Hava kalitesi tahmini için hibrit derin öğrenme modeli ve bunun sağlık üzerindeki etkisi

Daha temiz hava ve daha akıllı tahminler neden önemli

Hava kirliliği, sadece bulanık bir silüet değildir—solunum sorunlarını sessizce kötüleştirir, kalbe yük bindirir ve yaşam sürelerini kısaltır. Kent yetkilileri artık insanların dışarıda bulunmasının güvensiz olduğu durumlarda uyarmak için Hava Kalitesi Endeksi (AQI) kullanıyor, ancak bu uyarılar sıklıkla dünün verilerine veya ani yükselişleri gözden kaçıran basit tahminlere dayanıyor. Bu çalışma, gelişmiş bilgisayar modelleri ile özenle tasarlanmış girdileri birleştirerek kısa vadeli hava kalitesini önceden tahmin etmenin yeni bir yolunu araştırıyor; amaç, insanlara ve sağlık sistemlerine daha erken ve daha güvenilir uyarılar sağlamaktır.

Pis havadan tek bir sağlık uyarı numarasına

Çalışma, trafik, sanayi ve inşaatın kötü havaya katkıda bulunduğu Hindistan’ın hızla büyüyen kenti Gurugram’a odaklanıyor. Altı önemli kirletici—ince parçacıklar (PM2.5 ve PM10), yer seviyesindeki ozon, azot dioksit, kükürt dioksit ve karbon monoksit—OpenWeather hava kirliliği servisi kullanılarak dört aylık süre boyunca saatlik olarak toplandı. Bu ölçümler, her kirleticinin ulusal güvenlik sınırlarıyla karşılaştırılması ve ardından şehrin genel puanı olarak en kötü olanın alınmasıyla tek bir AQI değerine dönüştürüldü. Bu AQI değeri, hava durumu uygulamalarında insanlar tarafından “İyi”, “Orta”, “Kötü” veya “Çok Kötü” gibi kategorilerle görülen ve her biri farklı düzeyde sağlık endişesine bağlı olan değerdir.

Bilgisayarlara kirliliğin ritmini öğretmek

Yazarlar, ham kirletici okumalarını doğrudan bir modele vermek yerine, havanın gerçek davranışını yansıtan ek özellikler mühendisliği yaptılar. Kirleticilerin birkaç saat önce nasıl olduğunu göstermek için gecikmeli değerler, kısa süreli yükselişleri yumuşatmak için hareketli ortalamalar ve ince ile kaba tozu ayırmak için PM2.5/PM10 gibi oranlar eklediler. Ayrıca, hafta içi trafiği veya hafta sonu durgunluğu gibi rutin insan etkinliklerini yakalamak için günün saati, haftanın günü ve ay gibi takvim desenlerini döngüsel sinyallerle kodladılar. Bu insan tarafından tasarlanmış sinyaller, modellerin ham sayıların gizleyebileceği ince eğilimleri ve etkileşimleri görmesine yardımcı olmak üzere tasarlandı.

İki tür derin öğrenmenin harmanlanması

Araştırmacılar üç derin öğrenme yaklaşımını karşılaştırdı. Bir boyutlu bir konvolüsyonel sinir ağı (CNN), verideki kısa süreli patlamalar veya şekiller gibi yerel desenleri tespit etmede başarılıdır. Uzun-kısa vadeli bellek (LSTM) ağı ise değerlerin zaman içinde nasıl evrildiğini hatırlamada öne çıkar. Hibrit CNN–LSTM modeli bu güçlü yönleri zincirler: önce CNN katmanları kirletici dizilerinden önemli özellikleri sıkıştırır ve vurgular; sonra LSTM katmanları bu özelliklerin saat saat nasıl değiştiğini izler. Üç modelin tamamı verilerin büyük kısmı üzerinde eğitildi ve kalan kısımda test edildi; modellerin her saati doğru AQI kategorisine atama performansı doğruluk, geri çağırma ve F1-skoru gibi standart ölçütlerle değerlendirildi.

Daha keskin tahminler ve bunun sağlık için anlamı

Yineleyen deneylerde hibrit model tutarlı şekilde en iyi doğruluk-güvenilirlik dengesini sağladı. Mühendislik özellikleri dahil edildiğinde, yaklaşık %91 F1-skoru elde etti; bu, tek başına LSTM’in biraz önünde ve CNN’den belirgin şekilde daha iyiydi. Ayrıca en kirli uçtaki ayrımları özellikle güçlü yaptı; “Çok Kötü” havayı daha güvenli kategorilerle nadiren karıştırdı. Basit bir eklenti her öngörülen AQI seviyesini kaba bir sağlık riski skoruna çevirdi; örneğin “Çok Kötü” ve “Aşırı” koşulların solunum ve kalp problemleri olasılıklarını belirgin şekilde artırdığını gösterdi. Yazarlar bu risk skorlarının tıbbi teşhis değil, kılavuz niteliğinde olduğunu vurguluyor, ancak hava kalitesi tahminlerinin daha sezgisel sağlık sinyallerine nasıl dönüştürülebileceğini gösteriyorlar.

Bu, şehirler ve vatandaşlar için ne anlama geliyor

Çalışma, iyi düşünülmüş girdilerin hibrit CNN–LSTM mimarisiyle birleştirilmesinin, tek bir model kullanmaktan daha doğru ve daha kararlı kısa vadeli AQI tahminleri sağlayabileceği sonucuna varıyor. Çalışma bir şehir ve birkaç aylık veriyle sınırlı olsa da, okul kapanışlarını, açık hava çalışma programlarını, hastane hazırlığını ve dışarıda ne zaman egzersiz yapılacağı veya maske takılacağı gibi kişisel tercihleri bilgilendirebilecek pratik araçlara işaret ediyor. Daha uzun veri setleri ve daha geniş testlerle benzer sistemler, kirli hava hakkında insanlara daha erken uyarılar vererek ve karar vericilerin kirlilik zirvelerini beklemeden yanıt vermesine yardımcı olarak veri odaklı hava kalitesi izlemenin belkemiği haline gelebilir.

Atıf: Madan, T., Sagar, S., Singh, Y. et al. Hybrid deep learning model for air quality prediction and its impact on healthcare. Sci Rep 16, 6036 (2026). https://doi.org/10.1038/s41598-026-36564-5

Anahtar kelimeler: hava kalitesi endeksi, derin öğrenme, CNN-LSTM, sağlık riski, kirlilik tahmini