Az SZTE kutatóinak vezetésével egy nemzetközi kutatócsoport az Allergy című folyóiratban publikálta legújabb eredményeit

Az Szegedi Tudományegyetem kutatócsoportjának a koordinálásában végrehajtott egyik kutatási projekt eredményeként az „Allergy” című rangos folyóiratban elfogadásra került egy cikk, mely a napi összes pollenkoncentráció előrejelzésével foglalkozik globális skálán.

Karunkról PhD habil. Mikó Edit dékán, Czibolya Lilit és Prof. Dr. Makra László emeritus professzor szerepel a szerzők között. Czibolya Lilit Karunk végzett hallgatója.

A pollent allergiás tünetekkel hozzák összefüggésbe arra érzékeny egyéneknél, ami közvetlen negatív hatással van a lakosság jelentős részének általános életminőségére. Globálisan az allergén pollen által kiváltott asztma a különböző országokban a lakosság 1-18%-át érinti. Becslések szerint 2016-ban világszerte több mint 340 millió ember szenvedett asztmában, és globális szinten 420 000 ember halt meg asztmával összefüggő betegségekben. 2025-re az asztmában szenvedők száma további 100 millióval nőhet, és az előrejelzések szerint az asztma előfordulása a városi lakosság körében 45%-ról 59%-ra növekszik.

Tekintettel a jelenlegi és jövőbeli éghajlati bizonytalanság mértékére, tovább kell finomítani a pollenkoncentráció előrejelzését.

A tanulmány célja (1) pontos és hatékony előrejelzési technikák kidolgozása és alkalmazása a napi teljes pollenkoncentráció megbízható előrejelzésére egy kiterjesztett földrajzi skálán, (2) értékelni a környezeti változók összesített fontossági sorrendjét a jövőbeli pollenkoncentráció meghatározásában, és (3) feltárni a pollennek a természeti környezettel való kapcsolatát a földrajzi elhelyezkedés függvényében, globális szinten.

A szigorú adatválogatási követelményeknek az öt kontinens összesen mindössze 23 városának pollenadatbázisa felelt meg. Ezek az adatok képezték vizsgálataink alapját.

Az elemzéshez adatokat szolgáltató aerobiológiai állomások földrajzi eloszlása. A színek

azt mutatják, hogy a napi pollenkoncentráció adatok hány évről állnak rendelkezésre.

[medián: 22 év; min: 5 év, Santiago (Chile); max: 38 év, Brüsszel (Belgium)].

A tanulmány célja, hogy CatBoost (CB) és Deep Learning (DL) modelleket használjon a napi teljes pollenkoncentrációnak legfeljebb 14 napra előre történő előrejelzésére a vizsgált 23 városra. A modell tartalmazza a figyelembe vett környezeti paramétereket, a közelmúltbeli pollenkoncentrációkat (1, 2 és 4 hét), valamint a múltbeli környezeti magyarázó változókat és azok jövőbeni értékeit.

A mindegyik napra modellezett R² értékek, a 23 város átlagában. (Az R² mérőszámok csak a 0-nál nagyobb napi összes pollenkoncentráció felhasználásával kerülnek kiszámításra.)

(*A környezeti változók alapján, beleértve az elmúlt 7, 14 és 28 nap napi összes pollenkoncentrációját.)

A legjobb pollen-előrejelzések közé tartozik Mexikóváros (R²(DL_7)≈0,7 és Santiago (R²(DL_7≈0,8)) az előrejelzés 7. napjára, míg a leggyengébb pollen-előrejelzések Brisbane-re (R²(DL_7)≈0,4) és Szöul-ra (R²(DL_7)≈0,1 egyaránt a 7. előrejelzési napra történtek.

Különbségek a modellek teljesítményében (R² minden egyes városra a napok átlagában) a legjobb CB és DL modellek esetében. A DL_7 (narancs) felülmúlja a CB_7 (kék) teljesítményét 14 város esetében. Brisbane (Ausztrália) és Bursa (Törökország) mutatják a legnagyobb különbségeket a teljesítményekben. (Az R² metrikák különbségeit csak a 0-nál nagyobb napi teljes pollenkoncentráció felhasználásával számítottuk ki.)

Az öt legfontosabb környezeti változó a napi összpollenkoncentráció meghatározásában, csökkenő sorrendben a következő: a múltbeli napi teljes pollenkoncentráció, a jövőbeli 2 m magasan mért hőmérséklet, a múltbeli 2 m magasan mért hőmérséklet, a múltbeli talajhőmérséklet 28-100 cm mélységben és a múltbeli talajhőmérséklet 0-7 cm mélységben.

