Bu çalışma, Kuzey Tayland'daki Mae Hong Son, Lampang, Tak ve Chiang Mai illerinde günlük ortalama PM2.5 konsantrasyonunun bir gün sonrasını tahmin etmek için standart Tekrarlayan Sinir Ağı (Recurrent Neural Network, RNN), Uzun Kısa Süreli Bellek (Long Short-Term Memory, LSTM) ve Kapılı Tekrarlayan Birim (Gated Recurrent Unit, GRU) modellerini aynı deneysel çerçevede karşılaştırmaktadır. Tekrarlayan sinir ağı, sıralı verilerde önceki zaman adımlarından taşınan gizli durumu yeni girdiyle birleştirerek zamansal bağımlılıkları öğrenen bir yapay sinir ağı sınıfıdır. Model girdileri bir önceki günün PM2.5 düzeyi ile mevsim, sıcaklık, bağıl nem, maksimum rüzgâr hızı, hava basıncı ve yağış değişkenlerinden oluşmaktadır.

Veriler 1 Ocak 2022–31 Mart 2026 dönemini kapsamaktadır. Ocak 2022–Aralık 2024 eğitim, Ocak 2025–Mart 2026 ise bağımsız test dönemi olarak ayrılmıştır. PACF analizinde temel zamansal bağımlılığın birinci gecikmede yoğunlaşması nedeniyle bütün RNN, LSTM ve GRU modellerinde lag-1 girdi yapısı kullanılmıştır. Hiperparametreler grid search ve genişleyen pencere tipi zaman serisi çapraz doğrulamasıyla seçilmiştir.

GRU, dört ilin tamamında en yüksek R² ve en düşük MAE değerini vermiş; Lampang, Tak ve Chiang Mai'de RMSE açısından da en iyi model olmuştur. Mae Hong Son'da ise en düşük RMSE LSTM tarafından elde edilmiştir. GRU'nun standart RNN'ye göre MAE avantajı Mae Hong Son'da %14,4, Lampang'da %9,5, Tak'ta %5,2 ve Chiang Mai'de yalnız %0,4'tür. Diebold–Mariano testleri, GRU'nun avantajının özellikle daha değişken serilerde belirginleştiğini, daha kararlı ortamlarda ise model farklarının küçüldüğünü göstermektedir.

Bununla birlikte bütün modeller aşırı PM2.5 tepe değerlerini sistematik biçimde düşük tahmin etmiştir. Kaynak bunu yüksek kirlilik gözlemlerinin eğitim verisinde az temsil edilmesine ve MSE kayıp fonksiyonunun tahminleri dağılımın merkezi eğilimine çekmesine bağlamaktadır. Rüzgâr yönünün, uzamsal komşulukların ve sınır ötesi taşınım göstergelerinin modele dahil edilmemesi özellikle ani duman taşınımı olaylarında ek bir sınırlılıktır.

Sonuçlar gerçek zamanlı operasyonel hava kalitesi sisteminin saha başarısını kanıtlamamaktadır. Bu çalışma geçmiş gözlemsel veriler kullanılarak yapılan bir günlük çözünürlüklü tahmin karşılaştırmasıdır ve özellikle aşırı kirlilik olaylarının erken uyarısında ek girdiler, probabilistik tahmin ve uç değerlere duyarlı kayıp fonksiyonlarıyla daha ileri doğrulama gerekmektedir.

Detaylı Açıklama

Araştırma problemi

PM2.5, aerodinamik çapı 2,5 mikrometreden küçük ince partikül maddeleri ifade eder. Kuzey Tayland'daki PM2.5 zaman serileri düzenli bir ortalama etrafında küçük salınımlar yapan basit seriler değildir. Kurak mevsimde biyokütle yanması ve bölgesel duman taşınımı nedeniyle ani ve çok yüksek zirveler oluşurken yağışlı dönemde konsantrasyonlar önemli ölçüde azalmakta ve daha kararlı hale gelmektedir.

Bu özellikler seride hem zamanla değişen ortalama hem de zamanla değişen varyans oluşturur. Kaynak bu yapıyı nonstationary ve heteroscedastic bir zaman serisi olarak değerlendirmektedir. Tahmin modeli yalnız ortalama sezon desenini öğrenmekle kalmamalı; ani rejim değişimlerine ve ekstrem piklere de yanıt verebilmelidir.

