Ushbu tadqiqot Shimoliy Tailanddagi Mae Hong Son, Lampang, Tak va Chiang Mai viloyatlarida kunlik oʻrtacha PM2.5 konsentratsiyasining bir kun keyingi qiymatini bashorat qilish uchun standart rekurrent neyron tarmogʻi (Recurrent Neural Network, RNN), uzoq qisqa muddatli xotira (Long Short-Term Memory, LSTM) va darvozali rekurrent birlik (Gated Recurrent Unit, GRU) modellarini bir xil tajriba doirasida taqqoslaydi. Rekurrent neyron tarmogʻi ketma-ket ma’lumotlarda oldingi vaqt qadamlaridan olib oʻtiladigan yashirin holatni yangi kirish bilan birlashtirib, vaqtga bogʻliq bogʻlanishlarni oʻrganuvchi sun’iy neyron tarmoqlar sinfidir. Model kirishlari oldingi kunning PM2.5 darajasi hamda mavsum, harorat, nisbiy namlik, maksimal shamol tezligi, havo bosimi va yogʻin oʻzgaruvchilaridan iborat.

Ma’lumotlar 1-yanvar 2022–31-mart 2026 davrini qamrab oladi. Yanvar 2022–dekabr 2024 oʻqitish, yanvar 2025–mart 2026 esa mustaqil test davri sifatida ajratilgan. PACF tahlilida asosiy vaqtga bogʻliq bogʻlanish birinchi kechikishda jamlangani sababli barcha RNN, LSTM va GRU modellarida lag-1 kirish tuzilmasi qoʻllangan. Giperparametrlar grid search va kengayib boruvchi oyna turidagi vaqt qatori kross-validatsiyasi yordamida tanlangan.

GRU toʻrtta viloyatning barchasida eng yuqori R² va eng past MAE qiymatini bergan; Lampang, Tak va Chiang Mai uchun RMSE boʻyicha ham eng yaxshi model boʻlgan. Mae Hong Son uchun esa eng past RMSE LSTM tomonidan olingan. GRUning standart RNNga nisbatan MAE ustunligi Mae Hong Sonda %14,4, Lampangda %9,5, Takda %5,2 va Chiang Maida atigi %0,4 boʻlgan. Diebold–Mariano sinovlari GRUning ustunligi ayniqsa oʻzgaruvchanroq qatorlarda yaqqolroq ekanini, barqarorroq sharoitlarda esa modellar oʻrtasidagi farqlar kamayishini koʻrsatadi.

Shunga qaramay, barcha modellar PM2.5 koʻrsatkichining oʻta yuqori choʻqqi qiymatlarini tizimli ravishda past bashorat qilgan. Manba buni yuqori ifloslanish kuzatuvlarining oʻqitish ma’lumotlarida kam ifodalanishi va MSE yoʻqotish funksiyasining bashoratlarni taqsimotning markaziy tendensiyasiga tortishi bilan bogʻlaydi. Shamol yoʻnalishi, fazoviy qoʻshnichiliklar va transchegaraviy tashilish koʻrsatkichlarining modelga kiritilmagani, ayniqsa toʻsatdan tutun tashilishi hodisalarida, qoʻshimcha cheklovdir.

Natijalar real vaqt rejimidagi operatsion havo sifati tizimining dala sharoitidagi muvaffaqiyatini isbotlamaydi. Ushbu tadqiqot tarixiy kuzatuv ma’lumotlari asosida bajarilgan bir kunlik aniqlikdagi bashorat taqqoslashidir va ayniqsa oʻta kuchli ifloslanish hodisalarini erta ogohlantirish uchun qoʻshimcha kirishlar, ehtimollik bashorati va chekka qiymatlarga sezgir yoʻqotish funksiyalari bilan yanada chuqurroq tekshirishni talab qiladi.

Batafsil Tushuntirish

Tadqiqot muammosi

PM2.5 aerodinamik diametri 2,5 mikrometrdan kichik boʻlgan mayda zarrachali moddalarni anglatadi. Shimoliy Tailanddagi PM2.5 vaqt qatorlari muntazam oʻrtacha qiymat atrofida kichik tebranishlar qiladigan oddiy qatorlar emas. Quruq mavsumda biomassa yonishi va mintaqaviy tutun tashilishi sababli toʻsatdan va juda yuqori choʻqqilar yuzaga keladi, yomgʻirli davrda esa konsentratsiyalar sezilarli darajada kamayib, barqarorroq boʻladi.

