FuXi-Air: emisyon‑meteoroloji‑kirletici çok modlu makine öğrenimi temelli hava kalitesi tahmini

Daha Temiz Hava İçin Daha Hızlı Tahminlere Neden İhtiyaç Var?

Hava kirliliği modern kentlerde en kalıcı sağlık tehditlerinden biridir; ancak kötü hava günlerini öngörmek için kullandığımız araçlar genellikle yavaş, maliyetli ve insanların gerçekten yaşadığı veya çalıştığı yerlerde her zaman doğru değildir. Bu çalışma, belediye görevlilerine ve halka daha erken ve daha güvenilir uyarılar vermeyi amaçlayan, ana kentsel hava kirleticilerini önümüzdeki üç gün için yalnızca saniyeler içinde tahmin edebilen yapay zeka tabanlı bir sistem olan FuXi‑Air’i sunuyor.

Şehrin Havasını Hareketli Bir Sistem Olarak Görmek

Geleneksel hava kalitesi tahminleri, gazların ve ince parçacıkların atmosferde nasıl oluştuğunu, taşındığını ve giderildiğini simüle eden büyük bilgisayar modellerine dayanır. Bu modeller fiziksel ve kimyasal ayrıntıları yakalar, ancak güçlü bilgisayarlara ve uzun işlem sürelerine ihtiyaç duyar; doğrulukları ise yerel hava ve kirlilik kaynaklarını ne kadar iyi temsil ettiklerine bağlıdır. Aynı zamanda birçok makine öğrenimi yaklaşımları tek bir yerdeki ölçümlere veya tek bir kirleticiye odaklanmıştır; bu da bunları gerçek dünya, şehir çapı tahminleri için kullanmayı zorlaştırır. FuXi‑Air bu boşluğu kapatacak şekilde tasarlandı: şehrin havasını bağlantılı bir sistem olarak ele alarak meteoroloji, emisyonlar ve mevcut kirlilik düzeylerine dair bilgileri tek bir çatı altında birleştiriyor.

Yeni Yapay Zeka Modeli Nasıl Çalışıyor?

FuXi‑Air üç ana veri akışını bir araya getiriyor: ayrı bir yapay zeka hava modeli tarafından üretilen yüksek çözünürlüklü hava tahminleri, trafik, sanayi ve diğer kaynaklardan ne kadar kirlilik yayıldığını tanımlayan ayrıntılı emisyon envanterleri ve yer izleme istasyonlarından sürekli okunan veriler. FuXi‑Air içinde uzmanlaşmış derin öğrenme modülleri farklı istasyonlardaki kirliliğin birbirleriyle nasıl ilişkili olduğunu ve zaman içinde nasıl evrildiğini öğrenir. Başka bir modül ise hava düzenleri ve emisyonların bu değişimleri nasıl biçimlendirdiğine odaklanarak sistemin kirlilik birikimine veya temizlenmesine yol açan koşulları tanımasını sağlar. Önce altı saatlik adımlarla kirliliği tahmin edip ardından bunları saatlik değerlere iyileştirerek FuXi‑Air, her şehirde düzinelerce istasyon için altı önemli kirleticiye ilişkin 72 saatlik tahminleri yaklaşık yarım dakika içinde sunabilir.

Sistemi Üç Megakentte Test Etmek

Araştırmacılar FuXi‑Air’i iklimi ve kirlilik örüntüleri çok farklı olan üç Çin megakenti—Pekin, Şanghay ve Shenzhen’de—test ettiler. 2023 ölçümleriyle karşılaştırarak ozon, azot dioksit, kükürt dioksit, karbon monoksit ve iki partikül madde boyutu için tahminlerini değerlendirdiler. Genel olarak model, özellikle ozon ve ince parçacıklar (PM2.5) için kirlilik zirvelerinin zamanlamasını ve büyüklüğünü iyi yeniden üretti. Aynı zamanda Shenzhen’de olduğu gibi kirlilik seviyelerinin göreceli olarak düşük ve stabil olduğu durumlarda da sağlam olduğu görüldü. Bazı zorluklar kaba parçacıklar (PM10) için sürdü; özellikle toz fırtınalarının ve uzun mesafeli taşınımın daha büyük rol oynadığı Pekin’de mevcut verilerle yakalanması daha güç oldu.

