Новая модель настояшего прогнозирования (оценки) на основе адаптивной сети неотрострово-колеблющейся нечеткой системы вывода (ANNHFIS): исследование на примере Стамбула

Почему это исследование важно для городского воздуха

Биомассовые электростанции превращают бытовые отходы и органические остатки в электроэнергию, что кажется выигрышем для чистой энергетики. Тем не менее эти объекты по‑прежнему выбрасывают диоксид азота — газ, раздражающий дыхательные пути и ухудшающий течение астмы. В плотнозаселённых городах, таких как Стамбул, знание уровня диоксида азота на сегодня рядом с такими установками помогает властям предупреждать жителей и управлять качеством воздуха. В этом исследовании предлагается новый тип интеллектуальной системы прогнозирования, рассчитанной на более надёжную оценку уровня диоксида азота в тот же день вблизи крупной установки по переработке отходов в энергию.

Как переработка отходов в энергию влияет на близлежащий воздух

Биомассовые установки сжигают или перерабатывают огромные объёмы отходов, чтобы обеспечить энергией потребителей. В зависимости от режима эксплуатации они могут выделять частицы и оксиды азота на уровнях, сопоставимых с некоторыми электростанциями на ископаемом топливе. Диоксид азота особенно важен: он ухудшает прозрачность воздуха, способствует образованию смога и кислотных соединений и вреден для лёгких. В районе Эюп в Стамбуле большой комплекс по энерго- и биометанизации снабжает энергией миллионы людей, но при этом выбрасывает в атмосферу диоксид азота и мелкие частицы. Поэтому понимание того, как местная погода и сопутствующие загрязнители в совокупности формируют суточные уровни диоксида азота рядом с этим комплексом, является ключевым вопросом общественного здоровья.

Какие данные использовали в модели

Исследователи сосредоточились на суточных условиях в период с 2019 по 2023 год в окрестностях объектов Эюп. В качестве входных параметров использовали пять показателей: освещённость (солнечную радиацию), температуру воздуха, влажность, оксиды азота и крупные частицы в воздухе. Все измерения брались со стационарной мониторинговой станции, отслеживающей и метеоусловия, и качество воздуха. Цель состояла в оценке среднего суточного уровня диоксида азота по этим замерам. Перед обучением моделей команда очистила данные — исключила дни с пропущенными показаниями и отфильтровала экстремальные сбои датчиков. Затем все значения привели к единому диапазону и проверили записи на резкие скачки или длительные дрейфы, которые могли бы запутать алгоритмы обучения.

Новый способ работы с шумными реальными сигналами

Традиционные статистические модели рассматривают зависимости в данных как в основном линейные и могут испытывать трудности, когда паттерны волнообразны, нерегулярны или меняются со временем. Стандартные нейронные сети более гибки, но склонны к переобучению и дают мало понимания о причинах своих выводов. Авторы построили гибридную систему, сочетающую нейронные сети и нечеткую логику — метод, оперирующий не только «да» или «нет», а оттенками серого. Их новшество — позволить системе выражать не только силу принадлежности входа к категории «низкий» или «высокий», но и степень неопределённости и колебания (сомнения). С помощью пар колоколообразных функций и специального правила смешивания модель может представлять амбивалентные случаи, когда данные шумные или противоречивые, что часто встречается в полевых измерениях качества воздуха.

Как обучается интеллектуальный оценщик

Новая модель опирается на набор правил в стиле «если—то», например: при низкой освещённости и высоком уровне частиц диоксид азота может быть выше. За кулисами она объединяет сотни таких правил, каждое из которых имеет плавно меняющуюся силу, а не жёсткие границы. Для настройки этой сложной базы правил команда использовала оптимизацию роя частиц — метод, в котором каждая кандидатная конфигурация ведёт себя как частица, движущаяся в пространстве решений, и направляет рой к лучшим результатам. На этом этапе ищут оптимальные позиции нечетких категорий и важности правил. Последующая тонкая подстройка с использованием градиентного обучения полирует соответствие модели данным. Точность оценивалась стандартными метриками ошибки и сравнивалась с несколькими сильными базовыми подходами, включая классические нейронные сети, сети с долгой краткосрочной памятью (LSTM) и ранние нечеткие системы.

Что показали результаты

На невидимых при обучении тестовых данных новая система показала наименьшую среднюю ошибку и наивысшее согласие с наблюдаемыми уровнями диоксида азота среди исследованных моделей. Она лучше улавливала суточные колебания и пики загрязнения по сравнению с другими нечеткими подходами и последовательной моделью глубокого обучения, и при этом работала сопоставимо с хорошо настроенной стандартной нейронной сетью, оставаясь более прозрачной. Статистические тесты показали, что улучшения по сравнению с большинством конкурентов вряд ли объясняются случайностью. Авторы утверждают, что более богатое представление неопределённости в их модели помогает справляться с несглаженными, меняющимися паттернами в записях качества воздуха.

Что это значит для городских жителей

Для людей, живущих рядом с электростанциями, работающими на отходах, исследование показывает, как более совершенные инструменты настоящего прогнозирования могут яснее показывать качество воздуха, который они вдыхают сегодня. Предложенный метод не устраняет загрязнение, но может позволить городским службам надёжнее выявлять рискованные дни и планировать меры реагирования, такие как оповещения или изменения в эксплуатации. Благодаря гибкости подхода его можно адаптировать к другим районам, загрязнителям или горизонтам прогнозирования в будущих исследованиях. Проще говоря, работа предлагает более тонкий «термометр» качества воздуха, который признаёт неопределённость, но при этом даёт практические рекомендации по управлению диоксидом азота в оживлённых городских условиях.

Цитирование: 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

Ключевые слова: загрязнение воздуха, диоксид азота, биомассовые электростанции, моделирование качества воздуха, машинное обучение