Bu xususiyatlar qatorda vaqt boʻyicha oʻzgaruvchi oʻrtacha qiymatni ham, vaqt boʻyicha oʻzgaruvchi dispersiyani ham hosil qiladi. Manba ushbu tuzilmani nostatsionar va geteroskedastik vaqt qatori sifatida baholaydi. Bashorat modeli faqat oʻrtacha mavsumiy naqshni oʻrganib qolmasdan, keskin rejim almashishlari va ekstremal choʻqqilarga ham javob bera olishi kerak.

Tadqiqotdagi boʻshliq

PM2.5 koʻrsatkichini bashorat qilish adabiyotida CNN, e’tibor mexanizmlari, gibrid tarmoqlar va ensemble tizimlari tobora murakkablashib borgan. Ushbu tadqiqotning maqsadi yangi va yanada murakkab arxitektura ishlab chiqish emas. Tadqiqotchilar buning oʻrniga standart RNN, LSTM va GRUning bir xil ma’lumot, bir xil lag tuzilmasi, bir xil optimallashtirish doirasi va bir xil test davrida turli volatillik rejimlarida qanday ishlashini alohida ajratib koʻrishga uringanlar.

Shu sababli tadqiqotning asosiy taqqoslash savoli “eng murakkab arxitektura qaysi?” emas, balki “mahalliy PM2.5 vaqt qatorining volatilligi oʻzgarganda qaysi rekurrent arxitektura barqarorroq bashorat xatti-harakatini koʻrsatadi?” degan savoldir.

Oʻrganilgan toʻrtta viloyat

Ushbu jadvalga koʻra miqdoriy standart ogʻish tartibi Mae Hong Son > Lampang > Chiang Mai > Tak koʻrinishidadir. Mae Hong Son shuningdek 321 µg/m³ bilan kuzatilgan eng yuqori ekstremal qiymatga ega.

Mavsumiy tuzilma

Manbaning 3-rasmida barcha viloyatlarda aniq yillik naqsh koʻrinadi. Fevral–aprel davrida quruq mavsum choʻqqilari yuzaga kelsa, may–oktabr yomgʻirli davri PM2.5 koʻrsatkichining pastroq va barqarorroq darajalari bilan tavsiflanadi. Ayniqsa Mae Hong Sonda ayrim yillarda juda keskin qisqa muddatli sakrashlar kuzatiladi.

Bu tuzilma modellashtirish nuqtai nazaridan muhim; chunki bir qatorning oʻzida dispersiyasi past tinch davrlar ham, dispersiyasi yuqori keskin ifloslanish davrlari ham mavjud. Bitta oʻrtacha xato metrikasi bu ikki rejimdagi xatti-harakatni toʻliq umumlashtira olmaydi.

Model kirishlari

Shamol yoʻnalishi ataylab tashqarida qoldirilgan. Manba buning sababini ma’lumot yetishmasligi va burchakli/circular oʻzgaruvchini kodlash qoʻshimcha modellashtirish murakkabligini keltirib chiqarishi bilan izohlaydi.

RNN, LSTM va GRU oʻrtasidagi asosiy farq

Standart RNN har bir vaqt qadamida joriy kirish va oldingi yashirin holatdan foydalanib yangi yashirin holat hosil qiladi. Bu tuzilma qisqa muddatli vaqt bogʻlanishlarini oʻrgana oladi; biroq uzun ketma-ketliklarda gradientning yoʻqolishi muammosi yuzaga kelishi mumkin.

LSTM standart RNNga unutish, kirish va chiqish darvozalari hamda alohida yacheyka holatini qoʻshadi. Bu darvozalar qaysi ma’lumot saqlanishi, yangilanishi yoki chiqishga uzatilishini boshqarish uchun moʻljallangan.

GRU esa shunga oʻxshash xotira nazoratini soddaroq tuzilma orqali amalga oshiradi. U yangilash va qayta oʻrnatishdan iborat ikki darvozadan foydalanadi va alohida yacheyka holatini olib yurmaydi. Shu sababli LSTMga qaraganda kamroq tuzilmaviy komponent bilan darvozali rekurrent tarmoq hosil qiladi.

