучение на данных с знаниями о том, как воздух действительно ведёт себя. Сначала используется глобальный набор данных с ежедневными наблюдениями за качеством воздуха и погодой в крупных городах за период с 2015 по 2025 годы. Специализированный этап очистки сглаживает данные, сохраняя резкие изменения вблизи оживлённых дорог или источников загрязнения. Затем этап выделения признаков разбивает каждый сигнал загрязнения на компоненты, которые представляют общий уровень, взаимодействия между загрязнителями и внезапные всплески. Эти обработанные сигналы поступают в нейронную сеть, «информированную физикой», то есть мягко направляемую базовыми принципами рассеяния и химических реакций загрязнителей в атмосфере.

Позволяя природе вдохновлять оптимизацию

Даже тщательно спроектированной нейронной сети нужны настроенные внутренние параметры, чтобы хорошо работать. Вместо стандартных методов исследователи заимствуют идеи из поведения мантий (manta rays), которые ищут пищу в океане. Их алгоритм оптимизации имитирует групповое поиск и петляющие движения, чтобы эффективно исследовать множество возможных комбинаций параметров, а затем фокусироваться на наиболее перспективных. Этот био-вдохновлённый поиск помогает модели найти баланс между точным следованием данным и соблюдением физических ограничений, таких как недопущение отрицательных значений загрязнения или невозможных скачков концентрации.

Насколько хорошо это работает в реальных городах

Чтобы проверить подход, команда сравнила свою модель с несколькими популярными системами глубокого и машинного обучения для прогнозирования качества воздуха. Модель обучали на данных из набора городов, а затем проверяли её работу на других, невиданных ранее городах с разным климатом и планировкой улиц. Гибридная модель достигла примерно 99-процентной точности и меньших показателей ошибки по сравнению с конкурирующими методами для ключевых загрязнителей — тонких частиц, угарного газа, диоксида азота, озона и диоксида серы. Она также лучше справлялась с экстремальными событиями. В тесте, имитирующем пожарный выброс, стандартная модель дала нереалистичные отрицательные значения и сильно преувеличенные пики, тогда как физически-информированная система удерживала прогнозы в разумных пределах и значительно ближе к реальности.

Что это значит для повседневной жизни и планирования

Проще говоря, исследование показывает, что модель, которая одновременно учится на данных и уважает базовые законы физики, может предсказывать городской воздух более надёжно, чем модели, ориентированные только на поиск шаблонов. Поскольку она хорошо обобщается на разные города и остаётся стабильной даже при разреженных или шумных данных, она может поддерживать работу систем оповещения в реальном времени, помогать в умном планировании городов и картировании рисков для здоровья. Хотя фреймворк всё ещё упрощает некоторые местные детали, такие как мелкомасштабные уличные каньоны и микроклиматы, он представляет собой шаг к прогнозам воздуха, которым жители и политики смогут доверять при решениях о строительстве, управлении трафиком и ограничениях пребывания на открытом воздухе.

Цитирование: Chaudhary, D., Vats, P., Vats, S. et al. A hybrid bio-inspired model for predicting urban air pollution using deep learning. Sci Rep 16, 15697 (2026). https://doi.org/10.1038/s41598-026-40726-w

Ключевые слова: загрязнение воздуха в городах, прогноз качества воздуха, глубокое обучение, физически-информированные модели, экологический мониторинг