En ny nowcasting (uppskattnings)modell baserad på ett adaptivt nätverksneutrosofiskt tveksamt fuzzy inferenssystem (ANNHFIS): en fallstudie i Istanbul

Varför denna studie är viktig för stadsluften

Biomassakraftverk omvandlar hushållsavfall och organiskt material till elektricitet, vilket låter som en vinst för ren energi. Ändå släpper dessa anläggningar ut kvävedioxid, en gas som kan irritera luftvägar och förvärra astma. I tätt befolkade städer som Istanbul kan kunskap om dagens kvävedioxidnivåer i närheten av sådana anläggningar hjälpa myndigheter att varna invånare och hantera luftkvaliteten. Denna studie introducerar ett nytt slags smart prediktionssystem utformat för att ge mer tillförlitliga uppskattningar av kvävedioxid samma dag runt en större avfalls‑till‑energi‑anläggning.

Hur avfalls‑till‑energi påverkar närliggande luft

Biomassanläggningar förbränner eller bearbetar stora mängder avfall för att hålla elproduktionen igång. Beroende på hur de drivs kan de avge partiklar och kväveoxider på nivåer som liknar vissa fossila kraftverk. Kvävedioxid är särskilt betydelsefull eftersom den försämrar luftens klarhet, bidrar till smog och syrabildning samt skadar lungorna. I Istanbuls Eyup‑distrikt förser ett stort komplex av avfalls‑till‑energi och biomethanisering anläggningar miljontals människor med energi, men det släpper också ut gaser som kvävedioxid och mycket små partiklar i atmosfären. Att förstå hur lokalt väder och samföroreningar samverkar för att forma dagliga kvävedioxidnivåer nära detta komplex är därför en viktig fråga för folkhälsan.

Vilka data som användes i modellen

Forskarna koncentrerade sig på dagliga förhållanden mellan 2019 och 2023 nära Eyup‑anläggningarna. De använde fem informationsmängder som indatan: solljus, lufttemperatur, luftfuktighet, kväveoxider och grova partiklar i luften. Alla mättes vid en närliggande övervakningsstation som registrerar både väder och luftkvalitet. Målet var att uppskatta dagens genomsnittliga kvävedioxidnivå från dessa mätningar. Innan någon modell tränades rensade teamet data genom att ta bort dagar med saknade värden och filtrera bort extrema sensorfel. De skalade sedan alla värden till ett gemensamt intervall och kontrollerade posterna för plötsliga hopp eller långsamma drifter som kunde förvirra inlärningsalgoritmer.

Ett nytt sätt att hantera röriga verkliga signaler

Traditionella statistiska modeller behandlar relationer i data som mestadels linjära och kan ha svårt när mönster är vågiga, oregelbundna eller förändras över tid. Standardneuronätverk är mer flexibla men kan överanpassa eller ge lite insyn i hur de fattar beslut. Författarna byggde ett hybridssystem som blandar neuronnät med fuzzy logik, en metod som arbetar med nyanser snarare än ja‑eller‑nej‑svar. Deras twist var att låta systemet uttrycka inte bara hur starkt en indata tillhör en kategori som låg eller hög, utan också dess osäkerhet och tvekan. Genom att använda parvisa klockformade kurvor och en särskild blandningsregel kan modellen representera ambivalenta fall där data är brusiga eller motstridiga, vilket är vanligt i utomhusmätningar av luft.

Hur den smarta skattaren lär sig

Den nya modellen förlitar sig på ett antal if‑then‑regler, till exempel att låg solinstrålning och höga partikelnivåer kan antyda högre kvävedioxid. I bakgrunden kombinerar den hundratals sådana regler, var och en med mjukt varierande styrka snarare än hårda gränser. För att ställa in denna komplexa regelbas använde teamet partikel‑svärmoptimering, en metod som behandlar varje kandidatlösning som en partikel som rör sig genom ett sökutrymme och skjuter svärmen mot bättre prestanda. Detta söksteg justerar hur de fuzzy kategorierna placeras och hur viktiga varje regel är. Ett efterföljande finjusteringssteg baserat på gradientinlärning polerar sedan anpassningen. Modellens noggrannhet kontrollerades med standardfelmått och jämfördes med flera starka baslinjer, inklusive klassiska neuronnät, LSTM‑nätverk och tidigare fuzzy‑system.

Vad forskarna fann

På opublicerade testdata gav det nya systemet den lägsta genomsnittliga felet och den högsta överensstämmelsen med observerade kvävedioxidnivåer bland de studerade modellerna. Det fångade dagliga svängningar och föroreningstoppar bättre än andra fuzzy‑metoder och en djupinlärningssekvensmodell, och presterade liknande en väljusterad standardneuronnät medan det förblev mer transparent. Statistiska tester visade att förbättringarna över de flesta konkurrenter sannolikt inte berodde på slump. Författarna menar att det rikare sättet modellen hanterar osäkerhet hjälper den att hantera icke‑släta, föränderliga mönster i luftkvalitetsregistren.

Vad detta betyder för stadsbor

För dem som bor nära avfallsbaserade kraftverk visar studien hur smartare nowcasting‑verktyg kan ge en tydligare bild av den luft de andas i dag. Den föreslagna metoden eliminerar inte föroreningar, men den kan göra det möjligt för stadsmyndigheter att upptäcka riskfyllda dagar mer tillförlitligt och planera åtgärder som varningar eller driftförändringar. Eftersom tillvägagångssättet är flexibelt kan det anpassas till andra distrikt, föroreningar eller prognoshorisonter i framtida arbete. Enkelt uttryckt erbjuder forskningen en mer nyanserad luftkvalitetstermometer som erkänner osäkerhet men ändå levererar praktisk vägledning för att hantera kvävedioxid i livliga stadsmiljöer.

Citering: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Nyckelord: luftförorening, kvävedioxid, biomassakraftverk, modellering av luftkvalitet, maskininlärning