Tadqiqot arxitekturalarning toʻliq yashirin-holat tenglamalarini asosiy maqolada emas, Supplementary Material S1da qoldirgan. Yuklangan asosiy PDF bu tenglamalarning barchasini oʻz ichiga olmagani uchun Verianla matni yetishmayotgan arxitektura tenglamalarini qayta yaratmaydi.

Nega lag-1 tanlandi?

Autocorrelation Function (ACF) PM2.5 qatorlarida dastlabki bir necha kechikishda kuchli musbat korrelyatsiyani koʻrsatgan. Partial Autocorrelation Function (PACF) esa eng kuchli mustaqil bogʻlanish birinchi kechikishda ekanini koʻrsatgan va yuqoriroq kechikishlarda muntazam tuzilma kuzatilmagan.

Shu sababli tadqiqotchilar barcha modellar uchun bir xil lag-1 tuzilmasini tanlagan. Maqsad asosiy qisqa muddatli bogʻlanishni saqlagan holda keraksiz kirishlar keltirib chiqarishi mumkin boʻlgan model murakkabligi va overfitting xavfini kamaytirishdir.

Nega GRU Oʻzgaruvchan PM2.5 Qatorlarida Barqarorroq Koʻrindi?

Manba natijalariga koʻra GRUning standart RNNga nisbatan ustunligi ayniqsa keskin va yuqori oʻzgaruvchanlikka ega PM2.5 qatorlarida ortgan; eng sezilarli MAE yutugʻi %14,4 bilan Mae Hong Sonda kuzatilgan, barqarorroq sharoitlarda esa modellar oʻrtasidagi farqlar kamaygan. Tadqiqot bu naqshni GRUning darvozali holat yangilanishi konsentratsiyaning keskin oʻzgarishlariga standart RNNga qaraganda yaxshiroq javob bera olishi bilan bogʻlaydi; biroq GRU har bir metrikada va har bir viloyatda statistik jihatdan ustun emas.

Mae Hong Son

Mae Hong Son eng yuqori standart ogʻish va kuzatilgan eng yuqori PM2.5 qiymatiga ega. RNN uchun R² = 0,9176, RMSE = 10,8048 va MAE = 5,5031 µg/m³; LSTM uchun R² = 0,9201, RMSE = 10,5762 va MAE = 4,9062 µg/m³; GRU uchun R² = 0,9215, RMSE = 10,6404 va MAE = 4,7100 µg/m³ aniqlangan.

Demak, R² va MAE boʻyicha GRU eng yaxshi, RMSE boʻyicha esa LSTM eng yaxshi. Mutlaq xatoga asoslangan Diebold–Mariano sinovlarida RNN bilan ikki darvozali arxitektura oʻrtasida ahamiyatli farq topilgan; LSTM–GRU farqi Bonferroni chegarasidan oʻtmagan.

Lampang

Lampangda GRU uchala metrikada ham eng yaxshi natijani bergan: R² = 0,9186, RMSE = 5,5808 µg/m³ va MAE = 3,6292 µg/m³. RNNning MAE qiymati 4,0089 µg/m³ boʻlgani sababli GRUning nisbiy MAE kamayishi %9,5.

Tak

Takda GRU uchun R² = 0,8909, RMSE = 5,7621 va MAE = 3,9702 µg/m³ aniqlangan. RNNga nisbatan MAE kamayishi %5,2. GRU–RNN farqi squared-error va absolute-error DM sinovlarining ikkalasida ham ahamiyatli.

Chiang Mai

Chiang Maida GRU yana son jihatdan uchala metrikada ham eng yaxshi natijani bergan: R² = 0,8689, RMSE = 6,3109 va MAE = 4,0557 µg/m³. Biroq RNNning MAE qiymati 4,0724 µg/m³ boʻlgani sababli farq atigi %0,4 va Diebold–Mariano sinovlarining hech bir juft model taqqoslashida ahamiyatli farq topilmagan.

Bu natija murakkabroq darvozali arxitektura har bir sharoitda ahamiyatli ustunlik bermasligini koʻrsatgan tadqiqotning eng muhim topilmalaridan biridir.

Nega PM2.5 koʻrsatkichining Ekstremal Choʻqqilari Tizimli Ravishda Past Bashorat Qilindi?

