Derin öğrenme kullanarak kentsel hava kirliliğini tahmin etmek için hibrit, biyolojik ilhamlı bir model

Şehirde daha temiz havanın size neden önemi var

Şehir havası, zaman içinde akciğerleri, kalbi ve beynin işlevlerini sessizce zedeleyebilen görünmez gazlar ve mikroskobik parçacıkların karışımıdır. Ancak birçok kent sakini kötü hava koşullarını genellikle yalnızca bir sis uyarısı haberlerde yayınlandığında duyar. Bu çalışma, dünyanın büyük şehirlerinde hava kirliliğini daha akıllı bir şekilde tahmin etmenin yolunu sunuyor; amaç, yetkililere ve sakinlere yolculuk, açık hava egzersizi ve halk sağlığı önlemleri için daha erken ve daha güvenilir uyarılar sağlamaktır.

Yarının havasını tahmin etmenin sorunu

Şehir hava kalitesini tahmin etmek göründüğünden zordur. Kirlenme trafiğe, sanayiye, hava koşullarına ve hatta sokak düzeni ile yeşil alanların konumuna bağlıdır. İnce partiküller, ozon ve azot dioksit gibi zararlı kirleticilerin seviyeleri mahalleden mahalleye ve saatten saate değişebilir. Mevcut bilgisayar modelleri genellikle gürültülü sensör okumaları, eksik veriler ve farklı kirleticiler ile hava koşulları arasındaki karmaşık ilişkilerle başa çıkmakta zorlanır. Birçok model bir şehirde iyi performans gösterirken, trafik veya iklimi farklı başka bir şehre taşındığında başarısız olur.

Havanın kurallarını öğrenen yeni bir araç

Yazarlar uzun adı olan ama basit bir fikre sahip hibrit bir model sunuyor: veri odaklı öğrenmeyi havanın gerçek davranışıyla ilgili bilgiyle birleştirmek. İlk olarak, 2015–2025 döneminde büyük şehirlerden günlük hava kalitesi ve hava durumu içeren küresel bir veri seti kullanılıyor. Uzmanlaşmış bir temizleme adımı veriyi düzleştirirken yoğun yollar veya kirlilik kaynakları yakınındaki keskin değişimleri koruyor. Ardından, özellik çıkarma aşaması her bir kirlilik sinyalini genel seviyeleri, kirleticiler arasındaki etkileşimleri ve ani sıçramaları temsil eden parçalara ayırıyor. Bu işlemden geçirilmiş sinyaller, atmosferde kirleticilerin nasıl dağıldığı ve reaksiyona girdiğine dair temel ilkelerle nazikçe yönlendirilen "fizik bilgili" bir sinir ağına besleniyor.

Doğanın ilham verdiği optimizasyona izin vermek

İyi tasarlanmış bir sinir ağının bile iyi çalışması için iç ayarlarının (parametrelerinin) ayarlanması gerekir. Araştırmacılar standart yöntemlere dayanmak yerine manta vatozlarının okyanusta besin arama davranışından esinlenen fikirleri ödünç alıyor. Optimizasyon algoritmaları grupça arama ve döngüsel hareketleri taklit ederek birçok olası parametre kombinasyonunu verimli şekilde keşfediyor, ardından en umut verici olanlara odaklanıyor. Bu biyolojik ilhamlı arama, modelin veriye sıkı sıkıya uymak ile negatif kirlilik değerleri veya mümkün olmayan yoğunluk sıçramaları gibi fiziksel sınırları gözetmek arasında bir denge bulmasına yardımcı oluyor.

Gerçek şehirlerde ne kadar iyi çalışıyor

Yaklaşımlarını test etmek için ekip, modellerini hava kalitesi tahmini için popüler birkaç derin öğrenme ve makine öğrenmesi sistemiyle karşılaştırdı. Bir grup şehrin verileri üzerinde eğitip, ardından farklı, görülmemiş iklim ve sokak düzenlerine sahip şehirlerde performansı kontrol ettiler. Hibrit model, ince partiküller, karbon monoksit, azot dioksit, ozon ve kükürt dioksit gibi ana kirleticiler için yaklaşık %99 doğruluk ve rakip yöntemlere kıyasla daha düşük hata ölçümleri elde etti. Ayrıca aşırı olaylarla da daha iyi başa çıktı. Yangına benzer bir test vakasında, standart bir model gerçekçi olmayan negatif kirlilik değerleri ve aşırı abartılı zirveler üretirken, fizik bilgili sistem tahminlerini makul aralıklarda ve gerçeğe çok daha yakın tuttu.

Günlük yaşam ve planlama için bunun anlamı

Basitçe söylemek gerekirse, çalışma veriden öğrenen ve fiziksel kurallara saygı gösteren bir modelin, yalnızca örüntü arayan modellere kıyasla şehir havasını daha güvenilir şekilde tahmin edebileceğini gösteriyor. Birçok şehirde iyi genelleme yapabildiği ve veriler seyrek ya da gürültülü olduğunda bile kararlı kaldığı için gerçek zamanlı hava kalitesi uyarılarını, daha akıllı kentsel planlamayı ve sağlık risk haritalamasını destekleyebilir. Çerçeve hâlâ sokak arası dar vadiler ve mikroiklimler gibi bazı yerel ayrıntıları basitleştiriyor olsa da; nerelere yapı yapılacağı, trafiğin nasıl yönetileceği ve dışarıda maruziyetin ne zaman sınırlanacağı konularında sakinlerin ve politika yapıcıların güvenebileceği hava tahminlerine doğru atılmış bir adımı işaret ediyor.

Atıf: Chaudhary, D., Vats, P., Vats, S. et al. A hybrid bio-inspired model for predicting urban air pollution using deep learning. Sci Rep 16, 15697 (2026). https://doi.org/10.1038/s41598-026-40726-w

Anahtar kelimeler: kentsel hava kirliliği, hava kalitesi tahmini, derin öğrenme, fizik bilgili modeller, çevresel izleme