Кластеризация и методы машинного обучения выявляют режимы загрязнения воздуха в Большом Каире

Почему воздух города важен для всех

Большой Каир, дом для более чем 20 миллионов человек, часто входит в число самых задымлённых мегаполисов мира. Песок, дующий из пустыни, смешивается с выхлопами миллионов автомобилей и эмиссиями заводов, формируя сложную дымку, которую трудно понять и ещё сложнее контролировать. В этом исследовании показано, как современные инструменты обработки данных позволяют разложить эту дымку на несколько чётких «режимов» загрязнения, давая городским планировщикам и здравоохранительным службам практический способ выяснить, когда воздух обычно безопасен, когда основная причина — транспорт, а когда надвигаются опасные песчаные бури.

Выявление закономерностей в облаке данных

Исследователи сосредоточились на периоде 2023–2024 годов и использовали данные Службы мониторинга атмосферы Коперника (Copernicus), которая объединяет спутниковую, наземную и модельную информацию в детализированную картину атмосферы. Вместо того чтобы рассматривать каждое измерение загрязнения как отдельную точку, они анализировали несколько компонентов одновременно: мелкие и крупные частицы (PM₂.₅ и PM₁₀), газы, такие как диоксид азота от транспорта, и базовые погодные параметры — температура, скорость ветра и давление. Их цель была не столько спрогнозировать значения на завтра, сколько обнаружить повторяющиеся «режимы» качества воздуха, которые возвращаются над городом снова и снова.

Разделение дней на четыре типа воздуха

Чтобы выявить эти режимы, команда применила метод кластеризации, который группирует похожие дни на основе их совокупных характеристик загрязнения и погоды. После тестирования разных вариантов они установили, что четыре группы адекватно отражают структуру данных, не усложняя модель излишне. Две из этих групп оказались обнадёживающими: низкие и очень низкие уровни загрязнения составляли примерно три четверти двухлетнего периода, что показывает, что Каир большую часть времени обладает относительно чистым воздухом. Третья группа соответствовала дням, когда доминировали выбросы транспорта, и отличалась повышенным уровнем диоксида азота. Четвёртая и самая маленькая группа, примерно 6% времени, соответствовала песчаным бурям, когда концентрации крупных частиц резко возрастали до уровней, существенно превышающих рекомендации по здоровью.

Обучение машин распознавать каждый режим

Выявление закономерностей полезно только если их можно быстро обнаруживать в реальном времени. Для проверки авторы обучили два типа моделей принятия решений распознавать, к какому режиму относится новый набор показаний. Одно дерево решений, принимающее серию логических if–then решений, правильно определяло режим более чем в 93% случаев. Более мощный метод — случайный лес, объединяющий множество таких деревьев, — поднял точность выше 97%. Анализ важности входных признаков также показал, что определяет каждый режим: диоксид азота особенно важен для распознавания дней с интенсивным транспортным движением, а крупные пылевые частицы PM₁₀ — ключевой признак для выявления песчаных бурь.

От компьютерных правил к практическим действиям

Помимо точности, предложенная схема оказалась стабильной во времени и быстрой в исполнении, что позволяет использовать её совместно с существующими сервисами мониторинга качества воздуха в качестве инструмента раннего предупреждения. Поскольку подход ориентирован на относительные закономерности, а не на абсолютные значения концентраций, он остаётся полезным даже если базовые спутниковые данные имеют некоторый систематический уклон в абсолютном измерении — явление, известное для пустынных регионов. На практике это означает, что власти могли бы оперативно определять, входит ли город в рутинную фазу с низким загрязнением, в эпизод, доминируемый транспортом и требующий управления трафиком, или в короткую, но интенсивную песчаную бурю, которая оправдывает предупреждения для здоровья населения.

Что это значит для жителей Каира

Для жителей главный вывод таков: воздух Каира не находится на одном постоянном уровне опасности — он переключается между небольшим набором узнаваемых состояний. Большую часть времени воздух относительно чист, но транспорт и пыль могут резко ухудшить ситуацию, особенно для людей с сердечными или респираторными заболеваниями. Превратив огромные потоки экологических данных в четыре легко понятных режима, это исследование предлагает дорожную карту для более умных оповещений, лучшего планирования и целенаправленных мер по сокращению источников загрязнения. Тот же подход можно применить и в других быстрорастущих городах, сталкивающихся со смесью городского смога и природной пыли.

Цитирование: Elmourssi, D.M., El-Assy, A.M. & Amer, H.M. Clustering and machine learning techniques identify air pollution regimes in Greater Cairo. Sci Rep 16, 14038 (2026). https://doi.org/10.1038/s41598-026-49777-5

Ключевые слова: загрязнение воздуха, Большой Каир, машинное обучение, песчаные бури, выбросы от транспорта