Tadqiqotga koʻra ekstremal ifloslanish kuzatuvlari umumiy oʻqitish ma’lumotlariga nisbatan siyrak va MSE yoʻqotish funksiyasi katta xatolarni kvadratik tarzda jazolasa-da, optimallashtirish jarayonini ma’lumotlar taqsimotining koʻproq uchraydigan markaziy qiymatlariga yoʻnaltirib, bashorat egri chizigʻini silliqlaydi; bunga shamol yoʻnalishi, transchegaraviy tutun tashilishi va joriy fazoviy ma’lumot yetishmasligi ham qoʻshilganda, PM2.5 koʻrsatkichining keskin ekstremal sakrashlari modellar tomonidan toʻliq kattaligida bashorat qilinmaydi.

Bunday muvaffaqiyatsizlik shakli ayniqsa erta ogohlantirish nuqtai nazaridan muhim. Oʻrtacha MAE yoki RMSEning past boʻlishi kam uchraydigan, ammo salomatlik uchun kritik ekstremal hodisalar toʻgʻri bashorat qilinganini kafolatlamaydi.

Mualliflar kelajakda asymmetric yoki quantile-based lossdan foydalanish, underprediction uchun yuqoriroq jazo belgilash yoki standart MSE chiqishi oʻrniga parametric extreme-value distributiondan foydalanuvchi usullarni baholashni tavsiya qiladi.

Nega shamol yoʻnalishining yoʻqligi kritik?

Shamol tezligi atmosferadagi aralashish qanchalik kuchli ekanini koʻrsatishi mumkin; biroq havo massasi ifloslangan yongʻin hududidanmi yoki toza yoʻnalishdanmi kelayotganini koʻrsatmaydi. Ayniqsa Myanmar chegarasiga yaqin hududlarda uzoq masofali tutun tashilishini oldindan aniqlash uchun yoʻnalish ma’lumoti muhim.

Joriy model transchegaraviy tutun hodisasini bevosita bashorat qila oladigan tashilish oʻzgaruvchisiga ega boʻlmagani uchun, PM2.5 koʻtarilishiga faqat u oldingi kunning PM2.5 kirishida aks etgandan keyin javob bera oladi.

Manbadagi volatillik tartibining nomuvofiqligi

2-jadvalda standart ogʻishlar Mae Hong Son 39,49, Lampang 27,00, Chiang Mai 24,71 va Tak 21,40 µg/m³ deb berilgan. Shunga koʻra oʻlchangan kunlik PM2.5 standart ogʻishi boʻyicha Tak eng past, Mae Hong Son esa eng yuqori oʻzgaruvchanlikka ega.

Muhokamaning keyingi qismida esa Mae Hong Son va Tak eng yuqori oʻzgaruvchanlikka ega ekani, Chiang Mai esa eng past oʻzgaruvchanlikni koʻrsatishi aytiladi. Bu ifodalar 2-jadvaldagi miqdoriy qiymatlarga mos kelmaydi. Shu sababli bu yerda “volatillik” deyilganda sonli standart ogʻish uchun 2-jadval qiymatlari asos qilib olinadi, chegara hududi/topografiya talqini esa alohida jismoniy kontekst sifatida saqlanadi.

Tadqiqot Usuli va Natijalari

Ma’lumot manbalari

PM2.5 ma’lumotlari Tailand Pollution Control Department, Air Quality and Noise Management Bureau va GISTDA manbalaridan olingan. Manba maqola quruqlikdagi stansiyalarda beta-ray attenuation, yorugʻlik sochilishi va gravimetrik etalon usullari qoʻllanganini; GISTDA tomonidan esa Himawari, MODIS, VIIRS, GEMS va Sentinel-5P kabi sun’iy yoʻldosh manbalarining aerosol optical depth ma’lumotlari bilan qoʻllab-quvvatlash amalga oshirilganini tushuntiradi.

Meteorologik ma’lumotlar Northern Meteorological Center va Thai Meteorological Department Automatic Weather System manbalaridan olingan.

