Бул изилдөө Түндүк Таиланддагы Mae Hong Son, Lampang, Tak жана Chiang Mai провинцияларында күнүмдүк орточо PM2.5 концентрациясынын бир күн кийинки маанисин божомолдоо үчүн стандарттуу рекурренттик нейрондук тармак (Recurrent Neural Network, RNN), узак-кыска мөөнөттүү эс тутум (Long Short-Term Memory, LSTM) жана дарбазалуу рекурренттик бирдик (Gated Recurrent Unit, GRU) моделдерин бирдей эксперименттик алкакта салыштырат. Рекурренттик нейрондук тармак — иреттүү маалыматтарда мурунку убакыт кадамдарынан өткөрүлгөн жашыруун абалды жаңы киргизүү менен бириктирип, убакыттык көз карандылыктарды үйрөнүүчү жасалма нейрондук тармактардын классы. Моделдин кириштери мурунку күндүн PM2.5 деңгээлинен жана мезгил, температура, салыштырмалуу нымдуулук, шамалдын максималдуу ылдамдыгы, аба басымы жана жаан-чачын өзгөрмөлөрүнөн турат.

Маалыматтар 1-январь 2022–31-март 2026 мезгилин камтыйт. Январь 2022–декабрь 2024 окутуу, ал эми январь 2025–март 2026 көз карандысыз тест мезгили катары бөлүнгөн. PACF анализинде негизги убакыттык көз карандылык биринчи кечигүүгө топтолгону үчүн бардык RNN, LSTM жана GRU моделдеринде lag-1 кириш түзүмү колдонулган. Гиперпараметрлер grid search жана кеңейүүчү терезе түрүндөгү убакыт катарынын кайчылаш валидациясы аркылуу тандалган.

GRU төрт провинциянын баарында эң жогорку R² жана эң төмөн MAE маанисин берген; Lampang, Tak жана Chiang Mai үчүн RMSE боюнча да эң мыкты модель болгон. Mae Hong Son үчүн болсо эң төмөн RMSE LSTM тарабынан алынган. GRU-нун стандарттуу RNNге салыштырмалуу MAE артыкчылыгы Mae Hong Son үчүн %14,4, Lampang үчүн %9,5, Tak үчүн %5,2 жана Chiang Mai үчүн болгону %0,4 болгон. Diebold–Mariano тесттери GRU-нун артыкчылыгы өзгөчө өзгөрмөлүүлүгү жогору катарларда даана байкаларын, туруктуураак шарттарда болсо моделдердин айырмасы азаярын көрсөтөт.

Ошентсе да бардык моделдер PM2.5 көрсөткүчүнүн өтө жогорку чокуларын системалуу түрдө төмөн божомолдошкон. Булак муну жогорку булгануу байкоолорунун окутуу маалыматтарында аз көрсөтүлүшү жана MSE жоготуу функциясынын божомолдорду бөлүштүрүүнүн борбордук тенденциясына тартуусу менен байланыштырат. Шамал багытынын, мейкиндиктик коңшулуктардын жана чек ара аралык ташылуу көрсөткүчтөрүнүн моделге киргизилбеши, айрыкча түтүндүн күтүүсүз ташылуу окуяларында, кошумча чектөө болуп саналат.

Натыйжалар реалдуу убакыттагы операциялык аба сапаты тутумунун талаадагы ийгилигин далилдебейт. Бул изилдөө тарыхый байкоо маалыматтары менен жүргүзүлгөн бир күндүк чечилиш деңгээлиндеги божомол салыштыруусу болуп саналат жана өзгөчө өтө күчтүү булгануу окуяларын эрте эскертүү үчүн кошумча кириштер, ыктымалдык божомол жана четки маанилерге сезимтал жоготуу функциялары менен мындан аркы валидацияны талап кылат.

Кеңири Түшүндүрмө

Изилдөө маселеси

PM2.5 аэродинамикалык диаметри 2,5 микрометрден кичине болгон майда бөлүкчөлүү заттарды билдирет. Түндүк Таиланддагы PM2.5 убакыт катарлары туруктуу орточонун айланасында гана майда термелүүлөрдү көрсөткөн жөнөкөй катарлар эмес. Кургак мезгилде биомассанын күйүшү жана аймактык түтүн ташылуусу себептүү күтүүсүз жана өтө бийик чокулар пайда болот, ал эми жаанчыл мезгилде концентрациялар кыйла төмөндөп, туруктуураак болуп калат.

