Fourier serisi ayrıştırması ile LSTM ve SVM kombinasyonu kullanarak partikül madde (PM2.5 ve PM10) tahmini

Temiz hava tahminlerinin herkes için neden önemli olduğu

Havadaki ince toz, her gün soluduğumuz görünmez bir tehdittir. PM2.5 ve PM10 adı verilen çok küçük parçacıklar akciğerlerimizin derinlerine ve kana karışabilir, kalp ve akciğer hastalıkları riskini artırır. Oysa kirlilik seviyeleri saatten saate keskin şekilde değişebilir. Bu çalışma, Fas’ın işlek bir liman kentinde bu dalgalanmaları saat saat ve mevsim mevsim daha doğru tahmin etmenin yollarını araştırıyor—böylece yetkililer hava tehlikeli hale gelmeden önce sakinleri uyarıp önlem planlayabilirler.

Kent havasındaki tozu anlamak

Araştırmacılar, bir petrol rafinerisi ve sanayi alanlarına ev sahipliği yapan Atlantik kıyısındaki Mohammedia kentine odaklandı; bu da burayı hava kalitesi bilimi için uygun bir deney alanı yapıyor. İki yaygın partikül madde türünü incelediler: çapı 2,5 mikrometre veya daha küçük olan daha ince toz PM2.5 ve 10 mikrometreye kadar daha büyük olan PM10. Her iki tür de havada asılı kalıyor ve insan sağlığı için en zararlı kirleticiler arasında olduğu biliniyor. Ekip, 2020 Aralık ile 2021 Kasım arasındaki saatlik ölçümleri toplayarak kirliliğin günler, haftalar ve mevsimler boyunca nasıl arttığını ve azaldığını detaylı biçimde kayıt altına aldı.

Gerçek dünya verilerini temizlemek

Çoğu gerçek izleme sisteminde olduğu gibi kentin cihazları da kusursuz veri sağlamadı. Sensör arızaları veya iletişim sorunları nedeniyle bazı saatler eksikti ve dağılımlar zaman zaman aşırı sıçramalar gösteriyordu. Gerçek kirlilik doruklarını bulanıklaştırabilecek doğru-çizgi yaklaşımlarıyla boşlukları doldurmak yerine yazarlar mevsimi hesaba katan bir yöntem kullandılar. Önce trafik yoğunluğu gibi düzenli günlük desenleri yakaladılar, sonra yalnızca geride kalan düzensiz sinyal kısmını yerel düzeltme ile doldurdular. Ayrıca gün, hafta ve yıl gibi birden çok zaman ölçeğinde tekrarlayan desenleri ayırdılar ve şüpheli uç değerleri işaretleyip düzeltmek için bir anomali tespit tekniği kullandılar. Bu titiz temizlik, gerçek kirlilik olaylarını korurken gürültüyü azaltmayı amaçladı.

Matematik ve makinelerin işi paylaşması

Çalışmanın özünde klasik matematik ile modern yapay zekânın birleşimi yatıyor. Yazarlar, karmaşık bir eğriyi basit dalgaların toplamına ayıran bir araç olan Fourier serilerini kullanarak kirlilik zaman serisini eğilim, mevsimsel döngüler ve kalan dalgalanmalara ayırdılar. Ardından bu işlenmiş sinyaller üzerinde iki popüler makine öğrenimi modelini eğittiler: verideki desenleri esnek eğrilerle bulan destek vektör makineleri (SVM) ve zaman içindeki sıradan öğrenmek üzere tasarlanmış bir sinir ağı türü olan uzun-kısa vadeli bellek ağları (LSTM). Fourier tabanlı ön işleme ile kombinlenen model sürümleri (SVMF ve LSTMF), yalnızca ham verilerle eğitilen sürümlerle karşılaştırıldı.

Mevsimsel desenlerin ne gösterdiği

Saatlik kayıtlar Mohammedia havasında belirgin mevsimsel ritimler ortaya koydu. PM2.5 için sonbahar en yüksek ortalama seviyeleri gösterdi; yaklaşık akşam 7’den gece 2’ye kadar süren uzun akşam ve gece zirveleri vardı; bunlar muhtemelen trafik, ticaret ve sosyal faaliyetlerle ilişkilendirilebilir. Kış ve yaz da güçlü akşam ve geç gece zirveleri gösterirken, ilkbahar iki ana dalgalanma sergiledi: öğle sonrası erken saatlerde bir ve akşam saatlerinde bir diğer. PM10 genel olarak benzer desenleri takip etti; belirgin akşam zirveleri ve çoğu mevsimde gündüz daha düşük seviyeler gözlendi. Bu desenler, en kötü havanın sıklıkla birçok kişinin dışarıda olduğu veya işe gidip geldiği zaman dilimleriyle çakıştığını vurguluyor.

Ayrıştırılmış sinyallerle daha keskin tahminler

Dört mevsimin tamamında ve her iki kirletici için de Fourier ayrıştırması ile makine öğrenimini birleştiren hibrit modeller, yalnızca ham verilerle eğitilmiş modellere göre açıkça daha başarılıydı. Fourier tabanlı ön işleme ile LSTM’i eşleyen LSTMF modeli tutarlı biçimde en iyi performansı gösterdi. Saatlik tahminlerde her mevsimde en yüksek doğruluk bu modeldeydi; özellikle sonbaharda sonuçlar çok güçlüydü. Ekip tahmin ufkunu yedi güne kadar genişlettiğinde bile LSTMF yüksek yetenek gösterdi; birçok durumda belirleme katsayıları (R²) 0.9’a yakın veya üzerine çıktı. Basitçe söylemek gerekirse, sinyali ayrıştırmak modellerin uzun vadeli eğilimlere ve tekrarlayan döngülere odaklanmasına yardımcı oldu ve kısa vadeli gürültüyü daha iyi ele almalarını sağladı.

Günlük yaşam için anlamı

Uzman olmayanlar için ana mesaj, daha akıllı tahminlerin ham sensör verilerini pratik korumaya dönüştürebileceğidir. Saatlik PM2.5 ve PM10 seviyelerini daha doğru tahmin ederek şehir planlamacıları ve sağlık kurumları kirliliğin ne zaman zirve yapacağını öngörebilir, solunum sorunu yaşayanları uyarabilir, trafik akışlarını ayarlayabilir veya sanayi kısıtlamalarını zamanlayabilir. Bu çalışma yalnızca tek bir Fas kentini inceledi ve sadece geçmiş parçacık ölçümlerini kullandı (hava durumu veya emisyon verileri eklenmedi), ancak derin öğrenmeyi matematiksel ayrıştırma ile birleştirmenin daha temiz ve güvenilir hava kalitesi tahminleri için güçlü bir yöntem olduğunu gösteriyor. Daha fazla iyileştirme ve daha çok konuma yayılmasıyla bu tür araçlar, insanların günlük yaşamlarında biraz daha rahat nefes almalarına yardımcı olabilecek erken uyarı sistemlerinin temelini oluşturabilir.

Atıf: 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

Anahtar kelimeler: hava kirliliği tahmini, partikül madde, makine öğrenimi, Fourier ayrıştırması, kentsel hava kalitesi