Bu tədqiqat, Şimali Taylandın Mae Hong Son, Lampang, Tak və Chiang Mai vilayətlərində gündəlik orta PM2.5 konsentrasiyasının bir gün sonrasını proqnozlaşdırmaq üçün standart Təkrarlanan Neyron Şəbəkəsi (Recurrent Neural Network, RNN), Uzun-Qısa Müddətli Yaddaş (Long Short-Term Memory, LSTM) və Qapılı Təkrarlanan Vahid (Gated Recurrent Unit, GRU) modellərini eyni eksperimental çərçivədə müqayisə edir. Təkrarlanan neyron şəbəkəsi, ardıcıl verilənlərdə əvvəlki zaman addımlarından daşınan gizli vəziyyəti yeni girişlə birləşdirərək zamana bağlı asılılıqları öyrənən süni neyron şəbəkəsi sinfidir. Model girişləri əvvəlki günün PM2.5 səviyyəsi ilə mövsüm, temperatur, nisbi rütubət, maksimum külək sürəti, hava təzyiqi və yağıntı dəyişənlərindən ibarətdir.

Verilənlər 1 yanvar 2022–31 mart 2026 dövrünü əhatə edir. Yanvar 2022–dekabr 2024 təlim, yanvar 2025–mart 2026 isə müstəqil test dövrü kimi ayrılmışdır. PACF analizində əsas zamansal asılılığın birinci gecikmədə cəmlənməsi səbəbindən bütün RNN, LSTM və GRU modellərində lag-1 giriş strukturu istifadə edilmişdir. Hiperparametrlər grid search və genişlənən pəncərə tipli zaman sırası çarpaz doğrulaması ilə seçilmişdir.

GRU dörd vilayətin hamısında ən yüksək R² və ən aşağı MAE dəyərini vermiş; Lampang, Tak və Chiang Mai-də RMSE baxımından da ən yaxşı model olmuşdur. Mae Hong Son-da isə ən aşağı RMSE LSTM tərəfindən əldə edilmişdir. GRU-nun standart RNN-lə müqayisədə MAE üstünlüyü Mae Hong Son-da %14,4, Lampang-da %9,5, Tak-da %5,2 və Chiang Mai-də yalnız %0,4 olmuşdur. Diebold–Mariano testləri GRU-nun üstünlüyünün xüsusilə daha dəyişkən sıralarda nəzərəçarpacaq olduğunu, daha sabit mühitlərdə isə modellər arasındakı fərqlərin azaldığını göstərir.

Bununla belə, bütün modellər ekstrem PM2.5 pik dəyərlərini sistematik şəkildə aşağı proqnozlaşdırmışdır. Mənbə bunu yüksək çirklənmə müşahidələrinin təlim verilənlərində az təmsil olunması və MSE itki funksiyasının proqnozları paylanmanın mərkəzi meylinə çəkməsi ilə əlaqələndirir. Külək istiqamətinin, məkan qonşuluqlarının və sərhədlərarası daşınma göstəricilərinin modelə daxil edilməməsi xüsusilə qəfil tüstü daşınması hadisələrində əlavə məhdudiyyətdir.

Nəticələr real vaxt rejimində işləyən əməliyyat hava keyfiyyəti sisteminin sahə uğurunu sübut etmir. Bu tədqiqat tarixi müşahidə verilənləri ilə aparılmış bir günlük ayırdetməli proqnoz müqayisəsidir və xüsusilə ekstrem çirklənmə hadisələrinin erkən xəbərdarlığında əlavə girişlər, probabilistik proqnoz və ekstrem dəyərlərə həssas itki funksiyaları ilə daha geniş doğrulama tələb olunur.

Ətraflı İzah

Tədqiqat problemi

PM2.5 aerodinamik diametri 2,5 mikrometrdən kiçik olan incə hissəcikli maddələri ifadə edir. Şimali Taylanddakı PM2.5 zaman sıraları sabit bir orta ətrafında kiçik dalğalanmalar göstərən sadə sıralar deyil. Quru mövsümdə biokütlənin yanması və regional tüstü daşınması səbəbindən qəfil və çox yüksək piklər yaranır, yağışlı dövrdə isə konsentrasiyalar əhəmiyyətli dərəcədə azalır və daha sabit olur.