Бул өзгөчөлүктөр катарда убакыт боюнча өзгөрүүчү орточону да, убакыт боюнча өзгөрүүчү дисперсияны да түзөт. Булак бул түзүмдү стационардык эмес жана гетероскедастикалык убакыт катары катары баалайт. Божомол модели орточо сезондук үлгүнү гана үйрөнбөстөн, режимдин күтүүсүз өзгөрүшүнө жана экстремалдык чокуларга да жооп бере алышы керек.

Изилдөөнүн изилдөө боштугу

PM2.5 божомолдоо адабиятында CNN, көңүл буруу механизмдери, гибриддик тармактар жана ensemble тутумдары барган сайын татаалдашкан. Бул изилдөөнүн максаты жаңы жана андан да татаал архитектураны иштеп чыгуу эмес. Анын ордуна изилдөөчүлөр стандарттуу RNN, LSTM жана GRU бир эле маалымат, бир эле lag түзүмү, бир эле оптималдаштыруу алкагы жана бир эле тест мезгили шартында ар кандай волатилдүүлүк режимдеринде кандай иштээрин өзүнчө ажыратып кароого аракет кылышкан.

Ошондуктан изилдөөнүн негизги салыштыруу суроосу “эң татаал архитектура кайсы?” эмес, “жергиликтүү PM2.5 убакыт катарынын волатилдүүлүгү өзгөргөндө кайсы рекурренттик архитектура туруктуураак божомол жүрүм-турумун көрсөтөт?” деген суроо.

Изилденген төрт провинция

Бул таблица боюнча сандык стандарттык четтөөнүн ирети Mae Hong Son > Lampang > Chiang Mai > Tak түрүндө. Mae Hong Son ошондой эле 321 µg/m³ менен байкалган эң жогорку экстремалдык мааниге ээ.

Сезондук түзүм

Булактын 3-сүрөтүндө бардык провинцияларда так жылдык үлгү көрүнөт. Февраль–апрель аралыгында кургак мезгилдин чокулары пайда болсо, май–октябрь жаанчыл мезгили PM2.5 көрсөткүчүнүн төмөнүрөөк жана туруктуураак деңгээлдери менен мүнөздөлөт. Өзгөчө Mae Hong Son аймагында айрым жылдары өтө кескин кыска мөөнөттүү секириктер байкалат.

Бул түзүм моделдөө үчүн маанилүү; анткени бир эле катарда дисперсиясы төмөн тынч мезгилдер да, дисперсиясы жогору күтүүсүз булгануу мезгилдери да бар. Бир гана орточо ката метрикасы бул эки режимдеги жүрүм-турумду толук жыйынтыктай албайт.

Моделдин кириштери

Шамалдын багыты атайылап сыртта калтырылган. Булак мунун себебин маалыматтын жетишсиздиги жана бурчтук/circular өзгөрмөнү коддоо кошумча моделдөө татаалдыгын жаратышы менен түшүндүрөт.

RNN, LSTM жана GRU ортосундагы негизги айырма

Стандарттуу RNN ар бир убакыт кадамында учурдагы киришти жана мурунку жашыруун абалды колдонуп жаңы жашыруун абалды түзөт. Бул түзүм кыска убакыттык көз карандылыктарды үйрөнө алат; бирок узун ырааттуулуктарда градиенттин жоголушу көйгөйү пайда болушу мүмкүн.

LSTM стандарттуу RNNге унутуу, кириш жана чыгыш дарбазаларын, ошондой эле өзүнчө уяча абалын кошот. Бул дарбазалар кайсы маалымат сакталарын, жаңыртыларын же чыгышка өткөрүлөрүн жөнгө салуу үчүн иштелип чыккан.

