DOI: https://doi.org/10.1038/s41598-025-86251-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39893234
تاريخ النشر: 2025-02-01
المؤلف: Anis Ben Ghorbal وآخرون
الموضوع الرئيسي: مراقبة جودة الهواء وتوقعاته
نظرة عامة
تقدم هذه الورقة البحثية منهجية جديدة لتقدير انبعاثات CO₂ بدقة عالية من خلال دمج الشبكات العصبية التكرارية التنبؤية العميقة (DPRNNs) مع خوارزمية تحسين جديدة محسنة (NiOA). تستخدم هذه الطريقة تقنيات متقدمة لإعداد البيانات، بما في ذلك تحليل المكونات الرئيسية (PCA) وفصل المصادر العمياء (BSS)، لتعزيز اختيار الميزات وتقليل الضوضاء في مجموعة البيانات. نموذج DPRNNs يلتقط بفعالية الاعتماديات الزمنية القصيرة والطويلة في بيانات الانبعاثات، مما يؤدي إلى دقة تنبؤ ملحوظة، كما يتضح من قيمة $R^2$ البالغة 0.9736. تؤكد التحليلات المقارنة، بما في ذلك اختبارات ويلكوكسون وANOVA، على قوة وموثوقية النتائج، مما يضع إطار NiOA-DPRNNs كأفضل من النماذج الحالية.
تختتم الدراسة بالتأكيد على إمكانيات هذه الطريقة المحسنة في توجيه السياسات المناخية والاستراتيجيات الصناعية التي تهدف إلى تقليل الآثار البيئية. تشمل اتجاهات البحث المستقبلية توسيع الإطار ليشمل غازات الدفيئة الأخرى، مثل الميثان وأكسيد النيتروز، ودمج البيانات في الوقت الحقيقي لمراقبة الانبعاثات بشكل مستمر. بالإضافة إلى ذلك، يمكن تخصيص النموذج لقطاعات محددة مثل النقل والزراعة والطاقة، وربطه بنماذج محاكاة السياسات لتقييم الآثار طويلة الأجل. قد يؤدي استكشاف دمج NiOA مع خوارزميات تحسين أخرى إلى تعزيز كفاءة وفعالية النموذج بشكل أكبر.
الطرق
في هذا القسم، يتم توضيح المنهجية لتوقع انبعاثات CO₂، مع التركيز على إعداد مجموعة البيانات، وتنفيذ نموذج التعلم العميق، وتقنيات التحسين المستخدمة. تستخدم الدراسة مجموعة بيانات شاملة لانبعاثات CO₂ العالمية، والتي تخضع لعمليات معالجة مسبقة صارمة لمعالجة مشكلات مثل القيم المفقودة، والقيم الشاذة، والضوضاء. تشمل تقنيات المعالجة المسبقة الرئيسية الإحصاء التعويضي للبيانات المفقودة، وتحليل النطاق الربعي (IQR) لإدارة القيم الشاذة، وتوحيد الميزات العددية لضمان الاتساق والموثوقية. يتم تطبيق طرق متقدمة لتقليل الضوضاء، بما في ذلك Copula لنمذجة الاعتماديات المتغيرة، وتحليل المكونات الرئيسية (PCA) لتقليل الأبعاد، وفصل المصادر العمياء (BSS) لعزل الإشارات المستقلة، لتعزيز جودة البيانات قبل تدريب النموذج.
يتم استخدام نموذج NiOA-DPRNNs، وهو شبكة عصبية تكرارية ذات مسارين تم تحسينها باستخدام خوارزمية تحسين نينجا (NiOA)، لتوقع انبعاثات CO₂ على مدى الزمن. يسمح هيكل هذا النموذج بالتقاط الأنماط الزمنية القصيرة والطويلة بفعالية. يعزز NiOA قوة النموذج من خلال تحسين معاييره وتجنب الحلول المحلية. يتم التحقق من أداء النموذج التنبؤي لاحقًا من خلال التحليلات الإحصائية، بما في ذلك متوسط الخطأ التربيعي (MSE) وجذر متوسط الخطأ التربيعي (RMSE)، لتقييم الدقة وتحديد مصادر الخطأ المحتملة. تظهر النتائج التجريبية فعالية المنهجية المقترحة، مما يبرز أهمية إعداد البيانات الدقيقة والتحسين في تحقيق تنبؤات موثوقة.