Stansiyalar

Ma’lumotlarni dastlabki qayta ishlash

Barcha viloyatlarda yetishmayotgan ma’lumotlar ulushi %5 dan past boʻlgani sababli yetishmayotgan kuzatuvlar olib tashlangan va complete-case ma’lumotlardan foydalanilgan. Manba ish oqimida “cleaning and transformation” bosqichini koʻrsatadi; biroq xususiyatlarni standartlashtirish, min–max masshtablash yoki boshqa normalization amali qoʻllangan-qoʻllanmaganini asosiy usul matnida batafsil bayon qilmaydi.

Xuddi shuningdek, “season” oʻzgaruvchisi modelga sonli, dummy yoki boshqa kategorik kodlash orqali qanday berilgani asosiy maqolada aniq koʻrsatilmagan. Bu tafsilotlar uydirib toʻldirilmagan.

Oʻqitish, validatsiya va test

Asosiy oʻqitish davri yanvar 2022–dekabr 2024. Yakuniy test davri yanvar 2025–mart 2026.

Giperparametr tanlashda expanding-window rolling cross-validation qoʻllangan. Har bir yangi foldda oʻqitish toʻplami oʻtmishdagi barcha mavjud kuzatuvlarni qamrab oladigan tarzda kengaytirilgan va undan keyingi olti oylik davr validatsiya uchun ishlatilgan. Shu tariqa kelajakdagi kuzatuvlarning oʻtmishdagi oʻqitish namunalariga sizib kirishining oldi olingan.

Kross-validatsiya 100 marta takrorlangan; har bir konfiguratsiyaning foldlar va takrorlar boʻyicha oʻrtacha validatsiya yoʻqotishi baholangan.

Giperparametr qidiruv fazosi

Epoch × batch size × hidden-unit kombinatsiyasi 4 × 3 × 4 = 48 xil variantni hosil qiladi. Manba 48 kombinatsiyaning qaysi biri har bir viloyat/model uchun yakunda tanlanganini asosiy jadvalda koʻrsatmaydi.

Dasturiy ta’minot va qayta ishlab boʻlish imkoniyati

Model R dasturlash muhitida keras3 va tensorflow paketlari yordamida ishlab chiqilgan. Manba R 4.6.0, Python 3.9 va TensorFlow 2.16.0 uchun deterministic seed konfiguratsiyasi qoʻllanganini bildiradi.

Yoʻqotish funksiyasi

Standart RNN uchun oʻqitishda umumiy kvadratik xato:

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

minimallashtirilgan. Bu yerda \(y_t\) kuzatilgan maqsad, \(o_t^L\) esa uzunligi \(L\) boʻlgan ketma-ketlikning yakuniy bashorat chiqishidir.

LSTM va GRU uchun manba xuddi shu kvadratik xato mantiqini:

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

koʻrinishida beradi va \(h_t\)ni yangilangan yashirin holat yoki chiqish vektori sifatida ta’riflaydi.

R²

Determinatsiya koeffitsiyenti metrikasi:

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

koʻrinishidadir. \(R^2\) bashorat modeli kuzatilgan PM2.5 oʻzgaruvchanligini oʻrtacha bashoratga nisbatan qay darajada tushuntirishini ifodalaydi. Ushbu tadqiqotda yuqoriroq qiymat yaxshiroq moslikka toʻgʻri keladi.

RMSE

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

RMSEning birligi PM2.5 bilan bir xil: µg/m³. Xatolarning kvadratidan foydalangani uchun katta bashorat xatolariga MAEdan koʻra koʻproq ogʻirlik beradi.

MAE

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

MAE ham µg/m³ birligida boʻlib, bashorat va kuzatuv oʻrtasidagi mutlaq farqlarning oʻrtachasini beradi.

Diebold–Mariano sinovi

R², RMSE va MAEning sonli tartibi oʻz-oʻzidan ikki modelning bashorat xatolari qatorlari statistik jihatdan farq qilishini koʻrsatmaydi. Shu sababli manba modellarni Diebold–Mariano sinovi bilan juftliklarda taqqoslagan.

Har bir viloyatda RNN–LSTM, RNN–GRU va LSTM–GRUdan iborat uchta taqqoslash oʻtkazilgani sababli oilaviy darajadagi xato ehtimolini nazorat qilish uchun Bonferroni tuzatmasi kiritilgan ahamiyatlilik chegarasi:

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

sifatida qoʻllangan. DM sinovi squared-error va absolute-errordan iborat ikki xil yoʻqotish ta’rifi ostida qoʻllangan.

