Abu Dabi’de $$\text {NO}_{2}$$ ve $$\text {O}_{3}$$’ün çoklu modelle tahmini: korelasyona dayalı özellik artırmanın faydaları

Daha temiz hava tahminleri neden önemli

Abu Dabi gibi hızla büyüyen şehirlerde yaşayan insanlar, trafiğin, sanayinin ve havanın sürekli biçimlendirdiği bir havayı soluyor. Görünmez iki gaz—azot dioksit ve yer seviyesinde ozon—sis ve solunum yolu sorunlarında büyük rol oynuyor. Bu çalışma, gerçek dünyada sonuçları olan pratik bir soruyu soruyor: modern yapay zekâ kullanarak bu kirleticileri saatler ila günler öncesine ne kadar doğru tahmin edebiliriz ve modellere bu iki gazın birbirini nasıl etkilediğini öğreterek daha iyi sonuç alabilir miyiz?

Şehir havasındaki ikiz baş belaları

Azot dioksit ve ozon atmosferde birbirine yakından bağlıdır. Azot dioksit büyük ölçüde araç egzozu ve diğer yanma kaynaklarından gelir; güneş ışığında ozon oluşumuna katkıda bulunur ve ozon sisin başlıca bileşenlerinden biridir. Gündüz ozon seviyeleri yükselirken azot dioksit genellikle düşer; gece ise bu desen tersine dönebilir. Abu Dabi’de hızlı kentleşme, yoğun trafik ve doğal “hava temizliği”ni sınırlayan çöl koşulları bu kirleticileri özellikle endişe verici kılıyor. Dalgalanmalarını doğru şekilde öngörmek, yetkililerin hassas grupları uyarmasına, trafik akışlarını ayarlamasına veya sağlık risklerini azaltmak için sanayi faaliyetlerini planlamasına olanak tanır.

Abu Dabi havasına geniş bir bakış

Araştırmacılar alışılmadık derecede büyük ve ayrıntılı bir veri setinden yararlandı: Emirlik içindeki çöl, banliyö, kıyı bölgeleri ve bir sanayi bölgesine yayılmış yedi sabit izleme istasyonundan beş yıllık saatlik azot dioksit ve ozon ölçümleri. 2018–2022 dönemini kapsayan bu uzun kayıt, önceki çalışmaları etkileyen COVID-19 kapanmaları sırasındaki çarpıtılmış koşullardan kaçınıyor. Ekip verileri dikkatle temizledi, ara sıra oluşan boşlukları diğer yıllardaki benzer tarih ve saatlerin ortalamalarını alarak doldurdu ve gerçek kirlenme uçlarını korurken ani sıçramaları işlemek için matematiksel adımlar uyguladı. Ardından zaman çizelgesini ardışık eğitim ve test bloklarına böldüler; bu, gerçek bir tahmin sisteminin geçmişten öğrenmesini ve gelecekteki, görülmemiş dönemlerde değerlendirilmesini taklit ediyor.

Birçok tahmin yöntemini teste sokmak

Hangi araçların en iyi çalıştığını görmek için çalışma geniş bir yöntem yelpazesini karşılaştırdı. Daha basit yöntemler geçmiş ölçümlerdeki desenleri arayan karar ağaçları, rastgele ormanlar ve destek vektör makinelerini içeriyordu. Daha gelişmiş derin öğrenme yöntemleri arasında zaman serilerindeki yerel şekilleri tespit etmede başarılı olan konvolüsyonel sinir ağları ve uzun dönem kalıpları hatırlamak üzere tasarlanmış LSTM ağları vardı. Araştırmacılar ayrıca günlük ve mevsimsel döngüleri yakalamaya özgü Prophet modelini ve farklı geçmiş anların her tahmini nasıl etkilediğini tartan “attention” mekanizması kullanan daha yeni bir mimari olan Transformer modelini kullandılar. Tüm modellerden 1 saat, 2 saat, 1 gün ve 1 hafta sonrasına kadar kirletici seviyelerini tahmin etmeleri istendi ve hataları birbiriyle tamamlayıcı birkaç ölçü ile puanlandı.

Kirleticilerin birlikte hareket etmesinden öğrenmek

Azot dioksit ve ozon kimyasal olarak birbirine bağlı olduğundan ekip, her bir kirleticinin geçmişinin diğerini tahmin etmeye yardımcı olup olmayacağını araştırdı. Önce her istasyonda iki gazın ne kadar sıkı bağlı olduğunu ölçtüler ve genelde güçlü bir ters ilişki olduğunu doğruladılar: biri yüksek olduğunda diğeri eğilimle düşük oluyordu. Sonra her modelin iki versiyonunu oluşturdular. Temel versiyonda model yalnızca tahmin etmeye çalıştığı kirleticinin geçmiş değerlerini gördü. Geliştirilmiş versiyonda ise diğer kirleticinin gecikmeli (lag) değerlerini de gördü; bu, modele şehir havasının mevcut durumu hakkında ek bir ipucu sağladı. Bu, araştırmacıların “özellik artırımı” — korele bilgilerin eklenmesi — ile geleceğe dair bilgi sızdırmadan daha doğru tahminler elde edilip edilemeyeceğini test etmelerine olanak verdi.

Hangi modeller kazandı ve bunun önemi

Hemen hemen tüm istasyonlar, kirleticiler ve öngörü süreleri boyunca Transformer modeli açıkça diğerlerini geride bıraktı; ortalama hataları en düşük ve zaman içindeki davranışı en istikrarlı olan oydu. Azot dioksit için tipik yüzde hatası yaklaşık dörtte bir ila üçte bir aralığındaydı; ozon için ise biraz daha iyi performans gösterdi. Konvolüsyonel ağlar çok kısa vadeli tahminlerde, özellikle ilk birkaç saat içinde, Transformer’a yakın performans sergiledi; Prophet ise tekrarlayan desenleri güçlü şekilde yakalaması sayesinde hafta uzunluğundaki ufukta faydalı oldu. Önemli olarak, modellere partner kirletici hakkında ek bilgi verilmesi, hataları sürekli olarak azalttı; en belirgin iyileşme 1 saatlik azot dioksit ve 1 güne kadar olan ozon tahminlerinde görüldü. Günlük düzeyde bu çalışma, ileri seviye attention tabanlı yapay zekânın, zengin ve çok yıllık bir kayıtla beslendiğinde ve ana kirleticiler arasındaki kimyasal “konuşmayı” kullanması öğretilirse daha güvenilir hava kalitesi tahminleri sağlayabileceğini gösteriyor. Bu tür araçlar, Abu Dabi ve benzeri bölgelerde şehir plancıları ve sağlık kurumlarının halk sağlığını korumak için özellikle çocuklar, yaşlılar ve akciğer ya da kalp rahatsızlığı olan kişiler için daha erken ve daha kesin önlemler almalarına yardımcı olabilir.

Atıf: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Anahtar kelimeler: hava kirliliği tahmini, azot dioksit, yer seviyesinde ozon, derin öğrenme modelleri, Abu Dabi hava kalitesi