Bu xüsusiyyətlər sırada həm zamanla dəyişən orta, həm də zamanla dəyişən dispersiya yaradır. Mənbə bu strukturu qeyri-stasionar və heteroskedastik zaman sırası kimi qiymətləndirir. Proqnoz modeli yalnız orta mövsümi nümunəni öyrənməməli, həm də qəfil rejim dəyişikliklərinə və ekstrem piklərə cavab verə bilməlidir.

Tədqiqatın araşdırma boşluğu

PM2.5 proqnozlaşdırma ədəbiyyatında CNN, diqqət mexanizmləri, hibrid şəbəkələr və ansambl sistemləri getdikcə mürəkkəbləşmişdir. Bu tədqiqatın məqsədi yeni və daha mürəkkəb arxitektura hazırlamaq deyil. Tədqiqatçılar bunun əvəzinə standart RNN, LSTM və GRU-nun eyni verilənlər, eyni lag strukturu, eyni optimallaşdırma çərçivəsi və eyni test dövründə müxtəlif volatillik rejimlərində necə davrandığını təcrid olunmuş şəkildə araşdırmağa çalışmışlar.

Buna görə tədqiqatın əsas müqayisə sualı “ən mürəkkəb arxitektura hansıdır?” deyil, “yerli PM2.5 zaman sırasının volatilliyi dəyişdikdə hansı təkrarlanan arxitektura daha dayanıqlı proqnoz davranışı göstərir?” sualıdır.

Tədqiq olunan dörd vilayət

Bu cədvələ görə kəmiyyət standart sapma sıralaması Mae Hong Son > Lampang > Chiang Mai > Tak şəklindədir. Mae Hong Son həmçinin 321 µg/m³ ilə müşahidə olunan ən yüksək ekstrem dəyərə malikdir.

Mövsümi struktur

Mənbənin Şəkil 3-də bütün vilayətlərdə aydın illik nümunə görünür. Fevral–aprel dövründə quru mövsüm pikləri yaranarkən may–oktyabr yağışlı dövrü daha aşağı və daha sabit PM2.5 səviyyələri ilə xarakterizə olunur. Xüsusilə Mae Hong Son-da bəzi illərdə çox kəskin qısamüddətli sıçrayışlar müşahidə edilir.

Bu struktur modelləşdirmə baxımından vacibdir; çünki eyni sırada həm aşağı dispersiyalı sakit dövrlər, həm də yüksək dispersiyalı qəfil çirklənmə dövrləri mövcuddur. Tək bir orta xəta göstəricisi bu iki rejimdəki davranışı tam şəkildə ümumiləşdirə bilməz.

Model girişləri

Külək istiqaməti şüurlu şəkildə kənarda saxlanmışdır. Mənbə bunun səbəbini verilən çatışmazlığı və bucaqlı/circular dəyişənin kodlaşdırılmasının əlavə modelləşdirmə mürəkkəbliyi yaratması ilə izah edir.

RNN, LSTM və GRU arasındakı əsas fərq

Standart RNN hər zaman addımında mövcud girişi və əvvəlki gizli vəziyyəti istifadə edərək yeni gizli vəziyyət yaradır. Bu struktur qısamüddətli zamansal asılılıqları öyrənə bilər; lakin uzun ardıcıllıqlarda gradientin yox olması problemi yarana bilər.

LSTM standart RNN-ə unutma, giriş və çıxış qapıları ilə ayrıca hüceyrə vəziyyəti əlavə edir. Bu qapılar hansı məlumatın saxlanacağını, yenilənəcəyini və ya çıxışa ötürüləcəyini tənzimləmək üçün nəzərdə tutulmuşdur.

GRU isə oxşar yaddaş nəzarətini daha sadə strukturla həyata keçirir. Yeniləmə və sıfırlama olmaqla iki qapıdan istifadə edir və ayrıca hüceyrə vəziyyəti daşımır. Buna görə LSTM-dən daha az struktur komponenti ilə qapılı təkrarlanan şəbəkə yaradır.

Tədqiqat arxitekturaların tam gizli-vəziyyət tənliklərini əsas məqalədə deyil, Supplementary Material S1-də təqdim edir. Yüklənmiş əsas PDF bu tənliklərin hamısını ehtiva etmədiyi üçün Verianla mətni çatışmayan arxitektura tənliklərini yenidən yaratmır.

Lag-1 niyə seçildi?