Test toʻplamidagi barcha ishlash koʻrsatkichlari

GRUning RNNga nisbatan MAE oʻzgarishi

DM sinovlarining asosiy xulosasi

Mae Hong Sonda absolute-error yoʻqotishi ostida RNN–GRU farqi ahamiyatli; LSTM–GRU farqi ahamiyatli emas. Lampangda RNN–GRU farqi squared-error va absolute-errorning ikkalasida ham ahamiyatli. Takda ham GRU bilan RNN oʻrtasida ikki yoʻqotish ta’rifida ahamiyatli farq bor. Chiang Maida hech bir juft taqqoslash Bonferroni tuzatmasi kiritilgan ahamiyatlilik chegarasidan oʻtmagan.

Demak, ishlash jadvalida kichik sonli farqlar koʻrinishi oʻz-oʻzidan ilmiy jihatdan “model ustunligi” degani emas.

Bashorat diapazonlari

Manbaning 6–9-rasmlari 500 ta takrorga asoslangan bashorat diapazonlarini koʻrsatadi. Mae Hong Sondagi diapazonlar ayniqsa kuchli ifloslanish davrlarida kengroq, Lampang va Takda ixchamroq, Chiang Maida esa umuman barqarorroq. GRU koʻplab yuqori ifloslanish davrlarida nisbatan torroq diapazonlarni koʻrsatadi.

Asosiy maqola 500 ta takror ma’lumotini aniq bergan boʻlsa-da, bu diapazonlarni yaratishda qoʻllangan toʻliq qayta namunalash yoki stoxastik takrorlash protsedurasini usul boʻlimida batafsil tushuntirmaydi. Shu sababli diapazonlar manbada “ehtimollik bashorat taqsimoti” sifatida emas, balki modelni takroriy ishga tushirishlardan olingan bashorat oʻzgaruvchanligi sifatida baholanishi kerak.

Taylor diagrammalari

10-rasm kuzatuv va bashorat oʻrtasidagi korrelyatsiya, standart ogʻish va centred RMSEni bitta diagrammada birlashtiradi. Model nuqtalarining toʻrtta viloyatda ham bir-biriga yaqin toʻplanishi RNN, LSTM va GRU oʻrtasidagi farqlar umumiy ishlash fazosida juda katta emasligini koʻrsatadi.

GRU va LSTM ayrim viloyatlarda kuzatuv etaloniga biroz yaqinroq koʻrinsa-da, Taylor diagrammalari oʻz-oʻzidan barcha geografiyalarda bitta aniq gʻolibni koʻrsatmaydi.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

GRU, ayniqsa yuqori oʻzgaruvchanlik va keskin konsentratsiya sakrashlariga ega kunlik PM2.5 qatorlarida, standart RNNga nisbatan barqarorroq bashorat xatti-harakatini koʻrsatgan. Ustunlik kattaligi viloyat va xato metrikasiga qarab oʻzgaradi.

Darvozali arxitekturalarning foydasi tinchroq vaqt qatorlarida kamayadi. Chiang Mai testida uch model oʻrtasida Diebold–Mariano sinovlari bilan ahamiyatli farq topilmagani arxitektura murakkabligi oʻz-oʻzidan ishlash ustunligini ta’minlamasligini qoʻllab-quvvatlaydi.

Lag-1 kirishi toʻrtta viloyatning barchasida kuchli qisqa muddatli bogʻlanishni ushlash uchun foydalanish mumkin boʻlgan umumiy asos yaratgan.

Barcha modellar umumiy mavsumiy PM2.5 naqshini ushlay olgan boʻlsa-da, ekstremal choʻqqi qiymatlarini toʻliq ifodalay olmaydi.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

GRU barcha PM2.5 bashoratlash muammolarida yoki barcha geografiyalarda eng yaxshi model ekani koʻrsatilmagan.

GRU Mae Hong Sonda barcha metrikalar boʻyicha eng yaxshi emas; eng past RMSE LSTM tomonidan olingan.

Tadqiqot real vaqt rejimidagi operatsion erta ogohlantirish tizimining dala sharoitidagi ishlashini sinamagan.

Model natijalari soatlik yoki daqiqalik miqyosdagi ifloslanish hodisalarining bashorat koʻrsatkichlarini bildirmaydi; maqsad kunlik 24 soatlik oʻrtacha PM2.5.