النتائج
في هذه الدراسة، استخدمت عملية اختيار الميزات خوارزمية تحسين نينجا الثنائية (bNiOA) لتحديد الميزات الحرجة بشكل فعال لتعزيز دقة التنبؤ مع القضاء على البيانات الزائدة. أظهرت خوارزمية bNiOA أداءً متفوقًا من خلال تقليل الأخطاء وتحسين قيم الملاءمة، محققة أقل متوسط خطأ قدره 0.4829 وحجم اختيار صغير قدره 0.4508، مما يشير إلى كفاءتها مقارنة بالخوارزميات الأخرى. تم نمذجة اختيار الميزات كمتجه ثنائي، مما يسمح بالتبديل الاحتمالي لتضمين الميزات، مع تحويل القيم المستمرة باستخدام دالة سيغمويد. أكدت التحليلات الإحصائية، بما في ذلك ANOVA واختبارات ويلكوكسون ذات الرتبة الموقعة، على التفوق الكبير لـ bNiOA على الطرق الأخرى، مع إحصائية F قدرها 399.1 (p < 0.0001) وقيمة p لـ ويلكوكسون قدرها 0.002، مما يبرز موثوقيتها وفعاليتها في اختيار الميزات. بالإضافة إلى ذلك، استكشفت الدراسة أداء الشبكات العصبية التكرارية ذات المسارين المحسنة (DPRNNs) باستخدام bNiOA، والتي حققت أقل متوسط خطأ تربيعي (MSE) قدره 0.0385 ومعامل ارتباط قدره 0.9406، مما يشير إلى قدرة تنبؤية ممتازة. أظهر عملية التحسين كفاءة حسابية محسنة ودقة، مع نتائج ANOVA التي تظهر تأثيرًا كبيرًا لطرق التحسين (إحصائية F قدرها 205.4، p < 0.0001). تسلط النتائج الضوء على أن نموذج bNiOA-DPRNNs لا يقلل فقط من أخطاء التنبؤ ولكن أيضًا يحافظ على الاستقرار والدقة، مما يجعله أداة واعدة لتوقع انبعاثات CO2 وقد تساعد في صنع السياسات المتعلقة بتغير المناخ. بشكل عام، يمثل دمج bNiOA مع DPRNNs تقدمًا كبيرًا في منهجيات توقع السلاسل الزمنية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور الحاسم لثاني أكسيد الكربون (CO₂) كغاز دفيئة رئيسي يساهم في تغير المناخ، ويرجع ذلك أساسًا إلى الأنشطة البشرية مثل احتراق الوقود الأحفوري وإزالة الغابات. أدت الزيادة في تركيز CO₂ إلى دفع البحث العلمي الكبير في مصادره وآثاره واستراتيجيات التخفيف. إن التنبؤ الفعال بانبعاثات CO₂ أمر ضروري لتطوير السياسات البيئية وتحقيق الاتفاقيات المناخية الدولية، مثل اتفاقية باريس. يتم الإشارة إلى دراسات متنوعة، مما يبرز التقدم في الأدوات التحليلية ومنهجيات التحسين، لا سيما من خلال التعلم الآلي (ML) والنماذج الهجينة، التي تعزز دقة توقعات الانبعاثات.
تُعرض عدة نتائج ملحوظة: تشير إحدى الدراسات إلى أن دمج خوارزميات تحسين ميتاheuristic مثل تحسين سرب الجسيمات (PSO) وتحسين الذئب الرمادي (GWO) مع التعلم الآلي يمكن أن يحسن دقة التنبؤ بنسبة تصل إلى 31.7%. تظهر دراسة أخرى تقليلًا بنسبة 56% في انبعاثات CO₂ من خلال نظام دفيئة جديد يستخدم CO₂ الملتقط لنمو النباتات. بالإضافة إلى ذلك، يُظهر تطبيق التعلم الآلي في تقييم خلطات الخرسانة المستدامة وعدًا في تحسين الأداء ومعالجة تعقيدات أنظمة المواد. تؤكد الأبحاث مجتمعة على إمكانيات التعلم الآلي والنماذج الهجينة لتقديم حلول مبتكرة لتقليل انبعاثات CO₂ عبر قطاعات مختلفة، بما في ذلك الطاقة والبناء والزراعة، مع التأكيد أيضًا على الحاجة إلى قواعد بيانات شاملة ومنهجيات محسنة لتعزيز القدرات التنبؤية.
DOI: https://doi.org/10.1038/s41598-025-86251-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39893234
Publication Date: 2025-02-01
Author(s): Anis Ben Ghorbal et al.
Primary Topic: Air Quality Monitoring and Forecasting
Overview
This research paper introduces a novel methodology for estimating CO₂ emissions with high precision by integrating Deep Predictive Recurrent Neural Networks (DPRNNs) with a Novel Improved Optimization Algorithm (NiOA). The approach employs advanced data preparation techniques, including Principal Component Analysis (PCA) and Blind Source Separation (BSS), to enhance feature selection and reduce noise in the dataset. The DPRNNs model effectively captures both short- and long-term temporal dependencies in emissions data, resulting in a remarkable prediction accuracy, evidenced by an $R^2$ value of 0.9736. Comparative analyses, including Wilcoxon and ANOVA tests, affirm the robustness and consistency of the findings, positioning the NiOA-DPRNNs framework as superior to existing models.