Autocorrelation Function (ACF) PM2.5 sıralarında ilk bir neçə gecikmədə güclü müsbət korrelyasiya göstərmişdir. Partial Autocorrelation Function (PACF) isə ən üstün müstəqil əlaqənin birinci gecikmədə olduğunu göstərmiş və daha yüksək gecikmələrdə müntəzəm struktur müşahidə edilməmişdir.

Buna görə tədqiqatçılar bütün modellər üçün eyni lag-1 strukturunu seçmişlər. Məqsəd əsas qısamüddətli asılılığı qoruyarkən lazımsız girişlərin yarada biləcəyi model mürəkkəbliyini və həddindən artıq uyğunlaşma riskini azaltmaqdır.

GRU Dəyişkən PM2.5 Sıralarında Niyə Daha Dayanıqlı Göründü?

Mənbənin nəticələrinə görə GRU-nun standart RNN-lə müqayisədə üstünlüyü xüsusilə qəfil və yüksək dəyişkənlik göstərən PM2.5 sıralarında artmışdır; ən nəzərəçarpan MAE qazancı %14,4 ilə Mae Hong Son-da müşahidə olunarkən daha sabit şəraitdə modellər arasındakı fərqlər azalmışdır. Tədqiqat bu nümunəni GRU-nun qapılı vəziyyət yeniləməsinin qəfil konsentrasiya dəyişikliklərinə standart RNN-dən daha yaxşı reaksiya verə bilməsi ilə əlaqələndirir; lakin GRU hər göstəricidə və hər vilayətdə statistik cəhətdən üstün deyil.

Mae Hong Son

Mae Hong Son ən yüksək standart sapmaya və müşahidə olunan ən yüksək PM2.5 dəyərinə malikdir. RNN üçün R² = 0,9176, RMSE = 10,8048 və MAE = 5,5031 µg/m³; LSTM üçün R² = 0,9201, RMSE = 10,5762 və MAE = 4,9062 µg/m³; GRU üçün R² = 0,9215, RMSE = 10,6404 və MAE = 4,7100 µg/m³ müəyyən edilmişdir.

Beləliklə, GRU R² və MAE baxımından ən yaxşı, LSTM isə RMSE baxımından ən yaxşıdır. Mütləq xətaya əsaslanan Diebold–Mariano testlərində RNN ilə iki qapılı arxitektura arasında əhəmiyyətli fərq aşkar edilmiş; LSTM–GRU fərqi Bonferroni həddini keçməmişdir.

Lampang

Lampang-da GRU hər üç göstəricidə ən yaxşı nəticəni vermişdir: R² = 0,9186, RMSE = 5,5808 µg/m³ və MAE = 3,6292 µg/m³. RNN-in MAE dəyəri 4,0089 µg/m³ olduğuna görə GRU-nun nisbi MAE azalması %9,5-dir.

Tak

Tak-da GRU üçün R² = 0,8909, RMSE = 5,7621 və MAE = 3,9702 µg/m³ müəyyən edilmişdir. RNN-lə müqayisədə MAE azalması %5,2-dir. GRU–RNN fərqi həm squared-error, həm də absolute-error DM testlərində əhəmiyyətlidir.

Chiang Mai

Chiang Mai-də GRU yenə rəqəmsal olaraq hər üç göstəricidə ən yaxşı nəticəni vermişdir: R² = 0,8689, RMSE = 6,3109 və MAE = 4,0557 µg/m³. Lakin RNN-in MAE dəyəri 4,0724 µg/m³ olduğuna görə fərq yalnız %0,4-dür və Diebold–Mariano testlərində heç bir ikili model müqayisəsində əhəmiyyətli fərq aşkar edilməmişdir.

Bu nəticə daha mürəkkəb qapılı arxitekturanın hər şəraitdə əhəmiyyətli üstünlük təmin etmədiyini göstərən tədqiqatın ən mühüm tapıntılarından biridir.

Ekstrem PM2.5 Pik Dəyərləri Niyə Sistematik Şəkildə Aşağı Proqnozlaşdırıldı?

Tədqiqata görə ekstrem çirklənmə müşahidələri ümumi təlim verilənlərinə nisbətən seyrəkdir və MSE itki funksiyası böyük xətaları kvadratik şəkildə cəzalandırsa da, optimallaşdırma prosesini verilənlər paylanmasının daha çox rast gəlinən mərkəzi dəyərlərinə yönəldərək proqnoz əyrisini hamarlayır; buna külək istiqaməti, sərhədlərarası tüstü daşınması və aktual məkan məlumatının çatışmazlığı da əlavə olunduqda, qəfil ekstrem PM2.5 sıçrayışları modellər tərəfindən tam böyüklüyü ilə proqnozlaşdırıla bilmir.