GRU болсо ушуга окшош эс тутум көзөмөлүн жөнөкөй түзүм менен ишке ашырат. Ал жаңыртуу жана баштапкы абалга келтирүү деген эки дарбазаны колдонот жана өзүнчө уяча абалын алып жүрбөйт. Ошондуктан LSTMге караганда азыраак түзүмдүк компонент менен дарбазалуу рекурренттик тармак түзөт.

Изилдөө архитектуралардын толук жашыруун-абал теңдемелерин негизги макалага эмес, Supplementary Material S1ге калтырган. Жүктөлгөн негизги PDF бул теңдемелердин баарын камтыбагандыктан, Verianla тексти жетишпеген архитектуралык теңдемелерди кайра түзбөйт.

Lag-1 эмне үчүн тандалды?

Autocorrelation Function (ACF) PM2.5 катарларында алгачкы бир нече кечигүүдө күчтүү оң корреляцияны көрсөткөн. Partial Autocorrelation Function (PACF) болсо эң басымдуу көз карандысыз байланыш биринчи кечигүүдө экенин көрсөтүп, жогорку кечигүүлөрдө туруктуу түзүм байкалган эмес.

Ошондуктан изилдөөчүлөр бардык моделдер үчүн бирдей lag-1 түзүмүн тандашкан. Максат негизги кыска мөөнөттүү көз карандылыкты сактоо менен керексиз кириштер жаратышы мүмкүн болгон модель татаалдыгын жана overfitting тобокелдигин азайтуу.

GRU Өзгөрмөлүү PM2.5 Катарларында Эмне Үчүн Туруктуураак Көрүндү?

Булактын натыйжалары боюнча GRU-нун стандарттуу RNNге салыштырмалуу артыкчылыгы айрыкча күтүүсүз жана жогорку өзгөрмөлүүлүккө ээ PM2.5 катарларында өскөн; эң көрүнүктүү MAE утушу %14,4 менен Mae Hong Son аймагында байкалган, ал эми туруктуураак шарттарда моделдердин айырмасы азайган. Изилдөө бул үлгүнү GRU-нун дарбазалуу абал жаңыртуусу концентрациянын күтүүсүз өзгөрүшүнө стандарттуу RNNге караганда жакшыраак жооп бере алышы менен байланыштырат; бирок GRU ар бир метрикада жана ар бир провинцияда статистикалык жактан артык эмес.

Mae Hong Son

Mae Hong Son эң жогорку стандарттык четтөөгө жана байкалган эң жогорку PM2.5 маанисине ээ. RNN үчүн R² = 0,9176, RMSE = 10,8048 жана MAE = 5,5031 µg/m³; LSTM үчүн R² = 0,9201, RMSE = 10,5762 жана MAE = 4,9062 µg/m³; GRU үчүн R² = 0,9215, RMSE = 10,6404 жана MAE = 4,7100 µg/m³ табылган.

Демек, R² жана MAE боюнча GRU эң жакшы, ал эми RMSE боюнча LSTM эң жакшы. Абсолюттук катага негизделген Diebold–Mariano тесттеринде RNN менен эки дарбазалуу архитектуранын ортосунда маанилүү айырма табылган; LSTM–GRU айырмасы Bonferroni босогосунан өткөн эмес.

Lampang

Lampang аймагында GRU үч метриканын баарында эң жакшы натыйжаны берген: R² = 0,9186, RMSE = 5,5808 µg/m³ жана MAE = 3,6292 µg/m³. RNNдин MAE мааниси 4,0089 µg/m³ болгондуктан, GRU-нун салыштырмалуу MAE азайышы %9,5.

Tak

Tak аймагында GRU үчүн R² = 0,8909, RMSE = 5,7621 жана MAE = 3,9702 µg/m³ табылган. RNNге салыштырмалуу MAE азайышы %5,2. GRU–RNN айырмасы squared-error жана absolute-error DM тесттеринин экөөндө тең маанилүү.

Chiang Mai

Chiang Mai аймагында GRU сандык жактан кайрадан үч метриканын баарында эң жакшы болгон: R² = 0,8689, RMSE = 6,3109 жана MAE = 4,0557 µg/m³. Бирок RNNдин MAE мааниси 4,0724 µg/m³ болгондуктан, айырма болгону %0,4 жана Diebold–Mariano тесттеринин эч бир жуптук модель салыштыруусунда маанилүү айырма табылган эмес.

