Подход на основе Transformer для прогнозирования концентрации PM10 в Арктике и Северной Европе

Почему важен северный воздух

Небо в дальних северных широтах может казаться чистым, но микрочастицы в воздухе незаметно вредят легким и сердцу, особенно при внезапных всплесках загрязнения. В Арктике и странах Скандинавии эти мелкие частицы—известные как PM10—формируются под воздействием местных привычек, таких как зимнее вождение и отопление домов, а также удаленных лесных пожаров и промышленных дымовых шлейфов. В этом исследовании представлен новый инструмент прогнозирования на базе искусственного интеллекта, призванный давать северным сообществам предупреждение до двух дней о возможном ухудшении качества воздуха.

Пыль, которую не видно

PM10 — это микроскопические частицы пыли, сажи и капель, достаточно мелкие, чтобы проникать глубоко в легкие. Даже кратковременные пики концентрации могут вызвать проблемы с дыханием и нагрузку на сердечно‑сосудистую систему. Новые европейские правила по качеству воздуха ужестачивают ограничения на эти частицы, ограничивая средние уровни и число дней с превышением суточного порога. Хотя многие северные станции соответствуют годовым целям, их записи показывают частые кратковременные всплески, которые теряются в региональных средних, но имеют значение для здоровья людей.

Почему прогнозы в зоне севера подводят

По всей Европе качество воздуха обычно прогнозируется сложными компьютерными моделями, которые моделируют химию и движение загрязнителей в атмосфере. Эти системы, используемые Службой мониторинга атмосферы Коперник, могут заглядывать на четыре дня вперед, но часто работают хуже в Северной Европе и европейской Арктике. Станций мониторинга сравнительно мало, а местные источники, такие как шипованная резина, скребущая асфальт, бытовое отопление или судоходство, могут вызывать резкие кратковременные выбросы. В результате типичные ошибки прогнозов на севере могут быть соизмеримы с самими концентрациями, что ограничивает их полезность для локальных решений.

Обучая машину «читать» воздух

Авторы обратились к классу моделей глубокого обучения под названием Transformer, которые изначально разрабатывались для перевода языков, но теперь широко применяются к ряду задач с временными рядами. Они обучили несколько ведущих вариантов Transformer—наряду с более традиционными статистическими и нейросетевыми методами—на четырехгодичных почасовых наблюдениях PM10 с 152 станций в Финляндии, Исландии, Норвегии и Швеции. Модели также использовали численные прогнозы загрязнения и ключевые метеорологические переменные, такие как температура, ветер, осадки и высота пограничного слоя. Одна архитектура, названная Crossformer, показала наилучшие результаты в обучении сложным взаимосвязям между множеством переменных и во времени, опередив рекуррентные сети и более простые Transformer по стандартным метрикам ошибки.

Добавляя место к времени

Чтобы одна модель работала надежно по всему региону, команда модифицировала Crossformer так, чтобы он также «знал», где расположена каждая станция. Они добавили геометрический слой, кодирующий широту, долготу и высоту наряду с обычными входами временных рядов, что позволило сети связывать характерные паттерны загрязнения с конкретными средами — от арктических деревень и удаленных лесов до оживленных городских улиц. С этой адаптацией модель не только точнее предсказывала типичные колебания PM10, но и хорошо обобщала на станции, которые не встречались в обучении, включая площадки в Дании. По сравнению с прогнозами Copernicus и их машинно‑обучаемой постобработкой адаптированная модель снизила среднюю ошибку примерно на треть и лучше улавливала резкие пики в городских и удаленных точках.

Что модель делает правильно — и что она упускает

Новая система особенно сильна в отслеживании общих суточных колебаний уровней частиц и в выявлении многих, но не всех, событий с высоким уровнем загрязнения. Она значительно превосходит текущие европейские прогнозные продукты в предсказании того, когда суточные средние превысят новый юридический порог на широком наборе северных станций. Однако модель по‑прежнему испытывает трудности с самыми локализованными всплесками, например вызванными движением на частично обледенелых дорогах или рядом с оживленными шоссе, где эмиссии меняются быстро на коротких расстояниях, которые ни входные данные, ни региональные модели в полной мере не разрешают. Авторы утверждают, что для дальнейшего прогресса потребуются более детализированные локальные данные и дополнительные точки наблюдений, особенно в недостаточно обслуживаемых арктических районах.

Более четкие предупреждения для холодного климата

В практическом плане эта работа показывает, что тщательно спроектированная система глубокого обучения может превратить пэчворк мониторинговых данных, погодных прогнозов и существующих модельных выходов в более точные прогнозы PM10 на уровне станций до 48 часов вперед. Для северных и арктических сообществ такие прогнозы могут поддержать более ранние рекомендации по здоровью, целевые ограничения на движение или отопление и лучшее планирование событий, таких как вторжения дымовой смеси от лесных пожаров. Хотя подход несовершенен — особенно для очень локальных уличных всплесков — он предлагает многообещающее и вычислительно эффективное дополнение к традиционным моделям качества воздуха и шаблон для распространения подобных методов на другие важные загрязнители, такие как более мелкие частицы и диоксид азота.

Цитирование: Cuzzucoli, A., Crotti, I., Dobricic, S. et al. A transformer approach to forecasting PM₁₀ concentration in the Arctic and Northern Europe. npj Clean Air 2, 31 (2026). https://doi.org/10.1038/s44407-026-00071-8

Ключевые слова: Арктическое загрязнение воздуха, прогнозирование PM10, глубокое обучение, модели Transformer, качество воздуха в Северной Европе