Çalışmanın araştırma boşluğu

PM2.5 tahmin literatüründe CNN, dikkat mekanizmaları, hibrit ağlar ve ensemble sistemleri giderek karmaşık hale gelmiştir. Bu araştırmanın amacı yeni ve daha karmaşık bir mimari geliştirmek değildir. Araştırmacılar bunun yerine standart RNN, LSTM ve GRU'nun aynı veri, aynı lag yapısı, aynı optimizasyon çerçevesi ve aynı test döneminde farklı volatilite rejimlerinde nasıl davrandığını izole etmeye çalışmıştır.

Bu nedenle çalışmanın ana karşılaştırma sorusu “en karmaşık mimari hangisidir?” değil, “yerel PM2.5 zaman serisinin volatilitesi değiştiğinde hangi tekrarlayan mimari daha dayanıklı tahmin davranışı gösterir?” sorusudur.

Çalışılan dört il

Bu tabloya göre nicel standart sapma sıralaması Mae Hong Son > Lampang > Chiang Mai > Tak şeklindedir. Mae Hong Son ayrıca 321 µg/m³ ile en yüksek gözlenen ekstrem değere sahiptir.

Mevsimsel yapı

Kaynağın Şekil 3'ünde bütün illerde belirgin yıllık desen görülmektedir. Şubat–Nisan döneminde kuru mevsim tepe değerleri oluşurken Mayıs–Ekim yağışlı dönemi daha düşük ve daha kararlı PM2.5 düzeyleriyle karakterizedir. Özellikle Mae Hong Son'da bazı yıllarda çok keskin kısa dönemli sıçramalar görülmektedir.

Bu yapı modelleme açısından önemlidir; çünkü aynı seride hem düşük varyanslı sakin dönemler hem de yüksek varyanslı ani kirlilik dönemleri bulunmaktadır. Tek bir ortalama hata metriği bu iki rejimdeki davranışı tam olarak özetleyemez.

Model girdileri

Rüzgâr yönü bilinçli olarak dışarıda bırakılmıştır. Kaynak, nedeni veri eksikliği ve açısal/circular bir değişkenin kodlanmasının ek modelleme karmaşıklığı yaratması olarak açıklamaktadır.

RNN, LSTM ve GRU arasındaki temel fark

Standart RNN her zaman adımında mevcut girdiyi ve önceki gizli durumu kullanarak yeni gizli durum üretir. Bu yapı kısa zaman bağımlılıklarını öğrenebilir; ancak uzun dizilerde gradyanın kaybolması sorunu oluşabilir.

LSTM, standart RNN'ye unutma, giriş ve çıkış kapıları ile ayrı bir hücre durumu ekler. Bu kapılar hangi bilginin saklanacağı, güncelleneceği veya çıktıya aktarılacağını düzenlemek için tasarlanmıştır.

GRU ise benzer bellek kontrolünü daha basit bir yapıyla gerçekleştirir. Güncelleme ve sıfırlama olmak üzere iki kapı kullanır ve ayrı bir hücre durumu taşımaz. Dolayısıyla LSTM'den daha az yapısal bileşenle kapılı bir tekrarlayan ağ oluşturur.

Çalışma mimarilerin tam gizli-durum denklemlerini ana makaleye değil Supplementary Material S1'e bırakmıştır. Yüklenen ana PDF bu denklemlerin tamamını içermediği için Verianla metni eksik mimari denklemleri yeniden üretmemektedir.

Lag-1 neden seçildi?

Autocorrelation Function (ACF), PM2.5 serilerinde ilk birkaç gecikmede güçlü pozitif korelasyon göstermiştir. Partial Autocorrelation Function (PACF) ise en baskın bağımsız ilişkinin birinci gecikmede olduğunu göstermiş ve daha yüksek gecikmelerde düzenli bir yapı görülmemiştir.

Bu nedenle araştırmacılar bütün modeller için aynı lag-1 yapısını seçmiştir. Amaç ana kısa dönem bağımlılığı korurken gereksiz girdilerin oluşturabileceği model karmaşıklığı ve overfitting riskini azaltmaktır.

GRU Neden Değişken PM2.5 Serilerinde Daha Dayanıklı Göründü?

