TransNet: графовая нейронная сеть с информацией о транспортировке для прогнозирования концентраций PM2.5 по всей Южной Корее

Почему важны точные прогнозы чистоты воздуха

Тонкие частицы в воздухе, известные как PM2.5, настолько малы, что проникают глубоко в лёгкие и кровь, повышая риск сердечно-сосудистых и лёгочных заболеваний и даже преждевременной смерти. Южная Корея, высоко урбанизированная и промышленно развитая страна, добилась успехов в сокращении этих частиц, но опасные всплески все ещё случаются и могут переноситься через границы. Чтобы защитить здоровье людей, властям нужны быстрые и надёжные прогнозы уровней PM2.5 на часы и дни вперёд — достаточно детальные для каждого города, но при этом быстрые и дешёвые в ежедневной эксплуатации. В этом исследовании представлен новый инструмент прогнозирования, TransNet, который использует идеи из физики и искусственного интеллекта для предсказания PM2.5 по всей Южной Корее без опоры на медленные и дорогие модели, требующие суперкомпьютеров.

Новый способ «читать» воздух

Традиционные прогнозы загрязнения воздуха идут по двум путям. Один использует крупные компьютерные модели, которые симулируют, как загрязнители перемещаются, смешиваются и реагируют в атмосфере, но такие расчёты могут занимать часы на суперкомпьютере. Другой опирается на статистические или машинно-обучающиеся методы, которые выявляют закономерности в исторических данных: они быстрее, но часто пропускают резкие изменения в погоде и выбросах. TransNet, сокращение от Transport-Informed Graph Neural Network, стремится объединить преимущества обоих подходов. Он рассматривает каждую станцию мониторинга качества воздуха в Южной Корее как узел в сети и учится, как загрязнение перемещается между ними, используя погодные данные — ветер, температуру и осадки — в качестве руководства. Это позволяет модели имитировать физику распространения загрязнений, сохраняя при этом скорость современных методов ИИ.

Как умная сеть следует за ветром

В основе TransNet лежат три связанных процесса, которые отражают поведение загрязнителей в реальной атмосфере: перенос ветром, распространение и локальные изменения. Модель учится «адвекции» — способу, которым ветер переносит загрязнение из одного места в другое, — выстраивая связи между станциями, сонаправленные с недавними направлениями и скоростями ветра. Она также моделирует «диффузию», постепенное сглаживание пиков и впадин в уровнях загрязнения между соседними точками. Наконец, в неё включён этап «реакции», который фиксирует локальные изменения, вызванные погодой и химическими процессами, например образование частиц во влажных условиях или смыв дождём. Разделяя эти процессы на отдельные шаги и обновляя состояние атмосферы малыми приращениями, TransNet остаётся численно устойчивой и соблюдает базовые физические законы, такие как сохранение массы.

Насколько хорошо действует новый инструмент

Исследователи тестировали TransNet на четырёх годах почасовых данных с 170 станций мониторинга по всей Южной Корее: тренировали модель на 2018–2019 годах, подбирали параметры на 2020 году и оценивали на 2021 годе. Они сравнили её с предыдущей передовой системой AGATNet, которая корректирует выходы сложной химической модели. Для коротких и средних горизонтов — от 1 часа до примерно 2 дней — TransNet давал более точные прогнозы почти на всех станциях, снижая типичные ошибки примерно на одну треть — половину и точно отслеживая наблюдаемые изменения PM2.5. Он особенно успешно работал в прибрежных регионах, где ветер и рельеф создают сложные схемы транспорта. Однако на более длительных интервалах — свыше примерно 48 часов — преимущество сохранялось за AGATNet, вероятно, потому что он опирается на подробную химическую информацию из модели, которой TransNet явно не моделирует.

Что показывают экстремальные дни

При фокусе на самых сильных эпизодах загрязнения команда обнаружила важную компромиссную ситуацию. AGATNet, с богатым химическим входом, обнаруживал большее число очень высоких событий PM2.5, что делает его полезным там, где приоритет — не пропустить как можно больше опасных дней. Но при этом он также давал значительно больше ложных тревог. TransNet пропускал больше редких, очень сильных всплесков, особенно при больших горизонтах прогноза, однако когда он сигнализировал о серьёзном событии, это обычно было верно — модель демонстрировала значительно более высокую точность. Для повседневных условий — более 96 процентов наблюдений — TransNet обеспечивал лучшее общее согласование прогнозов с реальностью и при этом не зависел от дорогостоящих внешних систем моделирования.

Что это значит для чище и безопаснее городов

Для неспециалиста ключевое сообщение таково: TransNet предлагает практичный новый способ прогнозирования загрязнения тонкими частицами — он быстрый, относительно прост в эксплуатации и основан на реальных механизмах движения и преобразования воздуха. На критические первые один–два дня, когда власти должны решать, объявлять ли предупреждения, регулировать транспорт или защищать уязвимые группы, TransNet может предоставлять точные общенациональные прогнозы, используя только погодные данные и рутинные наблюдения. Существующие инструменты, опирающиеся на тяжёлые химические модели, всё ещё могут быть предпочтительнее для прогноза на несколько дней вперёд и для улавливания самых редких экстремальных событий. В будущем авторы предлагают сочетать эффективную, физически информированную архитектуру TransNet с упрощёнными химическими и смешивающими процессами, чтобы создать прогнозы качества воздуха, которые будут одновременно более точными и надёжными — помогая городам действовать быстрее и увереннее для защиты общественного здоровья.

Цитирование: Dimri, R., Choi, Y., Singh, D. et al. TransNet: a transport-informed graph neural network for forecasting PM_2.5 concentrations across South Korea. npj Clean Air 2, 12 (2026). https://doi.org/10.1038/s44407-026-00052-x

Ключевые слова: прогнозирование загрязнения воздуха, PM2.5, графовая нейронная сеть, качество воздуха в Южной Корее, искусственный интеллект с учётом физики