Geleneksel Modelleri Geride Bırakmak ve En Önemli Etkenleri İncelemek

FuXi‑Air’in pratikte kullanıma hazır olup olmadığını görmek için ekip bunu hava modeli ile kapsamlı bir hava kalitesi modelini birleştiren yaygın kullanılan bir geleneksel tahmin sistemiyle karşılaştırdı. Şanghay için dokuz aylık tahminler boyunca FuXi‑Air tüm altı kirletici için tahmin hatalarını tutarlı şekilde azalttı; bazı hataları yarıdan fazla düşürürken saniyeler içinde çalıştı—saatler yerine. Araştırmacılar ayrıca farklı veri kaynaklarını açıp kapatarak sistematik “ablation” deneyleri gerçekleştirdiler. Hava bilgisi çıkarıldığında model gün‑gece döngülerini ve kirlilik zirvelerini, özellikle ozon ve ince parçacıklar için izleme yeteneğini kaybetti. Emisyon verileri çıkarıldığında yerel kaynakların baskın olduğu şehirlerde yetenek zayıfladı. Bu testler meteoroloji, emisyonlar ve izleme verilerinin birleştirilmesinin kritik olduğunu, ancak havanın genellikle tahmin kalitesine sağladığı tek başına en güçlü katkıyı sunduğunu gösterdi.

Farklı Kentler, Kirli Havanın Farklı Sürücüleri

Sonuçları şehirler arasında karşılaştırmak, yerel koşulların kirliliği nasıl şekillendirdiğine dair de fikir veriyor. Pekin’de kış ısıtması ve bölgesel toz olayları nedeniyle parçacık düzeylerini büyük ölçüde kontrol eden faktörler geniş ölçekli rüzgâr düzenleri ve hava kararlılığıdır; bu yüzden meteoroloji verileri en önemli rolü oynadı. Ilık, nemli kıyı iklimi ve güçlü havalandırması olan Shenzhen’de ise yerel sanayi ve trafik emisyonları ince partikül düzeylerini belirlemede daha büyük rol oynadı. Şanghay bu uçlar arasında yer aldı; kara‑deniz meltemleri ile yerel kaynakların etkisi altında kaldı. Karbon monoksit ve kükürt dioksit gibi gazlar için emisyonlar ana sürücülerdi, fakat yerel arazi yapısı ve hava koşulları bazen bunların birikimini güçlendirdi.

Bu Kamu Sağlığının Korunması İçin Ne Anlama Geliyor?

FuXi‑Air, özenle tasarlanmış yapay zeka sistemlerinin geleneksel yöntemlerle yarışan veya onları geride bırakan, çok daha az hesaplama kaynağı kullanarak hızlı şehir ölçeğinde hava kalitesi tahminleri sağlayabileceğini gösteriyor. Model hâlâ bazı kaba parçacık olaylarıyla zorlanıyor ve geliştirilebilecek emisyon envanterlerine dayanıyor olsa da, şimdiden erken uyarılar ve akıllı şehir yönetimi için pratik bir araç sunuyor. Havanın ne zaman ve nerede sağlıksız olacağına dair daha iyi, daha zamanında bilgilerle yetkililer emisyon kontrollerini daha etkin hedefleyebilir ve sakinler maruziyeti azaltmak için etkinliklerini ayarlayabilir—atmosfer hakkındaki karmaşık verileri daha temiz, daha sağlıklı kentsel yaşam için uygulanabilir kılavuzlara dönüştürerek.

Atıf: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Anahtar kelimeler: hava kalitesi tahmini, kentsel hava kirliliği, derin öğrenme, meteoroloji ve emisyonlar, kamu sağlığının korunması