Бул натыйжа татаалыраак дарбазалуу архитектура бардык шартта маанилүү артыкчылык бербей турганын көрсөткөн изилдөөнүн эң маанилүү табылгаларынын бири.

PM2.5 көрсөткүчүнүн Экстремалдык Чокулары Эмне Үчүн Системалуу Түрдө Төмөн Божомолдонду?

Изилдөөгө ылайык экстремалдык булгануу байкоолору жалпы окутуу маалыматтарына салыштырмалуу сейрек жана MSE жоготуу функциясы чоң каталарды квадраттык түрдө жазаласа да, оптималдаштыруу процессин маалымат бөлүштүрүүсүнүн көбүрөөк кездешкен борбордук маанилерине багыттап, божомол ийри сызыгын жылмакай кылат; буга шамал багыты, чек ара аралык түтүн ташылуусу жана учурдагы мейкиндиктик маалыматтын жетишсиздиги кошулганда, PM2.5 көрсөткүчүнүн күтүүсүз экстремалдык секириктери моделдер тарабынан толук чоңдугу менен алдын ала айтылбай калат.

Мындай ийгиликсиздик өзгөчө эрте эскертүү үчүн маанилүү. Орточо MAE же RMSE төмөн болушу сейрек, бирок ден соолук үчүн өтө маанилүү экстремалдык окуялар туура божомолдонгонун кепилдебейт.

Авторлор келечекте asymmetric же quantile-based loss колдонуу, underprediction үчүн жогорураак жаза берүү же стандарттуу MSE чыгышынын ордуна parametric extreme-value distribution колдонгон ыкмаларды баалоону сунушташат.

Шамал багытынын жоктугу эмне үчүн маанилүү?

Шамал ылдамдыгы атмосфералык аралашуунун канчалык күчтүү экенин көрсөтүшү мүмкүн; бирок аба массасы булганган өрт аймагынан келдиби же таза багыттан келдиби — муну көрсөтпөйт. Айрыкча Myanmar чек арасына жакын жерлерде алыскы түтүн ташылуусун алдын ала аныктоо үчүн багыт маалыматы маанилүү.

Учурдагы модель чек ара аралык түтүн окуясын түздөн-түз божомолдой ала турган ташылуу өзгөрмөсүнө ээ болбогондуктан, PM2.5 көбөйүшүнө ал мурунку күндүн PM2.5 киришинде чагылгандан кийин гана жооп бере алат.

Булактагы волатилдүүлүк иретинин дал келбестиги

2-таблицада стандарттык четтөөлөр Mae Hong Son 39,49, Lampang 27,00, Chiang Mai 24,71 жана Tak 21,40 µg/m³ деп берилген. Демек өлчөнгөн күнүмдүк PM2.5 стандарттык четтөөсү боюнча Tak эң төмөн, Mae Hong Son эң жогорку өзгөрмөлүүлүккө ээ.

Талкуунун кийинки бөлүгүндө болсо Mae Hong Son менен Tak эң жогорку өзгөрмөлүүлүккө ээ, ал эми Chiang Mai эң төмөн өзгөрмөлүүлүктү көрсөтөт деп айтылат. Бул билдирүүлөр 2-таблицанын сандык маанилерине туура келбейт. Ошондуктан бул жерде “волатилдүүлүк” дегенде сандык стандарттык четтөө үчүн 2-таблицанын маанилери негизге алынат, ал эми чек ара аймагы/топография боюнча түшүндүрмө өзүнчө физикалык контекст катары сакталат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалымат булактары

PM2.5 маалыматтары Таиланддын Pollution Control Department, Air Quality and Noise Management Bureau жана GISTDA булактарынан алынган. Булак макала кургактагы станцияларда beta-ray attenuation, жарык чачыроо жана гравиметриялык эталон ыкмалары колдонулганын; GISTDA тарабынан болсо Himawari, MODIS, VIIRS, GEMS жана Sentinel-5P сыяктуу спутник булактарынын aerosol optical depth маалыматтары менен колдоо көрсөтүлгөнүн түшүндүрөт.

