Hibrit CEEMDAN-CNN-IGWO-BiGRU-Dikkat modeli ile hava kalitesi endeksi tahmini

Daha net hava tahminleri neden önemli

Şehir sakinleri genellikle yarının havasının “iyi” ya da “sağlıksız” olacağına dair duyurular alır, ancak bu uyarılar belirsiz ya da geç olabilir. Bu çalışma basit ve pratik bir sorunu ele alıyor: insanların, doktorların ve şehir yetkililerinin önceden plan yapabilmesi için günlük hava kalitesini daha doğru tahmin edebilir miyiz? Yazarlar Çin’in güneyindeki büyük bir şehir olan Guangzhou’ya odaklanıyor ve dağınık kirlilik kayıtlarını güvenilir bir sonraki gün Hava Kalitesi Endeksi (AQI) tahminine dönüştüren yeni bir bilgisayar modeli geliştiriyor; amaç gerçek dünyadaki erken uyarı sistemlerini desteklemek.

Dağınık şehir havasını anlamlandırmak

Hava kalitesi trafik ve fabrikalardan hava durumu, mevsimlere ve toz fırtınaları gibi ani olaylara kadar birçok değişen güç tarafından şekillenir. Sonuç olarak AQI ölçümleri, birçok eski tahmin aracını başarısız kılan karmaşık ve gürültülü biçimde dalgalanır. Geleneksel fizik temelli hava modelleri büyük hesaplama gücü ve ayrıntılı emisyon envanterleri gerektirirken, basit istatistiksel yöntemler gerçek kentsel sisin iniş çıkışlarıyla başa çıkmakta zorlanır. Hatta birçok modern makine öğrenmesi sistemi bile bu karışık verilerden ana desenleri ayıklamakta zorlanır ve iç ayarlarını düzeltmek için zahmetli deneme-yanılma gerektirebilir.

Sorunu daha temiz parçalara ayırmak

Araştırmacıların ilk hamlesi günlük AQI kaydını farklı zaman ölçeklerinde değişimleri yakalayan birkaç daha düzgün katmana ayırmaktır. Hızlı dalgalanmaları, orta dönem döngüleri ve yavaş arka plan trendlerini karıştırmadan ayırmak için küçük miktarlarda yapay gürültü ekleyen bir sinyal işleme yöntemi kullanırlar. Yüksek frekanslı katmanlar hızlı sıçramalar ve rastgele dalgalanmalar içerirken, orta katmanlar anlamlı günlük ve çok günlük oynamaların çoğunu barındırır ve son katman uzun dönem eğilimi izler. Tek bir dağınık eğriyi birkaç daha düzenli alt seriye dönüştürerek genel tahmin zorluğu daha kolay ve hedeflenmiş hale gelir.

Modeli zaman okumayı öğretmek

Bu katmanların her biri daha sonra iki güçlü yönü birleştiren özel bir sinir ağına beslenir. Bir boyutlu konvolüsyon bloklarından oluşan bir dizi, farklı uzunluklardaki filtreleri kullanarak tekrarlayan günlük döngüler gibi kısa yerel desenleri tarar. Bunların çıktıları zaman ekseni boyunca hem ileriye hem geriye bakan çift yönlü bir tekrar eden ağa girer; bu, kirliliğin birkaç gün içinde nasıl biriktiğini ve temizlendiğini yakalar. Ardından bir dikkat (attention) modülü her pencerede en bilgilendirici günleri vurgular ve modelin tahmin oluştururken en önemli olanlara odaklanmasını sağlar. Son olarak, tüm katmanlardan gelen tahminler toplanarak beklenen toplam AQI yeniden oluşturulur.

Dijital “kurtların” düğmeleri ayarlamasına izin vermek

Modern sinir ağlarının kaç filtre veya birim kullanılacağı, ne kadar hızlı öğrenileceği ve ne kadar rastgele dropout uygulanacağı gibi birçok tasarım seçeneği vardır. Bunları elle seçmek yavaş ve genellikle optimalin altında kalır. Bunu önlemek için yazarlar gri kurtların avlanma davranışından esinlenen popülasyon tabanlı bir arama kullanır. Sanal “kurtlar” olası ayarların alanında dolaşır ve her aday ağın doğrulama setinde AQI’yi ne kadar iyi tahmin ettiğine göre yönlendirilir. Bu adayları keşfetmek ve iyileştirmek için geliştirilmiş bir strateji, sürünün yerel tuzaklardan kaçmasına ve tahmin hatalarını düşük ve öğrenmeyi stabil tutan kombinasyonlara odaklanmasına yardımcı olur.

Yöntem ne kadar iyi işliyor

Guangzhou’dan on bir yıllık günlük AQI verisi üzerinde test edilen yeni çerçeve, klasik yöntemler, standart tekrarlayan ağlar ve diğer hibrit derin modeller de dahil olmak üzere geniş bir rakip yelpazesini açıkça geride bırakıyor. Yüksek bir belirleme katsayısı (R² yaklaşık 0,96) elde ediyor ve güçlü bir temel tekrarlayan ağa göre ortalama karesel hatası yaklaşık üçte bir oranında daha düşük; üç veya yedi gün sonrasını tahmin etmesi istendiğinde bile makul doğruluğu koruyor. Sistemin parçalarını tek tek çıkararak yapılan dikkatli “ablation” testleri, sinyal ayrıştırmasının, konvolüsyon bloklarının, çift yönlü belleğin, dikkat katmanının ve kurt tabanlı ayarlamanın her birinin nihai performansa anlamlı katkı sağladığını gösteriyor.

Günlük hayat için bunun anlamı

Uzman olmayan biri için sonuç şudur: yazarlar kentsel kir kayıtlarındaki gizli ritimleri daha akıllıca okuyup bunları güvenilir bir sonraki gün AQI tahminine dönüştüren daha akıllı bir yol geliştirdiler. Model hem hızlı kirlilik sıçramalarını hem de daha uzun dönem mevsimsel değişimleri mevcut araçlardan daha iyi ele alıyor ve sıfırdan yeniden eğitmeden diğer şehirlere makul düzeyde aktarılabiliyor. Nadir ekstrem olaylarla başa çıkmakta hâlâ zorlanıyor ve geliştirme sırasında önemli hesaplama çabası gerektiriyor olsa da, eğitildikten sonra tahminleri yaklaşık yarım saniyede üretebiliyor. Pratik açıdan bu tür bir sistem şehirlerin daha erken ve daha hassas uyarılar yapmasına yardımcı olabilir; bu da sakinlere açık hava planlarını ayarlamak ve sağlıklarını korumak için daha fazla zaman sağlar.

Atıf: Fang, Y., Liu, S. & Su, Z. Air quality index prediction using a hybrid CEEMDAN-CNN-IGWO-BiGRU-Attention model. Sci Rep 16, 15908 (2026). https://doi.org/10.1038/s41598-026-46978-w

Anahtar kelimeler: hava kalitesi endeksi, hava kirliliği tahmini, derin öğrenme, zaman serisi, kentsel çevre