一种基于自适应网络中性犹豫模糊推理系统（ANNHFIS）的新型现报（估算）模型：以伊斯坦布尔为例

这项研究为何对城市空气重要

生物质电厂将生活垃圾和有机废料转化为电能，听起来像是清洁能源的双赢。然而，这些设施仍会排放二氧化氮——一种会刺激呼吸道并加重哮喘的气体。在像伊斯坦布尔这样的拥挤城市中，了解当天某一厂址附近的二氧化氮水平可以帮助主管部门提醒居民并管理空气质量。本研究引入了一种新的智能预测系统，旨在提供围绕大型垃圾发电厂更可靠的当日二氧化氮估算。

垃圾发电如何影响周边空气

生物质厂为维持供电处理或燃烧大量废弃物。根据运行方式，它们可能排放与一些化石燃料电厂相当的颗粒物和氮氧化物。二氧化氮尤为重要，因为它会使空气浑浊、促成雾霾和酸性物质形成，并损害肺功能。在伊斯坦布尔的Eyup区，一处大型垃圾发电与生物甲烷化综合体为数百万人供电，但同时也向大气排放二氧化氮和细小颗粒物。因此，了解局地天气与共污染物如何共同作用以决定该综合体附近的日均二氧化氮水平，是一个重要的公共卫生问题。

模型所用的数据

研究者集中于2019年至2023年间Eyup设施附近的日度观测条件。他们将五项信息作为输入：日照、气温、湿度、氮氧化物和粗颗粒（可吸入颗粒物）。这些量均来自监测站，监测站同时记录气象与空气质量。目标是用这些测量值估算当日平均二氧化氮水平。训练模型前，团队通过剔除缺失记录的日子和滤除极端传感器故障来清洗数据；随后将所有数值缩放到共同范围，并检查记录中的突变或长期漂移，以免干扰学习算法。

处理真实世界噪声信号的新方法

传统统计模型通常把数据关系视为近似线性的，当模式起伏不定、不规则或随时间变化时，它们会力不从心。标准神经网络更具灵活性，但可能过拟合且难以解释决策过程。作者构建了一个将神经网络与模糊逻辑混合的混合系统——模糊逻辑以处理灰度而非非此即彼的判断著称。他们的创新在于让系统不仅表达某输入属于低或高类别的强度，还能表示其不确定性与犹豫。通过成对的钟形曲线和一种特殊的融合规则，模型能够表示在数据噪声大或信息冲突时出现的模棱两可情况，这在户外空气测量中很常见。

智能估算器如何学习

新模型依赖一组“如果-那么”式规则，例如“日照低且颗粒物高可能暗示更高的二氧化氮”。在后台，它结合了数百条此类规则，每条规则具有平滑变化的强度而非硬性边界。为调优这一复杂规则库，团队使用了粒子群优化（particle swarm optimization），该方法将每个候选解视为在空间中移动的粒子，并推动群体朝更优表现移动。此搜索步骤调整模糊类别的位置及各规则的重要性，随后以基于梯度的微调步骤进一步打磨拟合。模型准确度通过标准误差度量评估，并与若干强基准模型比较，包括经典神经网络、长短期记忆网络（LSTM）与早期模糊系统。

研究结果

在未见过的测试数据上，新系统在研究模型中呈现出最低的平均误差和与观测二氧化氮水平的最高一致性。它比其他模糊方法与深度学习序列模型更好地捕捉了日常波动和污染峰值，同时在可解释性方面优于表现类似的标准神经网络。统计检验表明，相对于大多数对手的改进不太可能是偶然所得。作者认为，该模型更丰富地处理不确定性的方式有助其应对空气质量记录中不平滑且随时间变化的模式。

这对城市居民意味着什么

对于生活在垃圾发电厂附近的人们，这项研究展示了更智能的现报工具如何为当日呼吸的空气提供更清晰的图景。所提方法并不能消除污染，但可能使城市管理机构更可靠地识别高风险日并规划响应措施，例如发布预警或调整运行策略。由于该方法具有灵活性，未来可扩展到其他地区、污染物或预测时段。简单来说，这项研究提供了一个更为细致的空气质量“温度计”，它承认不确定性，同时仍为管理忙碌城市中的二氧化氮提供实用指引。

引用: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

关键词: 空气污染, 二氧化氮, 生物质发电厂, 空气质量建模, 机器学习