Метеорологиялык маалыматтар Northern Meteorological Center жана Thai Meteorological Department Automatic Weather System булактарынан алынган.

Станциялар

Маалыматты алдын ала иштетүү

Бардык провинцияларда жетишпеген маалымат үлүшү %5 деңгээлинен төмөн болгондуктан, жетишпеген байкоолор алып салынган жана complete-case маалыматтар колдонулган. Булак иш агымында “cleaning and transformation” баскычын көрсөтөт; бирок белгилер стандартташтырылдыбы, min–max масштабдоо же башка normalization колдонулдубу — муну негизги ыкма текстинде толук баяндайт эмес.

Ошол сыяктуу “season” өзгөрмөсү моделге сандык, dummy же башка категориялык коддоо менен кандай берилгени негизги макалада так көрсөтүлгөн эмес. Бул деталдар ойдон чыгарылып толукталган жок.

Окутуу, валидация жана тест

Негизги окутуу мезгили январь 2022–декабрь 2024. Акыркы тест мезгили январь 2025–март 2026.

Гиперпараметр тандоодо expanding-window rolling cross-validation колдонулган. Ар бир жаңы foldдо окутуу жыйындысы өткөндөгү бардык жеткиликтүү байкоолорду камтыгыдай кеңейтилген жана андан кийинки алты айлык мезгил валидация үчүн пайдаланылган. Ошентип, келечектеги байкоолордун өткөн окутуу үлгүлөрүнө агып кирүүсү алдын алынган.

Кайчылаш валидация 100 жолу кайталанган; ар бир конфигурациянын foldдор жана кайталоолор боюнча орточо валидация жоготуусу бааланган.

Гиперпараметр издөө мейкиндиги

Epoch × batch size × hidden-unit комбинациясы 4 × 3 × 4 = 48 ар башка вариантты түзөт. Булак 48 комбинациянын кайсынысы ар бир провинция/модель үчүн акырында тандалганын негизги таблицада көрсөтпөйт.

Программалык камсыздоо жана кайталанма өндүрүмдүүлүк

Модель R программалоо чөйрөсүндө keras3 жана tensorflow пакеттерин колдонуу менен иштелип чыккан. Булак R 4.6.0, Python 3.9 жана TensorFlow 2.16.0 үчүн deterministic seed конфигурациясы колдонулганын билдирет.

Жоготуу функциясы

Стандарттуу RNN үчүн окутууда жалпы квадраттык ката:

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

минималдаштырылган. Бул жерде \(y_t\) — байкалган максат, ал эми \(o_t^L\) — узундугу \(L\) болгон ырааттуулуктун акыркы божомол чыгышы.

LSTM жана GRU үчүн булак ошол эле квадраттык ката логикасын:

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

түрүндө берет жана \(h_t\)ти жаңыртылган жашыруун абал же чыгыш вектору катары аныктайт.

R²

Детерминация коэффициентинин метрикасы:

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

түрүндө. \(R^2\) божомол модели байкалган PM2.5 өзгөрмөлүүлүгүн орточо божомолго салыштырмалуу канчалык деңгээлде түшүндүрөрүн билдирет. Бул изилдөөдө жогору маани жакшыраак дал келүүгө туура келет.

RMSE

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

RMSEнин бирдиги PM2.5 менен бирдей: µg/m³. Каталардын квадратын колдонгондуктан, чоң божомол каталарына MAEге караганда көбүрөөк салмак берет.

MAE

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

MAE да µg/m³ бирдигинде жана божомол менен байкоонун ортосундагы абсолюттук айырмалардын орточосун берет.

Diebold–Mariano тести

R², RMSE жана MAEнин сандык ирети эле эки моделдин божомол ката катарлары статистикалык жактан айырмаланарын көрсөтпөйт. Ошондуктан булак моделдерди Diebold–Mariano тести менен жуп-жуп салыштырган.

Ар бир провинцияда RNN–LSTM, RNN–GRU жана LSTM–GRU болуп үч салыштыруу жүргүзүлгөндүктөн, үй-бүлөлүк деңгээлдеги ката ыктымалдыгын көзөмөлдөө үчүн Bonferroni менен оңдолгон маанилүүлүк босогосу:

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

катары колдонулган. DM тести squared-error жана absolute-error деген эки башка жоготуу аныктамасы менен колдонулган.

