Partikelföroreningar (PM2.5 och PM10) prognoser med Fourier-serieuppdelning i kombination med LSTM och SVM

Varför renare luftprognoser betyder något för alla

Fint damm i luften är ett osynligt hot som vi andas varje dag. Små partiklar kallade PM2.5 och PM10 kan tränga djupt in i våra lungor och blodomlopp och öka risken för hjärt- och lungsjukdomar. Samtidigt kan föroreningsnivåer förändras kraftigt från timme till timme. Denna studie undersöker hur man kan förutsäga dessa upp- och nedgångar mer exakt, timme för timme och säsong för säsong, i en trafikerad marockansk hamnstad — så att myndigheter kan varna invånare och planera åtgärder innan luften blir farlig.

Förstå partiklarna i stadsluften

Forskningen fokuserade på Mohammedia, en stad vid Atlanten som rymmer ett raffinaderi och industrizoner, vilket gör den till en användbar testbädd för luftkvalitetsstudier. Man undersökte två vanliga typer av partikelföroreningar: PM2.5, det finare dammet med diameter upp till 2,5 mikrometer, och PM10, något större partiklar upp till 10 mikrometer. Båda håller sig svävande i luften och räknas till de mest skadliga för människors hälsa. Teamet samlade timvisa mätningar av dessa partiklar från december 2020 till november 2021 och skapade en detaljerad tidsserie över hur föroreningsnivåerna steg och föll över dagar, veckor och årstider.

Rensa upp röriga verklighetsdata

Liksom i de flesta verkliga övervakningssystem gav stadens instrument inte perfekta data. Vissa timmar saknades på grund av sensorfel eller kommunikationsstörningar, och fördelningarna visade tillfälliga extrema toppar. Istället för att bara fylla luckor med raka linjeslutningar som kunde sudda ut verkliga föroreningsspikar användes en metod som tar hänsyn till årstider. Först fångade man upp regelbundna dagliga mönster — som högre nivåer under rusningstid — och fyllde sedan endast in den återstående oregelbundna delen av signalen med lokal utjämning. Man separerade också upprepade mönster över flera tidsskalor (dygn, vecka, år) och använde en anomalidetektering för att flagga och korrigera misstänkta avvikare. Denna noggranna rensning syftade till att behålla verkliga föroreningshändelser samtidigt som brus togs bort.

Låt matematiken och maskinerna dela arbetet

I studiens kärna står ett partnerskap mellan klassisk matematik och modern artificiell intelligens. Författarna använde Fourier-serier, ett verktyg som bryter ner en komplicerad kurva i en summa av enkla vågor, för att dekomponera föroreningstidsserierna i trend, säsongscykler och kvarvarande fluktuationer. De tränade sedan två populära maskininlärningsmodeller på dessa bearbetade signaler: support vector machines (SVM), som hittar mönster i data med flexibla kurvor, och long short-term memory-nätverk (LSTM), en typ av neuralt nätverk utformat för att lära från sekvenser över tid. Versioner av varje modell med Fourier-baserad förbehandling (SVMF och LSTMF) jämfördes med versioner som tränats på rådata.

Vad de säsongsmässiga mönstren avslöjar

De timvisa registren avslöjade tydliga säsongsrytmer i Mohammedias luft. För PM2.5 visade hösten de högsta genomsnittsnivåerna, med långa kvälls- och natttoppar som sträckte sig från cirka klockan 19 till 02, sannolikt kopplade till trafik, handel och social verksamhet. Vinter och sommar visade också starka kvälls- och sena natttoppar, medan våren uppvisade två huvudtoppar: en tidig eftermiddagsökning och en annan på kvällen. PM10 följde i stora drag liknande mönster, med markanta kvällstoppar och något lägre dagsnivåer under de flesta årstider. Dessa mönster understryker att den sämsta luften ofta sammanfaller med perioder då många är ute eller pendlar.

Skarpare prognoser med dekomponerade signaler

Över alla fyra årstider och för båda föroreningarna presterade hybridmodellerna som kombinerade Fourier-dekomposition med maskininlärning tydligt bättre än modeller tränade på rådata. LSTMF-modellen, som kopplar LSTM till Fourier-baserad förbehandling, var konsekvent bäst. För timprognoser rankades dess noggrannhet högst i varje årstid, med särskilt starka resultat på hösten. När teamet utökade horisonten till att förutsäga sju dagar framåt levererade LSTMF fortfarande hög skicklighet, med förklaringsgrader (R²) nära eller över 0,9 i många fall. Enkelt uttryckt hjälpte signaluppdelningen modellerna att fokusera på meningsfull struktur — långsiktiga trender och återkommande cykler — samtidigt som de hanterade kortsiktigt brus bättre.

Vad detta betyder för vardagen

För icke-specialister är huvudbudskapet att smartare prognoser kan omvandla rå sensordata till praktiskt skydd. Genom att förutsäga timvisa PM2.5- och PM10-nivåer mer precist kan stadsplanerare och hälsomyndigheter förutse när föroreningar kommer att spika och varna personer med andningsproblem, justera trafikflöden eller tidsstyra industrirestriktioner. Även om denna studie undersökte endast en marockansk stad och använde enbart historiska partikelmätningar (utan att lägga till väder- eller utsläppsdata) visar den att kombinationen av djupinlärning och matematisk dekomposition är ett kraftfullt recept för renare, mer tillförlitliga luftkvalitetsprognoser. Med ytterligare förfining och utvidgning till fler platser skulle sådana verktyg kunna ligga till grund för varningssystem som hjälper människor att andas lite lättare i vardagen.

Citering: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

Nyckelord: prognoser för luftföroreningar, partikelföroreningar, maskininlärning, Fourier-uppdelning, urban luftkvalitet