A CB_7 modellből származó környezeti változók jellemző fontosságának globális sorrendje (narancs: a múltbeli változók fontosságának értékei; kék: a jövőbeli változók fontosságának értékei). A vizsgált magyarázó változók fontossági sorrendjét átlagoltuk a városok és az előrejelzési napok szerint, annak érdekében, hogy bemutassuk a változók hatását a napi teljes pollenkoncentráció előrejelzésére. Felső ábra: csak az öt legfontosabb (legmagasabb rangú) változó látható. Alsó ábra: az összes magyarázó változó fontosságának mértékét mutatja azok csökkenő sorrendjében a napi teljes pollenkoncentráció meghatározásában. (Megjegyzendő, hogy a pollen fontossága 1-re van állítva, és az összes többi változó fontossága a pollen fontosságához viszonyítva van megadva (pl. egy változó esetében a 0,2 érték azt jelenti, hogy annak a fontossága 0,2.)

A környezeti változók fontossági sorrendjének leginkább hasonló eloszlásait tartalmazó klaszterek csak kis mértékben változnak az egymást követő előrejelzési napokon Caxias do Sul, Fokváros, Brisbane és Mexikóváros esetében, míg azok gyakran változnak Sydney-re, Santiago-ra és Busan-ra.

Klaszterezési eredmények a város-nap összes kombinációja szerint. A négyzetekben lévő számok a 19 klaszter sorszámai 0-tól 18-ig, amelyek különböző környezeti változók csoportjait tartalmazzák. A „-1” érték a DBSCAN algoritmusból zajnak minősített pontokat jelöl (azokat a pontokat, amelyek nem részei egy legalább 4 pontból álló csoportnak). Pl. a „0” sorszámú klaszter azt jelzi, hogy ugyanazok a jellemzők (azaz ugyanazok a környezeti változók) 17 város számára fontosak a napi teljes pollenkoncentráció előrejelzéséhez az

1. napra, azaz a következő napra. Ugyanakkor a 2. napon ugyanazok a környezeti változók a 0. klaszterben csak 6 város esetében fontosak. A nagyobb négyzetek nagyobb prediktív teljesítményt jeleznek a város-nap kombinációknál (legkisebb négyzet: Szöul (Dél-Korea),

12. nap, R²=0; legnagyobb négyzet: Mexikóváros (Mexikó), 1. nap, R²=1; középső négyzet: Busan (Dél-Korea), 7. nap, R²=0,506). Az ábra tetején lévő dendrogram azokat a városokat jelöli, amelyek hasonlóak a hozzájuk rendelt klaszterek tekintetében.

A pollen-előrejelzési modellek klaszterek, városok és előrejelzési napok szerinti legjelentősebb változóinak ökológiai összefüggéseiről szóló új ismeretek fontosak a pollenkoncentráció előrejelzése pontosságának fejlesztéséhez és javításához.

A cikk paraméterei a következők:

László Makra, Luca Coviello, Andrea Gobbi, Giuseppe Jurman, Cesare Furlanello, Mauro Brunato, Lewis H. Ziska, Jeremy J. Hess, Athanasios Damialis, Maria Pilar Plaza Garcia, Gábor Tusnády, Lilit Czibolya, István Ihász, Áron József Deák, Edit Mikó, Zita Dorner, Susan K. Harry, Nicolas Bruffaerts, Ann Packeu, Annika Saarto, Linnea Toiviainen, Maria Louna-Korteniemi, Sanna Pätsi, Michel Thibaudon, Gilles Oliver, Athanasios Charalampopoulos, Despoina Vokou, Ewa Maria Przedpelska-Wasowicz, Ellý Renée Guðjohnsen, Maira Bonini, Sevcan Celenk, Cumali Ozaslan, Jae-Won Oh, Krista Sullivan, Linda Ford, Michelle Kelly, Estelle Levetin, Dorota Myszkowska, Elena Severova, Regula Gehrig, María Del Carmen Calderón-Ezquerro, César Guerrero Guerra, Manuel Andres Leiva-Guzmán, Germán Darío Ramón, Laura Beatriz Barrionuevo, Jonny Peter, Dilys Berman, Connie H. Katelaris, Janet M. Davies, Pamela Burton, Paul J. Beggs, Sandra María Vergamini, Rosa María Valencia-Barrera, Claudia Traidl-Hoffmann, 2024: Forecasting daily total pollen concentrations on a global scale. Allergy, doi: 10.1111/all.16227