Ученый из Цзинаньского университета в Гуанчжоу разработал модель искусственного интеллекта для краткосрочного прогнозирования качества городского воздуха. Система объединяет данные нескольких станций наблюдения и учитывает динамику загрязнения за предыдущие часы. Результаты исследования опубликованы 24 августа в журнале Scientific Reports.
Автор работы — сотрудник Колледжа окружающей среды и климата Института экологических и климатических исследований Цзинаньского университета Е Лян. Для обучения и проверки модели он использовал почасовые данные, собранные в Шанхае с 1 июля 2021 года по 1 декабря 2023 года.
Система прогнозировала концентрацию шести основных загрязнителей: мелкодисперсных частиц PM2.5 и PM10, диоксида серы, угарного газа, диоксида азота и озона.
В основе разработки лежит сочетание двух архитектур глубокого обучения. Нейросеть DenseNet выявляет пространственные связи между показаниями разных станций. Такой подход позволяет учитывать, что загрязнённый воздух перемещается между городскими районами, а показатели отдельных постов зависят от расположения источников выбросов, направления ветра и особенностей застройки.
Вторая часть модели — сеть LSTM с долговременной краткосрочной памятью — анализирует последовательность предыдущих измерений. Она распознаёт временные закономерности, включая суточные колебания и постепенное накопление загрязняющих веществ.
Дополнительный механизм пространственно-временного внимания определяет, какие станции и периоды наблюдений наиболее значимы для каждого прогноза. В зависимости от выбранного временного горизонта система автоматически меняет вклад отдельных показателей.
При прогнозировании PM2.5 средняя абсолютная ошибка модели составила 4,12 микрограмма на кубический метр, среднеквадратичная — 6,35 микрограмма на кубический метр. Средняя абсолютная процентная ошибка достигла 19,64%.
Коэффициент эффективности Нэша — Сатклиффа составил 0,91, показатель Клинг — Гупта — 0,89. Значения обоих коэффициентов, близкие к единице, указывают на высокое соответствие прогнозных и фактических данных.
Е Лян сравнил новую систему с несколькими распространёнными моделями — LSTM без пространственного блока, GRU, Transformer и Informer. Статистическая проверка методом знаковых рангов Уилкоксона показала, что предложенная архитектура обеспечила значимое снижение ошибок. Устойчивые результаты были получены по всем шести исследованным загрязнителям.
Отдельное внимание автор уделил подготовке исходных данных. Наблюдения разделяли на обучающую и проверочную части в хронологическом порядке, не перемешивая их случайным образом. Параметры нормализации рассчитывали только по обучающей выборке. Такой подход исключает утечку информации из будущего периода и позволяет объективнее оценить точность прогноза.
Разработка может применяться в системах раннего предупреждения о кратковременном ухудшении качества воздуха. Вместе с тем полученные показатели относятся к конкретной сети наблюдений и условиям Шанхая. Для использования модели в других городах потребуется её проверка и настройка с учётом местного климата, рельефа, плотности постов, структуры застройки и состава выбросов.
Алгоритм не заменяет измерительные станции: прогноз формируется на основе поступающих с них данных, поэтому его точность зависит от исправности оборудования, полноты наблюдений и своевременной передачи показаний.
Перспективным направлением дальнейших исследований может стать проверка модели во время наиболее опасных эпизодов — лесных пожаров, пыльных бурь, температурных инверсий и кратковременных промышленных выбросов. Именно способность заранее распознавать пиковые концентрации определит практическую ценность системы для экологического мониторинга и защиты здоровья населения.