Kaynak sonuçlarına göre GRU'nun standart RNN'ye göre avantajı özellikle ani ve yüksek değişkenlik gösteren PM2.5 serilerinde büyümüştür; en belirgin MAE kazanımı %14,4 ile Mae Hong Son'da görülürken daha kararlı koşullarda model farkları küçülmüştür. Çalışma bu örüntüyü GRU'nun kapılı durum güncellemesinin ani konsantrasyon değişikliklerine standart RNN'den daha iyi tepki verebilmesiyle ilişkilendirmektedir; ancak GRU her metrikte ve her ilde istatistiksel olarak üstün değildir.

Mae Hong Son

Mae Hong Son en yüksek standart sapmaya ve en yüksek gözlenen PM2.5 değerine sahiptir. RNN için R² = 0,9176, RMSE = 10,8048 ve MAE = 5,5031 µg/m³; LSTM için R² = 0,9201, RMSE = 10,5762 ve MAE = 4,9062 µg/m³; GRU için R² = 0,9215, RMSE = 10,6404 ve MAE = 4,7100 µg/m³ bulunmuştur.

Dolayısıyla GRU R² ve MAE açısından en iyi, LSTM ise RMSE açısından en iyidir. Mutlak hata temelli Diebold–Mariano testlerinde RNN ile iki kapılı mimari arasında anlamlı fark bulunmuş; LSTM–GRU farkı Bonferroni eşiğini geçmemiştir.

Lampang

Lampang'da GRU bütün üç metrikte en iyi sonucu üretmiştir: R² = 0,9186, RMSE = 5,5808 µg/m³ ve MAE = 3,6292 µg/m³. RNN'nin MAE değeri 4,0089 µg/m³ olduğundan GRU'nun göreli MAE azalması %9,5'tir.

Tak

Tak'ta GRU için R² = 0,8909, RMSE = 5,7621 ve MAE = 3,9702 µg/m³ bulunmuştur. RNN'ye göre MAE azalması %5,2'dir. GRU–RNN farkı hem squared-error hem absolute-error DM testlerinde anlamlıdır.

Chiang Mai

Chiang Mai'de GRU yine sayısal olarak en iyi üç metriği vermiştir: R² = 0,8689, RMSE = 6,3109 ve MAE = 4,0557 µg/m³. Ancak RNN'nin MAE değeri 4,0724 µg/m³ olduğundan fark yalnız %0,4'tür ve Diebold–Mariano testlerinin hiçbir ikili model karşılaştırmasında anlamlı fark bulunmamıştır.

Bu sonuç, daha karmaşık kapılı mimarinin her koşulda anlamlı avantaj sağlamadığını gösteren çalışmanın en önemli bulgularından biridir.

Neden Aşırı PM2.5 Tepe Değerleri Sistematik Olarak Düşük Tahmin Edildi?

Çalışmaya göre aşırı kirlilik gözlemleri toplam eğitim verisine göre seyrektir ve MSE kayıp fonksiyonu büyük hataları karesel olarak cezalandırmasına rağmen optimizasyon sürecini veri dağılımının daha sık görülen merkezi değerlerine doğru yönelterek tahmin eğrisini yumuşatmaktadır; buna rüzgâr yönü, sınır ötesi duman taşınımı ve güncel uzamsal bilgi eksikliği de eklenince ani ekstrem PM2.5 sıçramaları modeller tarafından tam büyüklükleriyle öngörülememektedir.

Bu başarısızlık biçimi özellikle erken uyarı açısından önemlidir. Ortalama MAE veya RMSE'nin düşük olması, nadir fakat sağlık açısından kritik ekstrem olayların doğru tahmin edildiğini garanti etmez.

Yazarlar gelecekte asymmetric veya quantile-based loss kullanılması, underprediction'ın daha yüksek cezalandırılması ya da standart MSE çıkışı yerine parametric extreme-value distribution kullanan yöntemlerin değerlendirilmesini önermektedir.

Rüzgâr yönünün eksikliği neden kritik?

Rüzgâr hızı atmosferik karışımın ne kadar güçlü olduğunu gösterebilir; ancak hava kütlesinin kirli bir yangın bölgesinden mi yoksa temiz bir yönden mi geldiğini göstermez. Özellikle Myanmar sınırına yakın alanlarda uzun mesafeli duman taşınımını önceden belirlemek için yön bilgisi önemlidir.