Bu uğursuzluq forması xüsusilə erkən xəbərdarlıq baxımından vacibdir. Orta MAE və ya RMSE-nin aşağı olması nadir, lakin sağlamlıq baxımından kritik ekstrem hadisələrin düzgün proqnozlaşdırıldığına zəmanət vermir.

Müəlliflər gələcəkdə asymmetric və ya quantile-based loss istifadə edilməsini, underprediction üçün daha yüksək cəzanın tətbiqini və ya standart MSE çıxışı əvəzinə parametric extreme-value distribution istifadə edən üsulların qiymətləndirilməsini tövsiyə edirlər.

Külək istiqamətinin olmaması niyə kritikdir?

Külək sürəti atmosfer qarışmasının nə qədər güclü olduğunu göstərə bilər; lakin hava kütləsinin çirklənmiş yanğın bölgəsindən, yoxsa təmiz istiqamətdən gəldiyini göstərmir. Xüsusilə Myanmar sərhədinə yaxın ərazilərdə uzaq məsafəli tüstü daşınmasını əvvəlcədən müəyyən etmək üçün istiqamət məlumatı vacibdir.

Mövcud model sərhədlərarası tüstü hadisəsini birbaşa proqnozlaşdıra biləcək daşınma dəyişəninə malik olmadığından, PM2.5 artımına yalnız əvvəlki günün PM2.5 girişində əks olunduqdan sonra reaksiya verə bilər.

Mənbədə volatillik sıralamasının uyğunsuzluğu

Cədvəl 2-də standart sapmalar Mae Hong Son 39,49, Lampang 27,00, Chiang Mai 24,71 və Tak 21,40 µg/m³ olaraq verilmişdir. Buna görə ölçülmüş gündəlik PM2.5 standart sapması baxımından Tak ən aşağı, Mae Hong Son isə ən yüksək dəyişkənliyə malikdir.

Müzakirənin sonrakı hissəsində isə Mae Hong Son və Tak-ın ən yüksək dəyişkənliyə malik olduğu, Chiang Mai-nin isə ən aşağı dəyişkənlik göstərdiyi bildirilir. Bu ifadələr Cədvəl 2-nin kəmiyyət dəyərləri ilə uyğun gəlmir. Buna görə burada “volatillik” deyilərkən rəqəmsal standart sapma üçün Cədvəl 2 dəyərləri əsas götürülür, sərhəd bölgəsi/topoqrafiya şərhi isə ayrıca fiziki kontekst kimi saxlanılır.

Tədqiqatın Metodu və Nəticələri

Verilənlər mənbələri

PM2.5 verilənləri Tayland Pollution Control Department, Air Quality and Noise Management Bureau və GISTDA mənbələrindən götürülmüşdür. Mənbə məqalə yerüstü stansiyalarda beta-ray attenuation, işığın səpilməsi və qravimetrik istinad üsullarının istifadə edildiyini; GISTDA tərəfində isə Himawari, MODIS, VIIRS, GEMS və Sentinel-5P kimi peyk mənbələrinin aerosol optical depth məlumatları ilə dəstək verildiyini izah edir.

Meteoroloji verilənlər Northern Meteorological Center və Thai Meteorological Department Automatic Weather System mənbələrindən təmin edilmişdir.

Stansiyalar

Verilənlərin ilkin emalı

Bütün vilayətlərdə çatışmayan verilənlərin nisbəti %5-dən aşağı olduğuna görə çatışmayan müşahidələr çıxarılmış və complete-case verilənlər istifadə edilmişdir. Mənbə iş axınında “cleaning and transformation” mərhələsini göstərir; lakin xüsusiyyətlərin standartlaşdırılması, min–max miqyaslanması və ya başqa normalization əməliyyatının tətbiq edilib-edilmədiyini əsas metod mətnində ətraflı bildirmir.

Eyni şəkildə “season” dəyişəninin modelə rəqəmsal, dummy və ya başqa kateqorial kodlaşdırma ilə necə verildiyi əsas məqalədə açıq göstərilməmişdir. Bu təfərrüatlar uydurularaq tamamlanmamışdır.

