TransNet: Güney Kore genelinde PM2.5 konsantrasyonlarını öngörmek için taşımaya duyarlı bir grafik sinir ağı

Daha temiz hava tahminlerinin önemi

Havadaki ince parçacıklar, PM2.5 olarak bilinenler, ciğerlerimizin derinlerine ve kan dolaşımına sızabilecek kadar küçüktür; kalp ve akciğer hastalıkları riskini ve erken ölümü artırırlar. Yüksek düzeyde kentleşmiş ve sanayileşmiş bir ülke olan Güney Kore bu parçacıkları azaltmada ilerleme kaydetti, ancak tehlikeli zirveler hâlâ ortaya çıkıyor ve sınırlar ötesine taşınabiliyor. İnsan sağlığını korumak için yetkililerin saatler ile günler öncesine kadar hızlı ve güvenilir PM2.5 tahminlerine ihtiyacı var—her şehir için yeterince ayrıntılı, ancak her gün çalıştırılacak kadar hızlı ve ucuz. Bu çalışma, yavaş ve maliyetli süperbilgisayar modellerine dayanmadan Güney Kore genelinde PM2.5’i tahmin etmek için fizik ve yapay zekâ fikirlerini kullanan yeni bir tahmin aracı, TransNet’i tanıtıyor.

Havayı okumak için yeni bir yol

Geleneksel hava kirliliği tahminleri iki yoldan birini izler. Birincisi, kirleticilerin atmosferde nasıl hareket ettiğini, karıştığını ve reaksiyona girdiğini simüle eden büyük bilgisayar modellerini kullanır; ancak bunların çalışması süperbilgisayarda saatler alabilir. Diğer yol ise geçmiş verilerden desenleri öğrenen istatistiksel veya makine öğrenmesi yöntemlerine dayanır; bunlar daha hızlıdır ancak ani hava ve emisyon değişimlerini sıklıkla kaçırır. TransNet—Taşımaya Duyarlı Grafik Sinir Ağı—her iki yaklaşımın güçlü yanlarını birleştirmeyi amaçlar. Güney Kore’deki her hava kalitesi istasyonunu ağda bir nokta olarak ele alır ve rüzgâr, sıcaklık, yağış gibi hava verileriyle yönlendirilerek kirleticilerin bu noktalar arasında nasıl taşındığını öğrenir. Bu, modelin kirliliğin yayılmasının fiziğini taklit etmesine olanak verirken modern yapay zekânın hızını korur.

Akıllı ağın rüzgârı nasıl takip ettiği

TransNet’in merkezinde kirleticilerin gerçek atmosferde davrandığını yansıtan üç bağlı süreç vardır: rüzgârla taşınma, yayılma ve yerel değişim. Model, rüzgârın kirliliği bir yerden başka bir yere ittiği “advecton”u (adveksiyon) son rüzgâr yönleri ve hızlarıyla hizalanmış istasyonlar arasında bağlantılar kurarak öğrenir. Ayrıca komşu konumlardaki zirve ve çukurların zaman içinde yumuşamasını sağlayan “difüzyon”u öğrenir. Son olarak, nemli koşullarda parçacıkların oluşması veya yağmurun yıkaması gibi hava ve kimyasal süreçlerin sürüklediği yerel değişimleri yakalayan bir “reaksiyon” adımı içerir. Bu süreçleri ayrı adımlara bölüp hava durumunu çok küçük artışlarla güncelleyerek TransNet sayısal olarak kararlı kalır ve kütlenin korunması gibi temel fizik kurallarına uyar.

Yeni aracın performansı ne kadar iyi

Araştırmacılar TransNet’i Güney Kore genelindeki 170 izleme istasyonundan dört yıllık saatlik veriyi kullanarak test ettiler; modeli 2018–2019’da eğitip 2020’de ayarlayıp 2021 üzerinde değerlendirdiler. Bunu, karmaşık bir kimya modelinin çıktısını düzelten önceki bir en iyi sistem olan AGATNet ile karşılaştırdılar. 1 saatten yaklaşık 2 güne kadar olan kısa ve orta vadeli öngörülerde TransNet, hemen hemen tüm istasyonlarda daha doğru tahminler üreterek tipik hataları yaklaşık üçte bir ila yarı oranında azalttı ve PM2.5’teki gözlenen değişiklikleri yakından izledi. Özellikle rüzgâr ve topoğrafyanın karmaşık taşıma desenleri oluşturduğu kıyı bölgelerinde güçlüydü. Ancak daha uzun dönemlerde—yaklaşık 48 saatin ötesinde—AGATNet üstün kaldı; bunun nedeni muhtemelen TransNet’in açıkça temsil etmediği, altındaki kimya modelinden gelen ayrıntılı kimyasal bilgiden yararlanmasıdır.

Aşırı günler ne söylüyor

Araştırma ekibi en kötü kirlilik olaylarına odaklandığında önemli bir ödünleşme buldu. Zengin kimyasal girdiye sahip AGATNet, çok yüksek PM2.5 olaylarının daha büyük bir payını tespit etti; bu, mümkün olduğunca çok tehlikeli günü yakalamayı önceliklendiren yerlerde onu faydalı kılıyor. Ancak aynı zamanda çok daha fazla yanlış alarm üretti. TransNet nadir ve çok şiddetli zirvelerin daha fazlasını kaçırdı, özellikle daha uzun öngörü sürelerinde; yine de ciddi bir olayı işaretlediğinde genellikle doğruydu ve çok daha yüksek doğruluk (precision) gösterdi. Günlük koşullar için—gözlemlerin %96’sından fazlası—TransNet, tahminler ile gerçeklik arasındaki genel uyumda daha iyi sonuç verdi ve herhangi bir pahalı dış modelleme sistemine bağımlı olmadı.

Daha temiz, daha güvenli şehirler için ne anlama geliyor

Uzman olmayan birine göre kilit mesaj şudur: TransNet ince parçacık kirliliğini tahmin etmek için pratik bir yeni yol sunuyor: hızlı, işletmesi nispeten basit ve havanın nasıl gerçekten hareket ettiğine ve değiştiğine dayalı. Yetkililerin uyarı verip vermeyeceklerine, trafiği ayarlayıp ayarlamayacaklarına veya hassas grupları koruyacaklarına karar vermeleri gereken ilk bir ila iki gün için TransNet yalnızca hava verileri ve rutin izlemeler kullanarak doğru, ülke çapında tahminler sağlayabilir. Ağır kimya modellerine dayanan mevcut araçlar birkaç gün sonrasına bakmada ve nadir en aşırı olayları yakalamada hâlâ daha iyi olabilir. Gelecekte yazarlar, TransNet’in verimli, fizik bilgili tasarımını basitleştirilmiş kimya ve karışım süreçleriyle harmanlamayı öneriyor; amaç, hem daha keskin hem de daha güvenilir hava kalitesi tahminleri oluşturmak—şehirlerin halk sağlığını korumak için daha hızlı ve daha emin adım atmasına yardımcı olmak.

Atıf: Dimri, R., Choi, Y., Singh, D. et al. TransNet: a transport-informed graph neural network for forecasting PM_2.5 concentrations across South Korea. npj Clean Air 2, 12 (2026). https://doi.org/10.1038/s44407-026-00052-x

Anahtar kelimeler: hava kirliliği tahmini, PM2.5, grafik sinir ağı, Güney Kore hava kalitesi, fizik bilgili yapay zeka