Mevcut model sınır ötesi duman olayını doğrudan öngörebilecek bir taşıma değişkeni taşımadığından, PM2.5 artışı ancak önceki günün PM2.5 girişine yansıdıktan sonra tepki verebilir.

Kaynak içindeki volatilite sıralaması tutarsızlığı

Tablo 2'de standart sapmalar Mae Hong Son 39,49, Lampang 27,00, Chiang Mai 24,71 ve Tak 21,40 µg/m³ olarak verilmiştir. Buna göre ölçülen günlük PM2.5 standart sapması açısından Tak en düşük, Mae Hong Son en yüksek değişkenliğe sahiptir.

Tartışmanın ilerleyen bölümünde ise Mae Hong Son ile Tak'ın en yüksek değişkenliğe sahip olduğu ve Chiang Mai'nin en düşük değişkenlik gösterdiği ifade edilmektedir. Bu ifadeler Tablo 2'nin nicel değerleriyle uyumlu değildir. Bu nedenle burada “volatilite” denildiğinde sayısal standart sapma için Tablo 2 değerleri esas alınmakta, sınır bölgesi/topografya yorumu ise ayrı bir fiziksel bağlam olarak korunmaktadır.

Çalışmanın Yöntemi ve Bulguları

Veri kaynakları

PM2.5 verileri Tayland Pollution Control Department, Air Quality and Noise Management Bureau ve GISTDA kaynaklarından alınmıştır. Kaynak makale, karasal istasyonlarda beta-ray attenuation, ışık saçılması ve gravimetrik referans yöntemlerinin kullanıldığını; GISTDA tarafında ise Himawari, MODIS, VIIRS, GEMS ve Sentinel-5P gibi uydu kaynaklarının aerosol optical depth bilgileriyle destek sağladığını açıklamaktadır.

Meteorolojik veriler Northern Meteorological Center ve Thai Meteorological Department Automatic Weather System kaynaklarından sağlanmıştır.

İstasyonlar

Veri ön işleme

Eksik veri oranlarının tüm illerde %5'in altında olması nedeniyle eksik gözlemler çıkarılmış ve complete-case veri kullanılmıştır. Kaynak “cleaning and transformation” aşamasını iş akışında göstermektedir; ancak özelliklerin standartlaştırılması, min–max ölçeklenmesi veya başka bir normalization işlemi uygulanıp uygulanmadığını ana yöntem metninde ayrıntılı biçimde raporlamamaktadır.

Benzer biçimde “season” değişkeninin modele sayısal, dummy veya başka bir kategorik kodlamayla nasıl verildiği ana makalede açıkça belirtilmemiştir. Bu ayrıntılar uydurularak tamamlanmamıştır.

Eğitim, doğrulama ve test

Ana eğitim dönemi Ocak 2022–Aralık 2024'tür. Nihai test dönemi Ocak 2025–Mart 2026'dır.

Hiperparametre seçiminde expanding-window rolling cross-validation uygulanmıştır. Her yeni fold'da eğitim kümesi geçmişteki bütün mevcut gözlemleri içerecek biçimde genişletilmiş ve hemen sonrasındaki altı aylık dönem validasyon için kullanılmıştır. Böylece gelecekteki gözlemlerin geçmiş eğitim örneklerine sızması engellenmiştir.

Çapraz doğrulama 100 kez tekrarlanmış; her konfigürasyonun fold ve tekrarlar boyunca ortalama validasyon kaybı değerlendirilmiştir.

Hiperparametre arama uzayı

Epoch × batch size × hidden-unit kombinasyonu 4 × 3 × 4 = 48 farklı seçenek üretmektedir. Kaynak hangi 48 kombinasyondan hangisinin her il/model için nihai olarak seçildiğini ana tabloda göstermemektedir.

Yazılım ve tekrarlanabilirlik

Model geliştirme R programlama ortamında keras3 ve tensorflow paketleriyle yapılmıştır. Kaynak R 4.6.0, Python 3.9 ve TensorFlow 2.16.0 için deterministic seed yapılandırması kullanıldığını belirtmektedir.

Kayıp fonksiyonu

Standart RNN için eğitimde toplam karesel hata:

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

minimize edilmiştir. Burada \(y_t\) gözlenen hedef, \(o_t^L\) ise uzunluğu \(L\) olan dizinin son tahmin çıktısıdır.