Təlim, doğrulama və test

Əsas təlim dövrü yanvar 2022–dekabr 2024-dür. Yekun test dövrü yanvar 2025–mart 2026-dır.

Hiperparametr seçimində expanding-window rolling cross-validation tətbiq edilmişdir. Hər yeni fold-da təlim çoxluğu keçmişdə mövcud olan bütün müşahidələri əhatə edəcək şəkildə genişləndirilmiş və dərhal sonrakı altı aylıq dövr doğrulama üçün istifadə edilmişdir. Beləliklə, gələcək müşahidələrin keçmiş təlim nümunələrinə sızmasının qarşısı alınmışdır.

Çarpaz doğrulama 100 dəfə təkrarlanmış; hər konfiqurasiyanın fold və təkrarlar üzrə orta doğrulama itkisi qiymətləndirilmişdir.

Hiperparametr axtarış fəzası

Epoch × batch size × hidden-unit kombinasiyası 4 × 3 × 4 = 48 müxtəlif seçim yaradır. Mənbə 48 kombinasiyadan hansının hər vilayət/model üçün yekun olaraq seçildiyini əsas cədvəldə göstərmir.

Proqram təminatı və təkrarlana bilmə

Modelin hazırlanması R proqramlaşdırma mühitində keras3 və tensorflow paketləri ilə həyata keçirilmişdir. Mənbə R 4.6.0, Python 3.9 və TensorFlow 2.16.0 üçün deterministic seed konfiqurasiyasından istifadə edildiyini bildirir.

İtki funksiyası

Standart RNN üçün təlimdə ümumi kvadratik xəta:

\[ \sum_{t=1}^{n}(y_t-o_t^L)^2 \]

minimumlaşdırılmışdır. Burada \(y_t\) müşahidə olunan hədəf, \(o_t^L\) isə uzunluğu \(L\) olan ardıcıllığın son proqnoz çıxışıdır.

LSTM və GRU üçün mənbə eyni kvadratik xəta məntiqini:

\[ \sum_{t=1}^{n}(y_t-h_t)^2 \]

şəklində verir və \(h_t\)-ni yenilənmiş gizli vəziyyət və ya çıxış vektoru kimi müəyyən edir.

R²

Determinasiya əmsalı göstəricisi:

\[ R^2 = 1- \frac{\sum_{t=1}^{n}(y_t-o_t^L)^2} {\sum_{t=1}^{n}(y_t-\bar y)^2} \]

şəklindədir. \(R^2\) proqnoz modelinin müşahidə olunan PM2.5 dəyişkənliyini orta proqnozla müqayisədə nə dərəcədə izah etdiyini göstərir. Bu tədqiqatda daha yüksək dəyər daha yaxşı uyğunluğa qarşılıq gəlir.

RMSE

\[ RMSE = \sqrt{ \frac{1}{n} \sum_{t=1}^{n} (y_t-o_t^L)^2 } \]

RMSE-nin vahidi PM2.5 ilə eynidir: µg/m³. Xətaların kvadratından istifadə etdiyinə görə böyük proqnoz xətalarına MAE-dən daha çox çəki verir.

MAE

\[ MAE = \frac{1}{n} \sum_{t=1}^{n} |y_t-o_t^L| \]

MAE də µg/m³ vahidindədir və proqnoz ilə müşahidə arasındakı mütləq fərqlərin ortasını verir.

Diebold–Mariano testi

R², RMSE və MAE-nin rəqəmsal sıralaması təkbaşına iki modelin proqnoz xəta sıralarının statistik cəhətdən fərqli olduğunu göstərmir. Buna görə mənbə modelləri Diebold–Mariano testi ilə cüt-cüt müqayisə etmişdir.

Hər vilayətdə RNN–LSTM, RNN–GRU və LSTM–GRU olmaqla üç müqayisə aparıldığı üçün ailə-səviyyəli xəta nisbətinə nəzarət etmək məqsədilə Bonferroni ilə düzəldilmiş əhəmiyyətlilik həddi:

\[ \alpha=\frac{0.05}{3}=0.0167 \]

kimi istifadə edilmişdir. DM testi squared-error və absolute-error olmaqla iki fərqli itki tərifi altında tətbiq edilmişdir.