Тест жыйындысындагы бардык көрсөткүчтөр

GRU-нун RNNге салыштырмалуу MAE өзгөрүүсү

DM тесттеринин негизги билдирүүсү

Mae Hong Son аймагында absolute-error жоготуусу боюнча RNN–GRU айырмасы маанилүү; LSTM–GRU айырмасы маанилүү эмес. Lampang аймагында RNN–GRU айырмасы squared-error жана absolute-error боюнча тең маанилүү. Tak аймагында да GRU менен RNN ортосунда эки жоготуу аныктамасында тең маанилүү айырма бар. Chiang Mai аймагында эч бир жуптук салыштыруу Bonferroni менен оңдолгон маанилүүлүк чегинен өткөн эмес.

Демек, көрсөткүчтөр таблицасында майда сандык айырмалардын көрүнүшү өзүнөн-өзү илимий мааниде “модель артыкчылыгы” дегенди билдирбейт.

Божомол тилкелери

Булактын 6–9-сүрөттөрү божомол маанилеринин 500 кайталоого негизделген тилкелерин көрсөтөт. Mae Hong Son аймагындагы тилкелер өзгөчө күчтүү булгануу мезгилдеринде кеңирээк, Lampang жана Tak аймактарында жыйнагыраак, Chiang Maiде болсо жалпысынан туруктуу. GRU көптөгөн жогорку булгануу мезгилдеринде салыштырмалуу тарыраак тилкелерди көрсөтөт.

Негизги макала 500 кайталоо маалыматын ачык бергени менен, бул тилкелерди түзүүдө колдонулган так кайра үлгүлөө же стохастикалык кайталоо процедурасын ыкма бөлүмүндө толук түшүндүрбөйт. Ошондуктан тилкелер булакта “ыктымалдык божомол бөлүштүрүүсү” катары эмес, моделди кайталап иштетүүдөн алынган божомол өзгөрмөлүүлүгү катары бааланууга тийиш.

Taylor диаграммалары

10-сүрөт байкоо менен божомолдун корреляциясын, стандарттык четтөөнү жана centred RMSEни бир диаграммада бириктирет. Модель чекиттеринин төрт провинциянын баарында бири-бирине жакын топтолушу RNN, LSTM жана GRU ортосундагы айырмачылыктар жалпы көрсөткүч мейкиндигинде өтө чоң эмес экенин көрсөтөт.

GRU жана LSTM айрым провинцияларда байкоо эталонуна бир аз жакыныраак көрүнгөнү менен, Taylor диаграммалары өзүнөн-өзү бардык географияларда бир ачык жеңүүчүнү көрсөтпөйт.

Изилдөө колдогон жыйынтыктар

GRU, өзгөчө өзгөрмөлүүлүгү жогору жана концентрациясы күтүүсүз секирген күнүмдүк PM2.5 катарларында, стандарттуу RNNге салыштырмалуу туруктуураак божомол жүрүм-турумун көрсөткөн. Артыкчылыктын өлчөмү провинцияга жана ката метрикасына жараша өзгөрөт.

Дарбазалуу архитектуралардын пайдасы тынчыраак убакыт катарларында азаят. Chiang Mai тестинде үч моделдин ортосунда Diebold–Mariano тесттери боюнча маанилүү айырма табылбашы архитектуранын татаалдыгы өзүнөн-өзү көрсөткүч артыкчылыгын камсыз кылбай турганын колдойт.

Lag-1 кириши төрт провинциянын баарында күчтүү кыска мөөнөттүү көз карандылыкты кармоо үчүн колдонууга боло турган жалпы негиз түзгөн.

Бардык моделдер жалпы сезондук PM2.5 үлгүсүн кармай алганы менен, экстремалдык чоку маанилерин толук чагылдыра албайт.

Изилдөө колдобогон жыйынтыктар

GRU бардык PM2.5 божомолдоо маселелеринде же бардык географияларда эң мыкты модель экени көрсөтүлгөн эмес.

GRU Mae Hong Son аймагында бардык метрикалар боюнча эң мыкты эмес; эң төмөн RMSE LSTM тарабынан алынган.

