Ağaç tabanlı topluluk öğreniminin hava kirletici tahmin modellerine uygulanabilirlik analizi

Daha temiz hava için daha akıllı tahminlere neden ihtiyaç var

Büyük şehirlerde yaşayan insanlar sıklıkla dışarıdaki havanın koşu, işe gidiş veya çocukları dışarıda oynatmak için güvenli olup olmadığını merak ederek uyanırlar. Hava uygulamaları artık sıcaklığın yanına hava kalite endekslerini de gösteriyor, ancak bu sayılar arkasındaki modeller kadar iyidir. Bu çalışma, gerçek dünyada sonuçları olan pratik bir soruyu soruyor: birden fazla önemli hava kirleticisini aynı anda tahmin etmede hangi modern yapay zeka araçları en iyi işi yapıyor ve neden?

Şehir havasını gün gün izlemek

Araştırmacılar, farklı iklimleri ve kirlilik desenlerini kapsadıkları için Çin’in en büyük dört belediyesine — Pekin, Şanghay, Tianjin ve Chongqing — odaklandı; kış sisinden yaz ozonuna kadar değişen koşulları içeriyorlar. 2021–2024 dönemine ait günlük beş binden fazla kayıt topladılar; her kayıt ince parçacıklar, kaba toz, azot dioksit, kükürt dioksit, karbon monoksit ve ozon dahil altı ana kirleticinin ölçümlerini sıcaklık, nem, rüzgâr, yağış ve hava basıncı gibi meteorolojik verilerle birleştiriyordu. Bu gözlemlerden en iyi şekilde yararlanmak için ek ipuçları eklediler: önceki günlerdeki kirliliğin nasıl taşınabileceği, sıcaklık ile rüzgârın kirli havayı nasıl dağıttığı ve parçacıklarla gazların birleşik ölçülerinin sağlık risklerini daha iyi yansıtabileceği gibi bilgiler.

Havayı okumayı öğrenen dijital “ağaçlar”

Geleneksel, fizik ağırlıklı hava modelleri yerine ekip, ağaç tabanlı makine öğrenimi olarak bilinen veri odaklı araç ailesine yöneldi. Bu algoritmalar veriyi tekrar tekrar dallara ayırarak kararlar verir; son cevaba yaklaşan yirmi soruluk bir oyuna benzerler. Çalışma üç versiyonu karşılaştırdı: basit bir karar ağacı; birçok ağacın sonuçlarını ortalayarak gürültüyü azaltan rastgele orman; ve hataları kademeli olarak düzeltmek için ağaçları art arda kuran gradyan arttırma. Bilim insanları her yöntemi dikkatle ayarladı ve modellerin geçmiş günlerden öğrenip daha sonraki günlerde değerlendirildiği, gerçek tahmin koşullarını yansıtan zaman farkındalıklı bir test stratejisi kullandılar.

Hangi kirleticiler için hangi modeller öne çıkıyor

Rekabet, hiçbir tek yöntemin her şey için en iyi olmadığını, ancak bazılarının öne çıktığını gösterdi. Rastgele ormanlar ince ve kaba parçacıklar ile kükürt dioksiti öngörmede olağanüstü derecede doğru çıktı; seviyelerindeki değişimin yaklaşık yüzde 99’unu açıkladılar — bu, cihazların kendilerinin ölçebildiğine yakın bir doğruluk. Karbon monoksit ve azot dioksit için ise bir tür gradyan arttırma ormanın performansına neredeyse yetişti; bu da adım adım düzeltme yaklaşımının trafik kaynaklı ve yanma emisyonlarının hızla yükselip düştüğü durumlara iyi uyduğunu düşündürüyor. Beklenmedik şekilde, en basit araç olan düz karar ağacı bile ozon tahmininde kendini korudu; ozon güneş ışığıyla tetiklenen kimya ile oluşur ve eşik benzeri desenler gösterme eğilimindedir; dallanma kuralları bu tür desenleri yakalayabiliyor.

Siyah kutunun içini gözetlemek

Bu güçlü modelleri politika için yararlı kılmak amacıyla yazarlar sadece ne kadar iyi tahmin yaptıklarını değil, neden yaptıklarını da göstermek zorundaydılar. Her girdiye — sıcaklık, rüzgâr hızı veya başka bir kirletici gibi — her tahmin için bir katkı puanı atayan SHAP adlı bir teknik kullandılar. Bu analiz bazı aydınlatıcı bağlantıları ortaya çıkardı. Karbon monoksit, parçacık oluşumuna yol açan buharları üreten eksik yanmanın bir göstergesi olarak ince parçacıkların oluşumunda önemli bir yardımcı olarak ortaya çıktı. Sıcaklık, güneşli ve sıcak günlerin ozon üretimini güçlendirmesini yansıtarak ozonu güçlü biçimde artırdı. Kükürt dioksit ile etkileşen nemli hava, parçacık büyümesini genellikle sınırladı ve güçlü rüzgârlar küçük parçacıkları bir eşihe kadar temizlemeye yardımcı oldu; eşiğin ötesinde türbülanslı karışım onları yerel olarak hapsedebiliyor. Bu desenler matematiği gerçek atmosfer süreçlerine bağlıyor ve hedefe yönelik kontrol önlemleri için ipuçları sunuyor.

Araştırma kodundan şehir uyarı sistemlerine

Etkileyici doğruluğa rağmen yazarlar modellerin en şiddetli sis olaylarında hâlâ zorlandığını ve emisyonların nereden kaynaklandığına dair kaba tarifler ile verinin görece kısa zaman penceresi tarafından sınırlandıklarını belirtiyorlar. Geleneksel hava–kimya simülasyonlarını makine öğrenimiyle birleştirmeyi ve kirlilik zirvelediğinde daha akıllı acil durum yanıtları tasarlamak için SHAP bulgularını kullanmayı öneriyorlar. Çerçeveleri hâlihazırda Pekin ve komşu şehirleri kapsayan bölgesel bir hava kalitesi uyarı sisteminde kullanılıyor. Günlük ifadeyle, çalışma iyi seçilip iyi açıklanmış yapay zekanın şehir yetkililerine kötü hava günleri hakkında daha erken, daha güvenilir uyarılar ve hangi kaynaklara öncelik verileceğine dair daha net rehberlik sağlayabileceğini gösteriyor.

Atıf: Zhu, X., Li, B., Cao, Y. et al. Applicability analysis of tree-based ensemble learning for air pollutant prediction models. Sci Rep 16, 9602 (2026). https://doi.org/10.1038/s41598-025-32652-0

Anahtar kelimeler: hava kalitesi tahmini, kentsel hava kirliliği, makine öğrenimi modelleri, rastgele orman, çoklu kirletici tahmini