LSTM ve GRU için kaynak aynı karesel hata mantığını:

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

biçiminde vermekte ve \(h_t\)'yi güncellenmiş gizli durum veya çıktı vektörü olarak tanımlamaktadır.

R²

Katsayı belirleme metriği:

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

şeklindedir. \(R^2\), tahmin modelinin gözlenen PM2.5 değişkenliğini ortalama tahmine kıyasla ne ölçüde açıkladığını ifade eder. Bu çalışmada daha yüksek değer daha iyi uyuma karşılık gelir.

RMSE

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

RMSE'nin birimi PM2.5 ile aynıdır: µg/m³. Hataların karesini kullandığından büyük tahmin hatalarına MAE'den daha fazla ağırlık verir.

MAE

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

MAE yine µg/m³ birimindedir ve tahmin ile gözlem arasındaki mutlak farkların ortalamasını verir.

Diebold–Mariano testi

R², RMSE ve MAE'nin sayısal sıralaması tek başına iki modelin tahmin hata serilerinin istatistiksel olarak farklı olduğunu göstermez. Bu nedenle kaynak, modelleri Diebold–Mariano testiyle ikili olarak karşılaştırmıştır.

Her ilde RNN–LSTM, RNN–GRU ve LSTM–GRU olmak üzere üç karşılaştırma yapıldığından aile-düzeyi hata oranını kontrol etmek için Bonferroni düzeltilmiş anlamlılık eşiği:

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

olarak kullanılmıştır. DM testi squared-error ve absolute-error olmak üzere iki farklı kayıp tanımı altında uygulanmıştır.

Test setindeki bütün performans değerleri

GRU'nun RNN'ye göre MAE değişimi

DM testlerinin ana mesajı

Mae Hong Son'da absolute-error kaybı altında RNN–GRU farkı anlamlıdır; LSTM–GRU farkı anlamlı değildir. Lampang'da RNN–GRU farkı hem squared-error hem absolute-error altında anlamlıdır. Tak'ta da GRU ile RNN arasında iki kayıp tanımında anlamlı fark vardır. Chiang Mai'de hiçbir ikili karşılaştırma Bonferroni düzeltilmiş anlamlılık sınırını geçmemiştir.

Dolayısıyla performans tablosunda küçük sayısal farkların görülmesi tek başına bilimsel olarak “model üstünlüğü” anlamına gelmemektedir.

Tahmin bantları

Kaynağın Şekil 6–9'u, tahmin değerlerinin 500 tekrara dayanan bantlarını göstermektedir. Mae Hong Son'daki bantlar özellikle yoğun kirlilik dönemlerinde daha geniş, Lampang ve Tak'ta daha kompakt, Chiang Mai'de ise genel olarak kararlıdır. GRU birçok yüksek-kirlilik döneminde nispeten daha dar bantlar göstermektedir.

Ana makale 500 tekrar bilgisini açıkça vermesine rağmen bu bantların oluşturulmasında kullanılan tam yeniden örnekleme veya stokastik tekrar prosedürünü yöntem bölümünde ayrıntılı biçimde açıklamamaktadır. Bu nedenle bantlar kaynakta “probabilistik tahmin dağılımı” olarak değil, tekrarlı model çalıştırmalarından elde edilen tahmin değişkenliği olarak değerlendirilmelidir.

Taylor diyagramları

Şekil 10, gözlem ve tahmin arasındaki korelasyon, standart sapma ve centred RMSE'yi tek diyagramda birleştirmektedir. Model noktalarının dört ilde de birbirine yakın kümelenmesi, RNN, LSTM ve GRU arasındaki farkların genel performans uzayında çok büyük olmadığını göstermektedir.

GRU ve LSTM bazı illerde gözlem referansına biraz daha yakın görünmekle birlikte Taylor diyagramları tek başına bütün coğrafyalarda tek bir açık kazanan göstermemektedir.

Çalışmanın desteklediği sonuçlar

GRU, özellikle yüksek değişkenlik ve ani konsantrasyon sıçramaları bulunan günlük PM2.5 serilerinde standart RNN'ye göre daha dayanıklı tahmin davranışı göstermiştir. Avantajın büyüklüğü il ve hata metriğine göre değişmektedir.