Изилдөө реалдуу убакыттагы операциялык эрте эскертүү тутумунун талаадагы иштөөсүн сыноодон өткөргөн эмес.

Модель натыйжалары сааттык же мүнөттүк масштабдагы булгануу окуяларын божомолдоо көрсөткүчүн көрсөтпөйт; максат — күнүмдүк 24 сааттык орточо PM2.5.

Модель transboundary түтүн ташылуусун физикалык атмосфералык модель менен чечпейт.

Шамал багыты, аба массасынын артка траекториялары, коңшу станциялар жана мейкиндиктик спутник көрсөткүчтөрү кириш катары колдонулган эмес.

Графиктерде божомол тилкелери болгону менен, моделдер түздөн-түз ыктымалдык PM2.5 бөлүштүрүү божомолун чыгарган моделдер эмес.

Негизги методологиялык чектөөлөр

Биринчи чектөө — шамал багытынын кириш жыйындысынан чыгарылышы. Бул, өзгөчө чек ара аралык түтүн булактан белгилүү бир багытта ташылган Mae Hong Son жана Tak сыяктуу аймактарда, маалыматтын жетишсиздигин жаратышы мүмкүн.

Экинчи чектөө — бир гана станциянын убакыт катары жана жергиликтүү метеорология моделдениши. Коңшу станциялар, satellite-derived өзгөрмөлөр жана аймактык атмосфералык циркуляция ачык моделденген эмес.

Үчүнчү чектөө — күнүмдүк орточо. 24 сааттык орточо саат ичиндеги жана күн ичиндеги чокуларды жумшарткандыктан, изилдөө sub-daily динамиканы чагылдырбайт.

Төртүнчү чектөө — MSE жоготуусу. Сейрек экстремалдык байкоолор бөлүштүрүүдө аз болгондуктан, MSE менен окутуу божомолдорду орточо маанилерге тартып, эң бийик чокуларды басаңдаткан.

Бешинчи чектөө — бардык метеорологиялык кириштер t−1 күнүнүн байкоолору. Күндөр арасында аба ырайы өтө тез өзгөргөн окуяларда мурунку күндүн метеорологиясы кийинки күндүн шарттарын жетиштүү чагылдырбашы мүмкүн.

Алтынчы чектөө — кайра өндүрүү мүмкүнчүлүгүнүн деталдары. Негизги макала гиперпараметр издөө мейкиндигин берет, бирок ар бир акыркы модель үчүн тандалган epoch, batch size жана hidden-unit маанилерин билдирбейт. Белгилерди масштабдоо жана мезгилди коддоо да негизги текстте жетиштүү түшүндүрүлгөн эмес.

Келечектеги изилдөө багыттары

Булак келечекте transformer, convolutional жана ensemble архитектураларын; spatiotemporal моделдөөнү; спутник өзгөрмөлөрүн; коңшу станцияларды; ыктымалдык божомолдоону; сааттык чечилишти; quantile/asymmetric loss жана экстремалдык маанилердин бөлүштүрүлүшүн изилдөөнү сунуштайт.

Айрыкча шамал багыты, аба массасынын артка траекториялары жана чек ара аралык өрт көрсөткүчтөрү моделдин түтүндү PM2.5 жогорулагандан кийин гана байкабай, жакындап келе жаткан ташылууну алдын ала аныктоосуна багытталган эң түз өнүктүрүү жолдорунун бири катары талкууланат.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Recurrent Deep Learning Models for PM2.5 Time Series Forecasting in Northern Thailand.

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

Жооптуу автор: Suttida Sangpoom.

Мекемелер: 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.

Журнал жана жарыя идентификациясы: Forecasting, 2026, Том 8, Сан 5, Макала 80. Басмакана: MDPI. DOI: 10.3390/forecast8050080.

Жарыялоо процесси: Кабыл алынган 22-июнь 2026; кайра каралган 23-август 2026; кабыл алынган 25-август 2026; жарыяланган 8-сентябрь 2026.

Булактын түрү: Рецензияланган, ачык жеткиликтүү, байкоочу экологиялык убакыт катары маалыматтары боюнча салыштырма терең үйрөнүү божомолдоо изилдөөсү.