Model transboundary tutun tashilishini fizik atmosfera modeli yordamida yechmaydi.

Shamol yoʻnalishi, havo massasi ortga trayektoriyalari, qoʻshni stansiyalar va fazoviy sun’iy yoʻldosh koʻrsatkichlari kirish sifatida ishlatilmagan.

Grafiklarda bashorat diapazonlari boʻlsa-da, modellar bevosita ehtimollik PM2.5 taqsimoti bashoratini ishlab chiqaradigan modellar emas.

Asosiy metodologik cheklovlar

Birinchi cheklov shamol yoʻnalishining kirish toʻplamidan chiqarilganidir. Bu holat, ayniqsa transchegaraviy tutun manbadan yoʻnalishli tarzda tashiladigan Mae Hong Son va Tak kabi hududlarda, yetishmayotgan ma’lumot muammosini keltirib chiqarishi mumkin.

Ikkinchi cheklov faqat bitta stansiyaning vaqt qatori va mahalliy meteorologiyaning modellashtirilishidir. Qoʻshni stansiyalar, satellite-derived oʻzgaruvchilar va mintaqaviy atmosfera sirkulyatsiyasi aniq modellashtirilmagan.

Uchinchi cheklov kunlik oʻrtacha qiymatdir. 24 soatlik oʻrtacha soat ichidagi va kun ichidagi choʻqqilarni silliqlagani sababli tadqiqot sub-daily dinamikani ifodalamaydi.

Toʻrtinchi cheklov MSE yoʻqotishidir. Kam uchraydigan ekstremal kuzatuvlar taqsimotda oz boʻlishi bilan birga, MSE orqali oʻqitish bashoratlarni oʻrtacha qiymatlarga tortib, eng yuqori choʻqqilarni bostirgan.

Beshinchi cheklov barcha meteorologik kirishlar t−1 kun kuzatuvlari ekanidir. Kunlar oʻrtasida ob-havo sharoiti juda tez oʻzgargan hodisalarda oldingi kun meteorologiyasi keyingi kun sharoitlarini yetarlicha ifodalamasligi mumkin.

Oltinchi cheklov qayta ishlab boʻlish tafsilotlaridir. Asosiy maqola giperparametr qidiruv fazosini beradi, biroq har bir yakuniy model uchun tanlangan epoch, batch size va hidden-unit qiymatlarini bildirmaydi. Xususiyatlarni masshtablash va mavsumni kodlash ham asosiy matnda yetarlicha tushuntirilmagan.

Kelajakdagi tadqiqot yoʻnalishlari

Manba kelajakda transformer, convolutional va ensemble arxitekturalari; spatiotemporal modellashtirish; sun’iy yoʻldosh oʻzgaruvchilari; qoʻshni stansiyalar; ehtimollik bashorati; soatlik aniqlik; quantile/asymmetric loss hamda ekstremal qiymat taqsimotlari ustida ishlashni tavsiya qiladi.

Ayniqsa shamol yoʻnalishi, havo massasi ortga trayektoriyalari va transchegaraviy yongʻin koʻrsatkichlari modelning tutunni faqat PM2.5 koʻtarilgandan keyin sezishi oʻrniga yaqinlashayotgan tashilishni oldindan aniqlashiga qaratilgan eng bevosita rivojlantirish yoʻllaridan biri sifatida muhokama qilinadi.

Manba va Usul Haqida Izoh

Asl tadqiqot: Recurrent Deep Learning Models for PM2.5 Time Series Forecasting in Northern Thailand.

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

Mas’ul muallif: Suttida Sangpoom.

Muassasalar: 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 va nashr identifikatsiyasi: Forecasting, 2026, Jild 8, Son 5, Maqola 80. Nashriyot: MDPI. DOI: 10.3390/forecast8050080.

Nashr jarayoni: Qabul qilingan 22-iyun 2026; qayta koʻrib chiqilgan 23-avgust 2026; maqbul deb topilgan 25-avgust 2026; nashr qilingan 8-sentabr 2026.

Manba turi: Taqrizdan oʻtgan, ochiq kirishli, kuzatuvga asoslangan ekologik vaqt qatori ma’lumotlari boʻyicha qiyosiy chuqur oʻrganish bashorat tadqiqotidir.