Kapılı mimarilerin yararı daha sakin zaman serilerinde küçülmektedir. Chiang Mai testinde üç model arasında Diebold–Mariano testleriyle anlamlı fark bulunmaması, mimari karmaşıklığın tek başına performans üstünlüğü sağlamadığını desteklemektedir.

Lag-1 girdisi dört ilin tamamında güçlü kısa dönem bağımlılığı yakalamak için kullanılabilir bir ortak temel oluşturmuştur.

Bütün modeller genel mevsimsel PM2.5 örüntüsünü yakalayabilmesine rağmen ekstrem tepe değerlerini tam olarak temsil edememektedir.

Çalışmanın desteklemediği sonuçlar

GRU'nun bütün PM2.5 tahmin problemlerinde veya bütün coğrafyalarda en iyi model olduğu gösterilmemiştir.

GRU, Mae Hong Son'da bütün metriklerde en iyi değildir; en düşük RMSE LSTM tarafından elde edilmiştir.

Çalışma gerçek zamanlı operasyonel erken uyarı sisteminin saha performansını test etmemiştir.

Model sonuçları saatlik veya dakika ölçekli kirlilik olaylarının tahmin performansını göstermez; hedef günlük 24 saat ortalama PM2.5'tir.

Model transboundary duman taşınımını fiziksel atmosfer modeliyle çözmemektedir.

Rüzgâr yönü, hava kütlesi geri-yörüngeleri, komşu istasyonlar ve uzamsal uydu göstergeleri girdi olarak kullanılmamıştır.

Grafiklerde tahmin bantları bulunmasına rağmen modeller doğrudan probabilistik PM2.5 dağılım tahmini üreten modeller değildir.

Temel yöntemsel sınırlılıklar

Birinci sınırlılık, rüzgâr yönünün girdi setinden çıkarılmış olmasıdır. Bu durum özellikle sınır ötesi dumanın kaynağa göre yönlü olarak taşındığı Mae Hong Son ve Tak gibi alanlarda eksik bilgi yaratabilir.

İkinci sınırlılık, yalnız tek istasyonun zaman serisinin ve yerel meteorolojinin modellenmesidir. Komşu istasyonlar, satellite-derived değişkenler ve bölgesel atmosferik dolaşım açık biçimde modellenmemiştir.

Üçüncü sınırlılık, günlük ortalamadır. 24 saatlik ortalama saat içi ve gün içi pikleri yumuşattığından çalışma sub-daily dinamiği temsil etmez.

Dördüncü sınırlılık MSE kaybıdır. Nadir ekstrem gözlemlerin dağılım içinde az bulunmasıyla birlikte MSE eğitimi tahminleri ortalama değerlere doğru çekerek en yüksek tepe noktalarını bastırmıştır.

Beşinci sınırlılık, bütün meteorolojik girdilerin gün t−1 gözlemleri olmasıdır. Günler arasında hava koşullarının çok hızlı değiştiği olaylarda önceki günün meteorolojisi ertesi günün koşullarını yeterince temsil etmeyebilir.

Altıncı sınırlılık yeniden üretilebilirlik ayrıntılarıdır. Ana makale hiperparametre arama uzayını verir ancak her nihai modelin seçilen epoch, batch size ve hidden-unit değerlerini raporlamaz. Özellik ölçekleme ve mevsim kodlaması da ana metinde yeterince açıklanmamaktadır.

Gelecek çalışma yönleri

Kaynak; transformer, convolutional ve ensemble mimarileri; spatiotemporal modelleme; uydu değişkenleri; komşu istasyonlar; probabilistik tahmin; saatlik çözünürlük; quantile/asymmetric loss ve ekstrem değer dağılımları üzerinde gelecekte çalışma önermektedir.

Özellikle rüzgâr yönü, hava kütlesi geri-yörüngeleri ve sınır ötesi yangın göstergeleri, modelin dumanı yalnız PM2.5 yükseldikten sonra fark etmek yerine yaklaşan taşınımı önceden algılamasına yönelik en doğrudan geliştirme yollarından biri olarak tartışılmaktadır.

Kaynak ve Yöntem Notu

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

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

Sorumlu yazar: Suttida Sangpoom.

Kurumlar: 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.

Dergi ve yayın kimliği: Forecasting, 2026, Cilt 8, Sayı 5, Makale 80. Yayınevi: MDPI. DOI: 10.3390/forecast8050080.

