Arktik ve Kuzey Avrupa’da PM10 konsantrasyonunu tahmin etmek için bir Transformer yaklaşımı

Neden Kuzey Havası Önemli

Uzak kuzey gökleri bakir görünebilir, ancak havadaki çok küçük parçacıklar özellikle ani kirlilik artışlarında akciğer ve kalbi sessizce zarar verebilir. Arktik ve İskandinav ülkelerinde PM10 olarak adlandırılan bu ince toz parçacıkları, kış sürüşü ve ev ısıtması gibi yerel alışkanlıkların yanı sıra uzak yangınlar ve endüstriyel bacalardan gelen emisyonlarla şekillenir. Bu çalışma, nefes aldıkları hava kötüleşmeye başladığında kuzey topluluklarına iki güne kadar erken uyarı vermeyi amaçlayan yeni bir yapay zekâ tabanlı tahmin aracı sunuyor.

Göremediğiniz Toz

PM10, akciğerlere derinlemesine nüfuz edebilecek kadar küçük mikroskobik toz, kurum ve damlacık parçacıklarını ifade eder. Kısa süreli konsantrasyon zirveleri bile solunum sorunlarını tetikleyebilir ve kardiyovasküler sistemi zorlayabilir. Avrupa’nın yeni hava kalitesi kuralları bu parçacıklar için sınırları sıkılaştırıyor; ortalama seviyeleri sınırlıyor ve günlük eşik değeri aşan günlerin sayısını kısıtlıyor. Birçok İskandinav istasyonu yıllık hedefleri karşılıyor olsa da, kayıtlar bölgesel ortalamaların gözünden kaçan ancak insan sağlığı için önemli olan sık kısa zirveler gösteriyor.

Kuzeyde Tahminler Neden Yetersiz Kalıyor

Avrupa genelinde hava kalitesi, atmosferdeki kirleticilerin kimyasını ve hareketini simüle eden karmaşık bilgisayar modelleriyle rutin olarak tahmin edilir. Copernicus Atmosfer İzleme Servisi tarafından kullanılan bu sistemler dört güne kadar öngörü yapabilir ancak genellikle Kuzey Avrupa ve Avrupa Arktik’inde zayıf performans gösterir. Modelleri besleyen göreli olarak az sayıda izleme istasyonu vardır ve çivili kış lastiklerinin asfaltı aşındırması, ev ısıtması veya deniz taşımacılığı gibi yerel kaynaklar keskin, kısa ömürlü kirlilik patlamalarına neden olabilir. Sonuç olarak, kuzeyde tipik tahmin hataları konsantrasyonların kendisi kadar büyük olabilir ve yerel karar verme için yararlılıklarını sınırlar.

Bir Makineye Havayı Okumayı Öğretmek

Yazarlar, başlangıçta dil çevirisi için tasarlanmış ama şimdi zaman serisi verileri için yaygın olarak kullanılan Transformer olarak bilinen bir derin öğrenme modeli sınıfına yöneldi. Finlandiya, İzlanda, Norveç ve İsveç’ten 152 istasyondan alınan dört yıllık saatlik PM10 gözlemleri üzerinde çeşitli önde gelen Transformer varyantlarını—daha geleneksel istatistiksel ve sinir ağı yöntemleriyle birlikte—eğittiler. Modeller aynı zamanda sayısal kirlilik tahminleri ve sıcaklık, rüzgâr, yağış ve sınır tabaka yüksekliği gibi temel meteorolojik değişkenleri de aldı. Crossformer adı verilen bir mimari, birçok değişken ve zaman içinde karmaşık ilişkileri öğrenmede en iyi olduğu ortaya çıktı ve standart hata ölçütlerinde yinelemeli ağlar ile daha basit Transformer’ları geride bıraktı.

Zamana Mekân Eklemek

Bölge genelinde tek bir modelin güvenilir çalışması için ekip, Crossformer’ı her istasyonun nerede olduğunu da “bilen” şekilde değiştirdi. Enlem, boylam ve irtifayı zaman serisi girdilerinin yanına kodlayan geometrik bir katman eklediler; bu sayede ağ, Arktik köylerden ıssız ormanlara ve yoğun şehir sokaklarına kadar belirli çevrelere özgü kirlilik paternlerini ilişkilendirebildi. Bu uyarlamayla model, tipik PM10 değişimlerini daha doğru tahmin etmekle kalmadı, eğitimde hiç görmediği istasyonlara—Danmark’taki sahalar dahil—iyi şekilde genelleme yapabildi. Copernicus tahminleri ve onların makine öğrenimi tabanlı son işlemeleriyle karşılaştırıldığında uyarlanmış model ortalama hataları yaklaşık üçte bir oranında azalttı ve kentsel ile uzak lokasyonlardaki keskin zirveleri daha iyi yakaladı.

Modelin Doğru Yaptıkları — ve Kaçırdıkları

Yeni sistem özellikle parçacık seviyelerindeki günlük dalgalanmaları izleme ve birçok (ancak tüm değil) yüksek kirlilik olayını tespit etmede güçlü. Yeni yasal eşik değerin hangi günlerde aşılacağını tahmin etmede geniş bir yelpazedeki kuzey istasyonlarında mevcut Avrupa tahmin ürünlerini önemli ölçüde geride bırakıyor. Bununla birlikte, kısmen buzlu yollardaki trafik veya yoğun otoyol kenarları gibi son derece yerelleşmiş zirvelerle hâlâ zorlanıyor; bu tür durumlarda emisyonlar kısa mesafelerde hızla değişiyor ve ne girdiler ne de bölgesel modeller bunu tamamen çözebiliyor. Yazarlar, bu sınırı daha ileriye taşımak için özellikle hizmetten yoksun Arktik bölgelerde daha detaylı yerel bilgi ve ek izleme istasyonlarının gerektiğini savunuyor.

Soğuk İklimler İçin Daha Açık Uyarılar

Pratik anlamda bu çalışma, dikkatle tasarlanmış bir derin öğrenme sisteminin izleme verileri, hava tahminleri ve mevcut model çıktılarının bir yamacını alıp 48 saate kadar istasyon düzeyinde daha doğru PM10 tahminlerine dönüştürebileceğini gösteriyor. Kuzey ve Arktik topluluklar için bu tür tahminler daha erken sağlık uyarılarını, hedeflenmiş trafik veya ısıtma kısıtlamalarını ve yangın dumanı girişleri gibi olaylar için daha iyi planlamayı destekleyebilir. Sokak düzeyindeki son derece yerel dalgalanmalar için mükemmel olmasa da, yaklaşım geleneksel hava kalitesi modellerine vaat verici ve hesaplaması verimli bir tamamlayıcı sunuyor ve daha ince partiküller ile azot dioksit gibi diğer önemli kirleticilere benzer yöntemlerin genişletilmesi için bir şablon sağlıyor.

Atıf: Cuzzucoli, A., Crotti, I., Dobricic, S. et al. A transformer approach to forecasting PM₁₀ concentration in the Arctic and Northern Europe. npj Clean Air 2, 31 (2026). https://doi.org/10.1038/s44407-026-00071-8

Anahtar kelimeler: Arktik hava kirliliği, PM10 tahmini, derin öğrenme, Transformer modelleri, Kuzey Avrupa hava kalitesi