Хмари, прогалини між орбітами, перешкоди датчика — і картина забрудненості повітря над значною частиною планети залишається «сліпою зоною» для вчених. Тепер команда з Університету науки і технологій Китаю (USTC), Інституту фізичних наук Хефею і Університету Анхой знайшла спосіб виправити ситуацію. Як повідомляє Newswise з посиланням на публікацію в Journal of Remote Sensing, дослідники об’єднали фізичний спектральний аналіз з нейромережею SFNO — і навчили її відновлювати безперервні глобальні карти формальдегіду (HCHO) навіть із зашумлених і неповних даних супутника GF-5B.

Що відомо коротко

• Стаття: Університет науки і технологій Китаю + Хефейський інститут фізичних наук КАН + Університет Анхой та ін. Journal of Remote Sensing (16 березня 2026). DOI: 10.34133/remotesensing.1043.
• Супутник: GF-5B (Gaofen-5B, КНР), інструмент EMI (Environmental Trace Gases Monitoring Instrument) — ранкові спостереження, але з низьким співвідношенням сигнал/шум і артефактами смугастості.
• Метод: фізичне отримання HCHO VCD з EMI + модель SFNO (Spherical Fourier Neural Operator) — 62 вхідні канали (метеополя ERA5, густота населення, висота, сезонність тощо).
• Корекція: з 0,60 до 0,76 (кореляція з Pandora-спектрометрами); у Гуанчжоу — 0,78 (з HPLC).
• Зафіксовано: канадські лісові пожежі 2023 р. (з транспортом диму до Нью-Йорка), промислові коридори, тропічна рослинність.
• Перевершено TROPOMI у ряді регіонів за точністю реконструкції.

Що це за явище

Формальдегід (HCHO) — не лише відомий домашній токсин. В атмосфері він виступає ключовим індикатором летких органічних сполук (VOC) — хімічних попередників фотохімічного смогу та приземного озону. Звідки береться атмосферний HCHO? Головні джерела — окислення ізопрену з тропічних рослин, лісові пожежі й промислові викиди. Де концентрація HCHO висока — там активно формується озон і вторинний органічний аерозоль, що завдають шкоди здоров’ю мільярдів людей.

Так само, як «вічні хімікати» PFAS непомітно накопичуються в рибі і воді, HCHO є прикладом «невидимого» забруднення, яке важко виміряти, але наслідки якого цілком реальні. Точні глобальні карти HCHO — необхідний інструмент для прогнозування якості повітря і розуміння вуглецевого циклу атмосфери.

Деталі відкриття

Китайський супутник GF-5B надає цінні ранкові спостереження (близько 10:30 за місцевим часом) — адже більшість інших платформ знімають одну й ту саму точку пізніше. Але у GF-5B є суттєвий недолік: низьке співвідношення сигнал/шум і характерні «смуги» артефактів, через які дані часто відкидались або вважались непридатними.

Ключова інновація — модель SFNO (Spherical Fourier Neural Operator). На відміну від класичних нейромереж, вона оперує безпосередньо на сферичній поверхні Землі, що дозволяє правильно враховувати глобальні транспортні процеси (перенесення забрудників вітром, добові та сезонні патерни). Модель навчалась за методом самонавчання з маскуванням: вона «закривала» частини даних і вчилась їх відновлювати, не потребуючи синтетичних міток або хімічних транспортних моделей — що робить її першим суто спостережним підходом такого масштабу.

Що показали нові спостереження

Реконструйовані карти зафіксували три типи джерел HCHO з вражаючою точністю. Перший — лісові пожежі: під час масштабних канадських пожеж 2 червня 2023 р. SFNO-карта чітко показала шлейф HCHO від вогнищ аж до Нью-Йорка — щось, що обмежені звичайні супутникові дані пропустили. Другий — промислові зони: підвищені рівні над енергетичними та хімічними коридорами Китаю і Індії. Третій — тропічна рослинність: характерні сезонні спалески над Амазонією та Конго — наслідок масивного виділення ізопрену деревами.

