Multimodellsprognoser för $$\text {NO}_{2}$$ och $$\text {O}_{3}$$ i Abu Dhabi: fördelar med korrelationsbaserad funktionsaugmentering

Varför renare luftprognoser spelar roll

Människor som bor i växande städer som Abu Dhabi andas luft som ständigt formas av trafik, industri och väder. Två osynliga gaser, kvävedioxid och marknära ozon, spelar en stor roll i smogbildning och luftvägsproblem. Denna studie ställer en praktisk fråga med verkliga konsekvenser: hur noggrant kan vi förutsäga dessa föroreningar timmar till dagar i förväg med modern artificiell intelligens, och kan vi göra det bättre genom att lära modellerna hur dessa två gaser påverkar varandra?

De två stökiga ämnena i stadsluften

Kvävedioxid och ozon är nära förbundna i atmosfären. Kvävedioxid kommer i stor utsträckning från bilavgaser och andra förbränningskällor; i solljus bidrar den till skapandet av ozon, som är en huvudkomponent i smog. Under dagtid stiger ozonnivåerna medan kvävedioxiden ofta sjunker, och på natten kan mönstret vända. I Abu Dhabi gör snabb urbanisering, tät trafik och ökenförhållanden som begränsar naturlig ”luftrening” dessa föroreningar särskilt bekymmersamma. Att kunna förutse deras svängningar noggrant gör att myndigheter kan varna känsliga grupper, justera trafikflöden eller planera industriverksamhet för att minska hälsoeffekter.

En rik bild av Abu Dhabis luft

Forskarna använde en ovanligt stor och detaljerad datamängd: fem år av timvisa mätningar av kvävedioxid och ozon från sju fasta mätstationer utspridda över ökenområden, förorter, kustdistrikt och ett industrizone i emiratet Abu Dhabi. Denna långa tidsserie, som täcker 2018 till 2022, undviker de förvrängda förhållanden som sågs under COVID-19-nedstängningarna och som påverkade tidigare studier. Teamet rengjorde data noggrant, fyllde ibland i luckor genom att genomsnittligt använda värden från liknande datum och timmar andra år, och tillämpade matematiska steg för att hantera skarpa toppar samtidigt som verkliga föroreningsextremer bevarades. De delade sedan tidsserien i på varandra följande tränings- och testblock, vilket efterliknar hur ett verkligt prognossystem skulle lära sig från det förflutna och bedömas på framtida, osedda perioder.

Att pröva många prognosmetoder

För att se vilka verktyg som fungerar bäst jämförde studien ett brett spektrum av tillvägagångssätt. Enklare metoder inkluderade beslutsträd, random forest och stödvektormaskiner, som söker mönster i historiska mätningar. Mer avancerade djupinlärningsmetoder inkluderade konvolutionella neurala nätverk, som är skickliga på att upptäcka lokala former i tidsserier, och LSTM-nätverk som är utformade för att komma ihåg långsiktiga mönster. Forskarna använde också Prophet, en modell anpassad för att fånga återkommande dagliga och säsongsbetonade cykler, samt en Transformer-modell, en nyare arkitektur som använder en ”attention”-mekanism för att väga hur olika tidigare ögonblick påverkar varje prognos. Alla modeller ombads förutsäga föroreningsnivåer 1 timme, 2 timmar, 1 dag och 1 vecka framåt, och deras fel bedömdes med flera kompletterande mått.

Att lära av hur föroreningar rör sig tillsammans

Eftersom kvävedioxid och ozon är kemiskt sammanlänkade undersökte teamet om historiken för en förorening kunde hjälpa till att förutsäga den andra. De mätte först hur tätt de två gaserna var kopplade vid varje station och bekräftade ett generellt starkt omvänt förhållande: när den ena var hög tenderade den andra att vara låg. Därefter byggde de två versioner av varje modell. I den grundläggande versionen såg modellen endast de tidigare värdena för den förorening den skulle förutse. I den förstärkta versionen såg den också fördröjda värden av den andra föroreningen, vilket i praktiken gav en extra ledtråd om det aktuella tillståndet i stadsluften. Detta gjorde det möjligt för forskarna att testa om ”feature augmentation” – att lägga till korrelerad information – ger mer precisa prognoser utan att smyga in någon framtidsinformation.

Vilka modeller vann, och varför det spelar roll

Över nästan alla stationer, föroreningar och prognoslängder presterade Transformer-modellen klart bättre än de övriga, med de lägsta genomsnittsfelen och mest stabila beteendet över tid. För kvävedioxid varierade dess typiska procentuella fel från ungefär en fjärdedel till en tredjedel, och för ozon var den något bättre. Konvolutionella nätverk låg nära efter för mycket kortsiktiga prognoser, särskilt inom de första par timmarna, medan Prophet visade sig användbart vid veckohorisonten tack vare sitt starka grepp om återkommande mönster. Viktigt är att ge modellerna extra information om partnerföroreningen konsekvent minskade prognosfelen, mest påtagligt för 1-timmes kvävedioxid och för ozonprognoser upp till ett helt dygn framåt. I vardagliga termer visar arbetet att avancerad attention-baserad AI, matad med en rik, flerårig datamängd och tränad att utnyttja den kemiska ”konversationen” mellan nyckelföroreningar, kan ge mer pålitliga luftkvalitetsprognoser. Sådana verktyg kan hjälpa stadsplanerare och hälsoorgan i Abu Dhabi och liknande regioner att agera tidigare och mer precist för att skydda folkhälsan, särskilt för barn, äldre och personer med lungsjukdomar eller hjärtproblem.

Citering: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Nyckelord: prognoser för luftföroreningar, kvävedioxid, marknära ozon, djupinlärningsmodeller, Abu Dhabis luftkvalitet