Test çoxluğundakı bütün performans dəyərləri

GRU-nun RNN-lə müqayisədə MAE dəyişimi

DM testlərinin əsas mesajı

Mae Hong Son-da absolute-error itkisi altında RNN–GRU fərqi əhəmiyyətlidir; LSTM–GRU fərqi əhəmiyyətli deyil. Lampang-da RNN–GRU fərqi həm squared-error, həm də absolute-error altında əhəmiyyətlidir. Tak-da da GRU ilə RNN arasında hər iki itki tərifində əhəmiyyətli fərq vardır. Chiang Mai-də heç bir ikili müqayisə Bonferroni ilə düzəldilmiş əhəmiyyətlilik sərhədini keçməmişdir.

Beləliklə, performans cədvəlində kiçik rəqəmsal fərqlərin görünməsi təkbaşına elmi baxımdan “model üstünlüyü” demək deyil.

Proqnoz zolaqları

Mənbənin Şəkil 6–9-u proqnoz dəyərlərinin 500 təkrara əsaslanan zolaqlarını göstərir. Mae Hong Son-dakı zolaqlar xüsusilə intensiv çirklənmə dövrlərində daha geniş, Lampang və Tak-da daha kompakt, Chiang Mai-də isə ümumən sabitdir. GRU bir çox yüksək çirklənmə dövründə nisbətən daha dar zolaqlar göstərir.

Əsas məqalə 500 təkrar məlumatını açıq şəkildə versə də, bu zolaqların yaradılmasında istifadə olunan tam yenidən nümunələmə və ya stoxastik təkrar prosedurunu metod bölməsində ətraflı izah etmir. Buna görə zolaqlar mənbədə “probabilistik proqnoz paylanması” kimi deyil, təkrarlanan model işə salmalarından əldə olunan proqnoz dəyişkənliyi kimi qiymətləndirilməlidir.

Taylor diaqramları

Şəkil 10 müşahidə və proqnoz arasındakı korrelyasiyanı, standart sapmanı və centred RMSE-ni bir diaqramda birləşdirir. Model nöqtələrinin dörd vilayətin hamısında bir-birinə yaxın qruplaşması RNN, LSTM və GRU arasındakı fərqlərin ümumi performans fəzasında çox böyük olmadığını göstərir.

GRU və LSTM bəzi vilayətlərdə müşahidə istinadına bir qədər daha yaxın görünsə də, Taylor diaqramları təkbaşına bütün coğrafiyalarda vahid açıq qalib göstərmir.

Tədqiqatın dəstəklədiyi nəticələr

GRU, xüsusilə yüksək dəyişkənlik və qəfil konsentrasiya sıçrayışları olan gündəlik PM2.5 sıralarında standart RNN-lə müqayisədə daha dayanıqlı proqnoz davranışı göstərmişdir. Üstünlüyün böyüklüyü vilayətə və xəta göstəricisinə görə dəyişir.

Qapılı arxitekturaların faydası daha sakit zaman sıralarında azalır. Chiang Mai testində üç model arasında Diebold–Mariano testləri ilə əhəmiyyətli fərq tapılmaması arxitektura mürəkkəbliyinin təkbaşına performans üstünlüyü yaratmadığını dəstəkləyir.

Lag-1 girişi dörd vilayətin hamısında güclü qısamüddətli asılılığı tutmaq üçün istifadə oluna bilən ortaq baza yaratmışdır.

Bütün modellər ümumi mövsümi PM2.5 nümunəsini tuta bilsə də, ekstrem pik dəyərləri tam şəkildə təmsil edə bilmir.

Tədqiqatın dəstəkləmədiyi nəticələr

GRU-nun bütün PM2.5 proqnozlaşdırma problemlərində və ya bütün coğrafiyalarda ən yaxşı model olduğu göstərilməmişdir.

GRU Mae Hong Son-da bütün göstəricilərdə ən yaxşı deyil; ən aşağı RMSE LSTM tərəfindən əldə edilmişdir.

Tədqiqat real vaxt rejimində işləyən əməliyyat erkən xəbərdarlıq sisteminin sahə performansını sınaqdan keçirməmişdir.

Model nəticələri saatlıq və ya dəqiqə miqyaslı çirklənmə hadisələrinin proqnoz performansını göstərmir; hədəf gündəlik 24 saatlıq orta PM2.5-dir.

Model transboundary tüstü daşınmasını fiziki atmosfer modeli ilə həll etmir.