The study concludes by emphasizing the potential of this enhanced approach for informing climate policy and industrial strategies aimed at reducing environmental impacts. Future research directions include expanding the framework to encompass other greenhouse gases, such as methane and nitrous oxide, and integrating real-time data for continuous emissions monitoring. Additionally, the model could be tailored for specific sectors like transportation, agriculture, and energy, and linked with policy simulation models to assess long-term impacts. Exploring the combination of NiOA with other metaheuristic algorithms may further enhance the model’s efficiency and effectiveness.
Methods
In this section, the methodology for predicting CO₂ emissions is delineated, emphasizing the dataset preparation, deep learning model implementation, and optimization techniques employed. The study utilizes a comprehensive Global CO₂ Emissions Dataset, which undergoes rigorous preprocessing to address issues such as missing values, outliers, and noise. Key preprocessing techniques include statistical imputation for missing data, interquartile range (IQR) analysis for outlier management, and scaling of numerical features to ensure consistency and reliability. Advanced noise reduction methods, including Copula for modeling variable dependencies, Principal Component Analysis (PCA) for dimensionality reduction, and Blind Source Separation (BSS) for isolating independent signals, are applied to enhance data quality before model training.
The NiOA-DPRNNs model, a dual-path recurrent neural network optimized using the Ninja Optimization Algorithm (NiOA), is employed for time-series forecasting of CO₂ emissions. This model’s architecture allows it to capture both short-term and long-term temporal patterns effectively. NiOA enhances the model’s robustness by optimizing its parameters and avoiding local optima. The model’s predictive performance is subsequently validated through statistical analyses, including mean squared error (MSE) and root mean squared error (RMSE), to assess accuracy and identify potential sources of error. The experimental results demonstrate the efficacy of the proposed methodology, highlighting the importance of meticulous data preparation and optimization in achieving reliable predictions.
Results
In this study, the feature selection process employed the binary Ninja Optimizer Algorithm (bNiOA) to effectively identify critical features for enhancing predictive accuracy while eliminating redundant data. The bNiOA algorithm demonstrated superior performance by minimizing errors and optimizing fitness values, achieving the lowest average error of 0.4829 and a small selection size of 0.4508, indicating its efficiency compared to other algorithms. The feature selection was modeled as a binary vector, allowing for probabilistic toggling of feature inclusion, with continuous values transformed using a sigmoid function. Statistical analyses, including ANOVA and Wilcoxon Signed Rank tests, confirmed the significant superiority of bNiOA over other methods, with an F-statistic of 399.1 (p < 0.0001) and a Wilcoxon p-value of 0.002, underscoring its reliability and effectiveness in feature selection. Additionally, the study explored the performance of optimized Dual-Path Recurrent Neural Networks (DPRNNs) using bNiOA, which achieved the lowest Mean Squared Error (MSE) of 0.0385 and a correlation coefficient of 0.9406, indicating excellent predictive capability. The optimization process demonstrated enhanced computational efficiency and accuracy, with ANOVA results showing a significant influence of the optimization methods (F-statistic of 205.4, p < 0.0001). The findings highlight that the bNiOA-DPRNNs model not only reduces prediction errors but also maintains stability and precision, making it a promising tool for CO2 emissions prediction and potentially aiding climate change policy-making. Overall, the integration of bNiOA with DPRNNs represents a significant advancement in time-series forecasting methodologies.
Discussion
The discussion section of the research paper highlights the critical role of carbon dioxide (CO₂) as a leading greenhouse gas contributing to climate change, primarily due to human activities such as fossil fuel combustion and deforestation. The increasing concentration of CO₂ has prompted significant scientific inquiry into its sources, impacts, and mitigation strategies. Effective forecasting of CO₂ emissions is essential for developing environmental policies and achieving international climate agreements, such as the Paris Agreement. Various studies are referenced, showcasing advancements in analytical tools and optimization methodologies, particularly through machine learning (ML) and hybrid models, which enhance the accuracy of emissions predictions.
Several notable findings are presented: one study indicates that integrating metaheuristic algorithms like Particle Swarm Optimization (PSO) and Grey Wolf Optimization (GWO) with machine learning can improve prediction accuracy by up to 31.7%. Another study demonstrates a 56% reduction in CO₂ emissions through a novel greenhouse system utilizing captured CO₂ for plant growth. Additionally, the application of ML in evaluating sustainable concrete mixtures shows promise in optimizing performance and addressing the complexities of material systems. The research collectively underscores the potential of machine learning and hybrid models to provide innovative solutions for CO₂ emissions reduction across various sectors, including energy, construction, and agriculture, while also emphasizing the need for comprehensive databases and improved methodologies to enhance predictive capabilities.