Подібно до того, як ШІ вже моніторить кадмієве забруднення ґрунтів сільгоспугідь, ця технологія розширює здатність машинного навчання перетворювати «брудні» наукові дані на корисні екологічні сигнали.

Чому це важливо для науки

Стандартний спосіб заповнення прогалин у супутникових даних — хімічне транспортне моделювання (CTM): комп’ютерне відтворення руху хімічних речовин в атмосфері. Але CTM вимагає величезних обчислювальних ресурсів і залежить від часто застарілих реєстрів викидів.

SFNO обходить обидва обмеження: він навчається безпосередньо з реальних спостережень, покладаючись на фізичні закономірності, закодовані в самих даних, а не на апріорні моделі. Це відкриває шлях до автономного моніторингу якості повітря в режимі, близькому до реального часу, і до «реанімації» архівних даних з інших супутників з подібними проблемами якості.

Цікаві факти

• 🌿 Формальдегід (HCHO) є одним з найпоширеніших органічних газів в атмосфері Землі. Понад 85% атмосферного HCHO утворюється вторинно — через окислення метану та інших органічних сполук. У глобальному вуглецевому циклі HCHO є важливою «сходинкою» між метаном і CO₂. Джерело: NOAA Chemical Sciences Laboratory.
• 🛰️ Супутник Sentinel-5P Європейського космічного агентства з інструментом TROPOMI вважається «золотим стандартом» моніторингу атмосферного HCHO. Його просторова роздільна здатність — 3,5 × 5,5 км. Новий SFNO-фреймворк у частині регіонів перевершив TROPOMI за точністю реконструкції, що є значним результатом для менш досконалого датчика. Джерело: ESA Sentinel-5P.
• 🔥 Канадські лісові пожежі літа 2023 р. стали найбільшими в задокументованій історії країни: вигоріло понад 18 мільйонів гектарів. Аерозольний і хімічний слід від цих пожеж зафіксували станції якості повітря по всій Північній Америці, включно з містами США, де показники PM2.5 досягали критичних рівнів. Тепер їх бачать і через HCHO-карти нового ШІ. Джерело: Natural Resources Canada.
• 🧮 Модель SFNO (Spherical Fourier Neural Operator) — це різновид нейроних операторів, які навчаються відображати цілі функції (а не просто точки) між функціональними просторами. У метеорологічному ШІ аналогічний підхід (FourCastNet) продемонстрував здатність прогнозувати погоду з точністю, порівнянною з чисельними моделями ECMWF — але у тисячі разів швидше. Джерело: ECMWF/AI weather.

FAQ

Чому виміряти HCHO зі супутника складніше, ніж, наприклад, NO₂? Сигнал HCHO в ультрафіолетовому спектрі слабший і перетинається з численними іншими газами — O₃, SO₂, BrO. Будь-яке шумове або калібрувальне відхилення датчика сильніше впливає на результат, ніж у випадку з азотним діоксидом. Тому з GF-5B, який має нижчий SNR, проблема стоїть особливо гостро.

Чи можна застосувати цей підхід до інших газів-забруднювачів? Так — і це один з ключових висновків авторів. SFNO-фреймворк теоретично масштабується на NO₂, SO₂ і CH₄ від тих самих або аналогічних супутників. Особливо цінним це може бути для реанімації архівних місій, де якість датчика не дозволяла повноцінно використовувати зібрані дані.

Чи є практичне застосування для прогнозування якості повітря? Так. Безперервні та точні карти HCHO дозволяють прогнозувати формування приземного озону і вторинного органічного аерозолю — двох ключових компонентів смогу. Такі прогнози допомагають органам охорони здоров’я заздалегідь попереджати населення про небезпечні дні, особливо в регіонах з розвиненою промисловістю або під час лісових пожеж.