Külək istiqaməti, hava kütləsinin geri trayektoriyaları, qonşu stansiyalar və məkan peyk göstəriciləri giriş kimi istifadə edilməmişdir.

Qrafiklərdə proqnoz zolaqları olsa da, modellər birbaşa probabilistik PM2.5 paylanma proqnozu yaradan modellər deyil.

Əsas metodoloji məhdudiyyətlər

Birinci məhdudiyyət külək istiqamətinin giriş çoxluğundan çıxarılmasıdır. Bu vəziyyət xüsusilə sərhədlərarası tüstünün mənbəyə görə istiqamətli daşındığı Mae Hong Son və Tak kimi ərazilərdə çatışmayan məlumat yarada bilər.

İkinci məhdudiyyət yalnız bir stansiyanın zaman sırasının və yerli meteorologiyanın modelləşdirilməsidir. Qonşu stansiyalar, satellite-derived dəyişənlər və regional atmosfer dövranı açıq şəkildə modelləşdirilməmişdir.

Üçüncü məhdudiyyət gündəlik ortadır. 24 saatlıq orta saatdaxili və gündaxili pikləri hamarladığı üçün tədqiqat sub-daily dinamikanı təmsil etmir.

Dördüncü məhdudiyyət MSE itkisidir. Nadir ekstrem müşahidələrin paylanmada az olması ilə birlikdə MSE təlimi proqnozları orta dəyərlərə doğru çəkərək ən yüksək pikləri basdırmışdır.

Beşinci məhdudiyyət bütün meteoroloji girişlərin gün t−1 müşahidələri olmasıdır. Günlər arasında hava şəraitinin çox sürətlə dəyişdiyi hadisələrdə əvvəlki günün meteorologiyası növbəti günün şəraitini kifayət qədər təmsil etməyə bilər.

Altıncı məhdudiyyət təkrarlana bilmə təfərrüatlarıdır. Əsas məqalə hiperparametr axtarış fəzasını verir, lakin hər yekun model üçün seçilmiş epoch, batch size və hidden-unit dəyərlərini bildirmir. Xüsusiyyətlərin miqyaslanması və mövsüm kodlaşdırılması da əsas mətndə kifayət qədər izah edilmir.

Gələcək tədqiqat istiqamətləri

Mənbə gələcəkdə transformer, convolutional və ensemble arxitekturaları; spatiotemporal modelləşdirmə; peyk dəyişənləri; qonşu stansiyalar; probabilistik proqnoz; saatlıq ayırdetmə; quantile/asymmetric loss və ekstrem dəyər paylanmaları üzərində işləməyi tövsiyə edir.

Xüsusilə külək istiqaməti, hava kütləsinin geri trayektoriyaları və sərhədlərarası yanğın göstəriciləri modelin tüstünü yalnız PM2.5 yüksəldikdən sonra fərq etmək əvəzinə yaxınlaşan daşınmanı əvvəlcədən aşkarlamasına yönələn ən birbaşa inkişaf yollarından biri kimi müzakirə olunur.

Mənbə və Metod Qeydi

Özgün tədqiqat: Recurrent Deep Learning Models for PM2.5 Time Series Forecasting in Northern Thailand.

Müəlliflər: Nawisa Jullapech; Mohamed Fazil Baksh; Suttida Sangpoom.

Məsul müəllif: Suttida Sangpoom.

Qurumlar: Department of Data Analysis Science and Digital Technology, Nakhon Si Thammarat Rajabhat University, Thailand; Department of Mathematics and Statistics, University of Reading, United Kingdom; Center of Excellence in Data Science for Health Science, Division of Mathematics and Statistics, School of Science, Walailak University, Thailand.

Jurnal və nəşr kimliyi: Forecasting, 2026, Cild 8, Say 5, Məqalə 80. Nəşriyyat: MDPI. DOI: 10.3390/forecast8050080.

Nəşr prosesi: Qəbul tarixi 22 iyun 2026; düzəliş 23 avqust 2026; qəbul 25 avqust 2026; nəşr 8 sentyabr 2026.

Mənbə növü: Resenziyalı, açıq çıxışlı, müşahidəvi ekoloji zaman sırası verilənləri üzərində müqayisəli dərin öyrənmə proqnozlaşdırma tədqiqatıdır.

Lisenziya: Creative Commons Attribution (CC BY).

