X2-AQFormer: çok günlük saatlik hava kirliliği tahminlerinde dinamik etkenleri açığa çıkarma

Neden Daha Temiz Hava Tahminleri Sizin İçin Önemli

Şehir havasındaki kirlilik yalnızca soyut bir sağlık istatistiği değildir—çocukların güvenle dışarıda oynayıp oynayamayacağını, hastanelerin astım krizlerine nasıl hazırlanacağını ve yolcuların ne zaman arabalarını evde bırakmaları gerektiğini etkiler. Avrupa düzenlemeleri azot oksitler ve iri parçacıklar (PM10) gibi yaygın kirleticiler için sınırları sıkılaştırmak üzere, şehirlerin hata yapmaya az alanı kalıyor. Bu çalışma, hava kirliliği seviyelerini birkaç gün öncesine kadar tahmin etmekle kalmayıp havanın neden daha iyi ya da daha kötü olacağının da açıklamasını yapan yeni bir tahmin yaklaşımı sunuyor; bu, yetkililerin ve halkın daha akılcı ve güvenilir kararlar almasına yardımcı olur.

Yarının Havasını Görmenin Daha Akıllı Bir Yolu

Araştırmacılar Stockholm’deki iki ana kirleticiye odaklanıyor: ağırlıklı olarak trafikle ilişkili azot oksitleri ve yol tozu ve diğer kaynaklardan gelen daha iri parçacıklar olan PM10. Geleneksel modeller atmosferdeki kirleticinin nasıl hareket ettiğini ve reaksiyona girdiğini fizikle simüle eder, ancak sıklıkla sistematik hatalar gösterir ve mükemmel giriş verilerine bağımlıdır. Modern makine öğrenmesi sistemleri bu hataların çoğunu düzeltebilir ve karmaşık desenleri yakalayabilir, ancak genellikle içsel mantıkları opak olan “kara kutu” davranışı sergilerler. Yazarlar, gelişmiş derin öğrenmenin doğruluğunu korurken rüzgâr, trafikle ilişkili desenler veya gelen hava cepheleri gibi hangi faktörlerin önümüzdeki saatler ve günler için tahminleri yönlendirdiğini açıkça ortaya koyan bir tahmin sistemi geliştirmeyi hedeflediler.

Hava Kalitesi İçin Saydam Bir Akıl

Çalışmanın merkezinde, uzun dizilerle (örneğin cümleler) başa çıkmak için tasarlanmış Transformer mimarisine dayanan derin öğrenme modeli X2-AQFormer bulunuyor. Model, dört izleme sitesindeki son kirlilik ölçümleri, ayrıntılı hava tahminleri ve bölge genelinde ve sokak kanyonlarında kirliliği simüle eden mevcut fizik tabanlı bir hava kalitesi sisteminin çıktıları gibi bilginin karışımını alır. Sadece bir sonraki saati tahmin edip ardından adım adım ilerlemek yerine X2-AQFormer, azot oksitler ve PM10 için doğrudan 72 saatlik saatlik tahmin dizisini üretiyor. Modelin özel “attention” mekanizması bir spot ışığı gibi davranarak her gelecek saat için hangi girdilerin en önemli olduğunu dinamik olarak ağırlıklandırır ve bu ağırlıklar modelin nasıl düşündüğünü gösterecek şekilde okunabilir.