Лицензия: Creative Commons Attribution (CC BY).

Изилдөө географиясы: Mae Hong Son, Lampang, Tak жана Chiang Mai; Түндүк Таиланд.

Маалымат мезгили: 1-январь 2022–31-март 2026.

Божомол горизонту: Бир күн кийинки күнүмдүк орточо PM2.5.

Моделдер: RNN, LSTM жана GRU.

Кириш түзүмү: PACF тандаган lag-1 PM2.5 жана lag-1 метеорологиялык өзгөрмөлөр.

Моделди баалоо: R², RMSE, MAE жана squared-error/absolute-error жоготуусу боюнча Diebold–Mariano тесттери; үч жуптук салыштыруу үчүн Bonferroni менен оңдолгон α = 0,0167.

Гиперпараметр оптималдаштыруу: Grid search; expanding-window rolling cross-validation; кийинки алты айлык валидация мезгилдери; 100 кайталоо; 48 epoch–batch–unit комбинациясы.

Негизги программалык камсыздоо: R 4.6.0; Python 3.9; TensorFlow 2.16.0; R ичинде keras3 жана tensorflow пакеттери.

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

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалыматтардын жеткиликтүүлүгү: PM2.5 маалымат топтомдору Таиланддын Pollution Control Department жана GISTDA булактарынан; метеорологиялык өзгөрмөлөр Northern Meteorological Center жана Thai Meteorological Department Automatic Weather System булактарынан коомчулукка ачык түрдө алынган.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымы: Концептуалдаштыруу жана ыкма — Nawisa Jullapech менен Suttida Sangpoom; программалык камсыздоо — ошол эле эки автор; валидация жана формалдык анализ — үч автор; ресурстар — Suttida Sangpoom; маалыматтарды даярдоо — Nawisa Jullapech жана Suttida Sangpoom; алгачкы кол жазма — Suttida Sangpoom; карап чыгуу/редакциялоо жана визуалдаштыруу — Nawisa Jullapech менен Suttida Sangpoom; көзөмөл жана долбоорду башкаруу — Suttida Sangpoom.

Булактагы ырааттуулук жөнүндө эскертүү

Булактын 2-таблицасы жана жыйынтык тексти стандарттык четтөө боюнча Takты өзгөрмөлүүлүгү эң төмөн провинция катары көрсөтөт. Талкуу бөлүмүнүн кийинки абзацтарында болсо Tak, Mae Hong Son менен бирге эң жогорку өзгөрмөлүүлүккө ээ аймактардын бири деп сүрөттөлүп, Chiang Mai эң төмөн өзгөрмөлүүлүккө ээ деп жазылган. Бул баяндоо 2-таблицанын сандык иретине туура келбегендиктен, Verianla текстинде сандык волатилдүүлүктү баалоо 2-таблицанын маанилерине негизделген.

Кайра өндүрүлүү мүмкүнчүлүгү жөнүндө эскертүү

Негизги макала grid-search диапазонун жана тандоо ыкмасын билдирет, бирок ар бир провинция жана архитектура үчүн акырында тандалган epoch, batch size жана hidden-unit комбинациясын ачык жыйынтык таблицада бербейт. Негизги текст белгилерди масштабдоо/нормалдаштыруу процедурасын жана мезгил өзгөрмөсү моделдин киришине кантип коддолгонун да так аныктабайт. Бул деталдар булакта жок болгондуктан толукталган эмес.

Илимий чечмелөөнүн чеги

Бул изилдөө RNN, LSTM жана GRU архитектураларынын тарыхый күнүмдүк PM2.5 маалыматтарындагы салыштырма божомол көрсөткүчүн көрсөтөт. Натыйжалар реалдуу убакыттагы операциялык эрте эскертүү тутумунун, сааттык аба сапатын божомолдоонун же башка өлкөлөргө жана станцияларга түз жалпыланган көрсөткүч кепилдиги эмес. Өзгөчө экстремалдык булгануу чокуларынын системалуу түрдө төмөн божомолдонушу, орточо көрсөткүч метрикалары жогору болсо да, маанилүү колдонуу чеги болуп саналат.