Litsenziya: Creative Commons Attribution (CC BY).

Tadqiqot geografiyasi: Mae Hong Son, Lampang, Tak va Chiang Mai; Shimoliy Tailand.

Ma’lumot davri: 1-yanvar 2022–31-mart 2026.

Bashorat ufqi: Bir kun keyingi kunlik oʻrtacha PM2.5.

Modellar: RNN, LSTM va GRU.

Kirish tuzilmasi: PACF tomonidan tanlangan lag-1 PM2.5 va lag-1 meteorologik oʻzgaruvchilar.

Modelni baholash: R², RMSE, MAE va squared-error/absolute-error yoʻqotishi ostidagi Diebold–Mariano sinovlari; uchta juft taqqoslash uchun Bonferroni tuzatmasi kiritilgan α = 0,0167.

Giperparametrlarni optimallashtirish: Grid search; expanding-window rolling cross-validation; keyingi olti oylik validatsiya davrlari; 100 takror; 48 epoch–batch–unit kombinatsiyasi.

Asosiy dasturiy ta’minot: R 4.6.0; Python 3.9; TensorFlow 2.16.0; R ichidagi keras3 va tensorflow paketlari.

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

Etika qoʻmitasi: Qoʻllanilmaydi.

Xabardor qilingan rozilik: Qoʻllanilmaydi.

Ma’lumotlarning mavjudligi: PM2.5 ma’lumot toʻplamlari Tailand Pollution Control Department va GISTDA manbalaridan; meteorologik oʻzgaruvchilar Northern Meteorological Center va Thai Meteorological Department Automatic Weather System manbalaridan ochiq tarzda olingan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvini bildirmagan.

Mualliflar hissasi: Konseptuallashtirish va usul — Nawisa Jullapech va Suttida Sangpoom; dasturiy ta’minot — shu ikki muallif; validatsiya va formal tahlil — uch muallif; resurslar — Suttida Sangpoom; ma’lumotlarni tayyorlash — Nawisa Jullapech va Suttida Sangpoom; dastlabki qoralama — Suttida Sangpoom; koʻrib chiqish/tahrirlash va vizuallashtirish — Nawisa Jullapech va Suttida Sangpoom; nazorat va loyiha boshqaruvi — Suttida Sangpoom.

Manbadagi izchillik haqida izoh

Manbadagi 2-jadval va natijalar matni standart ogʻish boʻyicha Takni eng past oʻzgaruvchanlik koʻrsatadigan viloyat sifatida beradi. Muhokama boʻlimining keyingi paragraflarida esa Tak Mae Hong Son bilan birga eng yuqori oʻzgaruvchanlikka ega hududlardan biri deb ta’riflanadi va Chiang Mai eng past oʻzgaruvchanlikka ega deb yoziladi. Bu bayon 2-jadvaldagi miqdoriy tartibga mos kelmagani sababli Verianla matnida sonli volatillik bahosi 2-jadval qiymatlariga asoslangan.

Qayta ishlab boʻlish haqida izoh

Asosiy maqola grid-search oraligʻi va tanlash usulini bildiradi, biroq har bir viloyat va arxitektura uchun yakunda tanlangan epoch, batch size va hidden-unit kombinatsiyasini ochiq natijalar jadvalida bermaydi. Asosiy matn, shuningdek, xususiyatlarni masshtablash/normallashtirish protsedurasini va mavsum oʻzgaruvchisi model kirishiga qanday kodlanganini aniq ta’riflamaydi. Bu tafsilotlar manbada boʻlmagani uchun toʻldirilmagan.

Ilmiy talqin chegarasi

Ushbu tadqiqot RNN, LSTM va GRU arxitekturalarining tarixiy kunlik PM2.5 ma’lumotlaridagi qiyosiy bashorat koʻrsatkichlarini namoyish etadi. Natijalar real vaqt rejimidagi operatsion erta ogohlantirish tizimi, soatlik havo sifati bashorati yoki turli mamlakat va stansiyalarga bevosita umumlashtirilgan ishlash kafolati emas. Ayniqsa ekstremal ifloslanish choʻqqilarining tizimli ravishda past bashorat qilinishi, oʻrtacha ishlash metrikalari yuqori boʻlsa ham, kritik foydalanish cheklovidir.