İnsanların Nefes Aldığı Yerlerde Daha İyi Tahminler

Yeni yaklaşımı test etmek için yazarlar, Stockholm’de kullanılan operasyonel deterministik tahmin, standart Transformer tabanlı sinir ağları ve XGBoost ile RandomForest gibi yaygın ağaç tabanlı yöntemler dahil olmak üzere birkaç güçlü rakiple karşılaştırdılar. Üç yoğun sokak kanyonu ve bir kentsel arka plan istasyonu olmak üzere dört sitede X2-AQFormer özellikle ilk birkaç saatten sonra tutarlı şekilde daha doğru tahminler verdi. Bir ila üç gün aralığında, deterministik modele göre tipik hata ölçülerini yaklaşık üçte bir oranında azalttı ve diğer derin öğrenme temel modellerine göre yaklaşık yüzde 11’e kadar daha iyi performans gösterdi. Öne çıkan nokta, fizik tabanlı tahminlerde görülen PM10’un sistematik olarak az tahmin edilmesi ve azot oksitlerin fazla tahmin edilmesi hatalarını düzeltmede özellikle iyi olması ve tehlikeli zirveleri yakalarken çok fazla yanlış alarma yol açmama konusunda en iyi dengeyi sağlamasıydı.

Pis ve Temiz Havanın Gizli Sürücülerini Görmek

X2-AQFormer’ın attention puanları yerleşik olduğundan ekip, farklı etkilerin zaman içinde nasıl yükselip düştüğünü izleyebildi. İşlek bir sokakta azot oksitler için son ölçümler ve çok günlük deterministik tahminler ana sürücülerken, şehir genelindeki arka plan istasyonunda rüzgâr, bulut örtüsü ve sıcaklık çok daha önemli hale geldi; bu da bölgesel hava hareketlerinin rolünü yansıtıyor. Trafiğe yakın PM10’da model geçmiş parçacık düzeylerine ve yol tozu yeniden süspanse edilmesini kontrol eden hava koşullarına dayanırken, arka plan istasyonunda büyük ölçüde deterministik tahminlere “güveniyordu”. Araştırmacılar ayrıca belirli yağmur olaylarına yakından baktılar: ortalamada yağış önemsiz görünse bile, model uzun süreli sağanaklardan hemen önce ve sırasında yağışa verdiği ağırlığı keskin biçimde artırdı; bu, ıslak yolların tozu bastırmasıyla tutarlı. 72 saatlik ufuk boyunca sistem, etkisini 1. günden 2. güne, 2. günden 3. güne akıcı bir şekilde devrederek gelen bilgiyi nasıl kullandığına dair sezgisel bir röle paterni gösterdi.

İçgörüyü Daha Basit, Daha Güçlü Araçlara Dönüştürmek

X2-AQFormer’ın yorumlanabilirliği sadece akademik bir özellik değil; gerçek dünya sistemlerini basitleştirip iyileştirmenin doğrudan yollarını işaret ediyor. Girdi faktörlerini katkılarına göre sıralayarak, yazarlar azot oksitler için özniteliklerin yaklaşık yüzde 70’ini atabileceklerini ve hâlâ performansı eşleştirebileceklerini—hatta hafifçe iyileştirebileceklerini—gösterdiler; bu, daha hafif ve bakımı daha kolay bir model anlamına geliyor. PM10 daha geniş bir girdi karışımı gerektirdi ve bu, davranışının daha karmaşık olduğunu vurguluyor. Genel olarak çalışma, şehirlerin doğru tahminler oluşturabileceği, bunları titizlikle test edebileceği, iç mantığını açığa çıkarabileceği ve ardından günlük kullanım için bunları sadeleştirebileceği pratik bir "Tahmin-Edoğrula-Yorumla-Optimizasyon" iş akışı öneriyor. Karar vericiler ve vatandaşlar için bu, yalnızca daha keskin değil, aynı zamanda daha şeffaf ve güvenilir temiz hava tahminleri anlamına geliyor.

Atıf: Zhang, Z., Schlesinger, D., Johansson, C. et al. X2-AQFormer: unveiling dynamic drivers in multi-day hourly air pollution forecasting. npj Clean Air 2, 17 (2026). https://doi.org/10.1038/s44407-026-00058-5

Anahtar kelimeler: hava kirliliği tahmini, kentsel hava kalitesi, açıklanabilir yapay zeka, transformer modelleri, NOx ve PM10