Yayın süreci: Alınma 22 Haziran 2026; revizyon 23 Ağustos 2026; kabul 25 Ağustos 2026; yayın 8 Eylül 2026.

Kaynak türü: Hakemli, açık erişimli, gözlemsel çevresel zaman serisi verileri üzerinde karşılaştırmalı derin öğrenme tahmin araştırmasıdır.

Lisans: Creative Commons Attribution (CC BY).

Çalışma coğrafyası: Mae Hong Son, Lampang, Tak ve Chiang Mai; Kuzey Tayland.

Veri dönemi: 1 Ocak 2022–31 Mart 2026.

Tahmin ufku: Bir gün sonrası günlük ortalama PM2.5.

Modeller: RNN, LSTM ve GRU.

Girdi yapısı: PACF tarafından seçilen lag-1 PM2.5 ve lag-1 meteorolojik değişkenler.

Model değerlendirmesi: R², RMSE, MAE ve squared-error/absolute-error kaybı altında Diebold–Mariano testleri; üç ikili karşılaştırma için Bonferroni düzeltilmiş α = 0,0167.

Hiperparametre optimizasyonu: Grid search; expanding-window rolling cross-validation; izleyen altı aylık validasyon dönemleri; 100 tekrar; 48 epoch–batch–unit kombinasyonu.

Temel yazılım: R 4.6.0; Python 3.9; TensorFlow 2.16.0; R içinde keras3 ve tensorflow paketleri.

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

Etik kurul: Uygulanabilir değildir.

Bilgilendirilmiş onam: Uygulanabilir değildir.

Veri erişilebilirliği: PM2.5 veri setleri Tayland Pollution Control Department ve GISTDA kaynaklarından; meteorolojik değişkenler Northern Meteorological Center ve Thai Meteorological Department Automatic Weather System kaynaklarından kamuya açık olarak elde edilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Kavramsallaştırma ve yöntem Nawisa Jullapech ile Suttida Sangpoom; yazılım aynı iki yazar; doğrulama ve biçimsel analiz üç yazar; kaynaklar Suttida Sangpoom; veri düzenleme Nawisa Jullapech ve Suttida Sangpoom; ilk taslak Suttida Sangpoom; gözden geçirme/düzenleme ve görselleştirme Nawisa Jullapech ile Suttida Sangpoom; gözetim ve proje yönetimi Suttida Sangpoom tarafından yürütülmüştür.

Kaynak içindeki tutarlılık notu

Kaynak Tablo 2 ve sonuç metni, standart sapma açısından Tak'ı en düşük değişkenlik gösteren il olarak vermektedir. Tartışma bölümünün daha sonraki paragraflarında ise Tak, Mae Hong Son ile birlikte en yüksek değişkenliğe sahip bölgelerden biri olarak tanımlanmakta ve Chiang Mai'nin en düşük değişkenliğe sahip olduğu yazılmaktadır. Bu anlatım nicel Tablo 2 sıralamasıyla uyuşmadığından Verianla metninde sayısal volatilite değerlendirmesi Tablo 2 değerlerine dayandırılmıştır.

Yeniden üretilebilirlik notu

Ana makale grid-search aralığını ve seçme yöntemini raporlamakta, ancak her il ve mimari için nihai seçilmiş epoch, batch size ve hidden-unit kombinasyonunu açık bir sonuç tablosunda vermemektedir. Ana metin ayrıca özellik ölçekleme/normalizasyon prosedürünü ve mevsim değişkeninin model girdisine nasıl kodlandığını açıkça tanımlamamaktadır. Bu ayrıntılar kaynakta bulunmadığı için tamamlanmamıştır.

Bilimsel yorum sınırı

Bu çalışma RNN, LSTM ve GRU mimarilerinin tarihsel günlük PM2.5 verileri üzerindeki karşılaştırmalı tahmin performansını göstermektedir. Sonuçlar gerçek zamanlı operasyonel erken uyarı sistemi, saatlik hava kalitesi tahmini veya farklı ülke ve istasyonlara doğrudan genellenmiş performans garantisi değildir. Özellikle ekstrem kirlilik piklerinin sistematik düşük tahmini, ortalama performans metrikleri yüksek olsa bile kritik bir kullanım sınırıdır.