Tədqiqat coğrafiyası: Mae Hong Son, Lampang, Tak və Chiang Mai; Şimali Tayland.

Verilənlər dövrü: 1 yanvar 2022–31 mart 2026.

Proqnoz üfüqü: Bir gün sonrakı gündəlik orta PM2.5.

Modellər: RNN, LSTM və GRU.

Giriş strukturu: PACF tərəfindən seçilmiş lag-1 PM2.5 və lag-1 meteoroloji dəyişənlər.

Modelin qiymətləndirilməsi: R², RMSE, MAE və squared-error/absolute-error itkisi altında Diebold–Mariano testləri; üç ikili müqayisə üçün Bonferroni ilə düzəldilmiş α = 0,0167.

Hiperparametr optimallaşdırılması: Grid search; expanding-window rolling cross-validation; sonrakı altı aylıq doğrulama dövrləri; 100 təkrar; 48 epoch–batch–unit kombinasiyası.

Əsas proqram təminatı: R 4.6.0; Python 3.9; TensorFlow 2.16.0; R daxilində keras3 və tensorflow paketləri.

Maliyyələşdirmə: Walailak University International Mobility for Publication and Collaboration, grant WU-CIA06106/2025.

Etika komitəsi: Tətbiq olunmur.

Məlumatlandırılmış razılıq: Tətbiq olunmur.

Verilənlərin əlçatanlığı: PM2.5 verilənlər dəstləri Tayland Pollution Control Department və GISTDA mənbələrindən; meteoroloji dəyişənlər Northern Meteorological Center və Thai Meteorological Department Automatic Weather System mənbələrindən açıq şəkildə əldə edilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması bildirməmişlər.

Müəllif töhfələri: Konseptuallaşdırma və metod Nawisa Jullapech və Suttida Sangpoom; proqram təminatı həmin iki müəllif; doğrulama və formal analiz üç müəllif; resurslar Suttida Sangpoom; verilənlərin kurasiyası Nawisa Jullapech və Suttida Sangpoom; ilkin layihə Suttida Sangpoom; nəzərdən keçirmə/redaktə və vizuallaşdırma Nawisa Jullapech və Suttida Sangpoom; nəzarət və layihə idarəetməsi Suttida Sangpoom tərəfindən həyata keçirilmişdir.

Mənbədəki uyğunluq qeydi

Mənbənin Cədvəl 2-si və nəticələr mətni standart sapma baxımından Tak-ı ən aşağı dəyişkənlik göstərən vilayət kimi verir. Müzakirə bölməsinin sonrakı paraqraflarında isə Tak, Mae Hong Son ilə birlikdə ən yüksək dəyişkənliyə malik bölgələrdən biri kimi təsvir edilir və Chiang Mai-nin ən aşağı dəyişkənliyə malik olduğu yazılır. Bu ifadə Cədvəl 2-nin kəmiyyət sıralaması ilə uyğun gəlmədiyi üçün Verianla mətnində rəqəmsal volatillik qiymətləndirməsi Cədvəl 2 dəyərlərinə əsaslandırılmışdır.

Təkrarlana bilmə qeydi

Əsas məqalə grid-search aralığını və seçim metodunu bildirir, lakin hər vilayət və arxitektura üçün yekun seçilmiş epoch, batch size və hidden-unit kombinasiyasını açıq nəticə cədvəlində vermir. Əsas mətn həmçinin xüsusiyyətlərin miqyaslanması/normallaşdırılması prosedurunu və mövsüm dəyişəninin model girişinə necə kodlandığını aydın şəkildə müəyyən etmir. Bu təfərrüatlar mənbədə olmadığı üçün tamamlanmamışdır.

Elmi şərh sərhədi

Bu tədqiqat RNN, LSTM və GRU arxitekturalarının tarixi gündəlik PM2.5 verilənləri üzərində müqayisəli proqnoz performansını göstərir. Nəticələr real vaxt rejimində işləyən əməliyyat erkən xəbərdarlıq sistemi, saatlıq hava keyfiyyəti proqnozu və ya müxtəlif ölkə və stansiyalara birbaşa ümumiləşdirilmiş performans zəmanəti deyil. Xüsusilə ekstrem çirklənmə piklərinin sistematik şəkildə aşağı proqnozlaşdırılması, orta performans göstəriciləri yüksək olsa belə, kritik istifadə məhdudiyyətidir.