يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة بحثية

التعلم العميق الهجين مع قابلية التفسير المعتمدة على الانتباه لتوقع PM2.5 في بيئات دلهي الحضرية

253 مشاهدة

⸱

DOI:

10.3791/71004

⸱

أغسطس 7, 2026

 ,  ,  ,  ,  ,  , 
1Department of AI&DS, Vignan's Institute of Information Technology, 2Vignan's Institute of Information Technology, 3Department of Computer Science and Engineering, Vignan's Institute of Information Technology, 4Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, 5Department of Software Engineering, College of Computer Engineering and Science, Prince Mohammad Bin Fahd University, 6Computer Science Department, Faculty of Computers and Information, Qena University

في هذه المقالة

ملخص

CORTA (النقل المصنف المحسن للارتباط)، إطار عمل هجين للتعلم العميق للتنبؤ ب PM₂ قصير الأجل في دلهي. يجمع النموذج بين اختيار ميزات CorrXGBoost Rank، والتعلم الانتقالي مع شبكات الذاكرة قصيرة المدى طويلة، والانتباه متعدد الرؤوس لتفسير الزمن ومستوى الميزات، ويستخدم بيانات جودة الهواء، والأرصاد الجوية، وبيانات عد الحرائق المشتقة من الأقمار الصناعية لتحسين التنبؤ ب PM2.5.

الملخص

التنبؤ قصير الأمد بPM 2.5 يمثل تحديا في دلهي لأن تركيزات الجسيمات تتأثر بالابعاثات المحلية، والتغيرات الجوية في الجو، والركود الموسمي، والتلوث المرتبط بالحرائق بشكل متقطع. تقدم هذه الدراسة CORTA-Net، إطار عمل هجين للتعلم العميق للتنبؤ ب PM2.5 باستخدام بيانات بيئية متعددة المصادر من 2012 إلى 2024. تشمل بيانات الإدخال ملاحظات جودة الهواء كل ساعة من محطات مراقبة لجنة مكافحة التلوث في دلهي (CPCB)، ومتغيرات أرصادية من إدارة الأرصاد الجوية الهندية (IMD)، ومعلومات عداد الحرائق المستمدة من الأقمار الصناعية من منتجات MODIS (مقياس طياف التصوير متوسط الدقة). يطبق الإطار المقترح أولا اختيار ميزات CorrXGBoost-Rank لتقليل المتنبؤات الزائدة والاحتفاظ بالملوثات المهمة، والمتغيرات الجوية والزمنوية والمرتبطة بالحرائق. ثم ترتب الميزات المختارة كتسلسلات نافذة منزلقة خاضعة للإشراف وتعالج باستخدام مشفر LSTM قائم على التعلم النقلي يتبعه طبقة انتباه متعددة الرؤوس. توفر آلية الانتباه تفسيرا على مستوى الميزات والخطوات الزمنية لتوقعات PM2.5 . تم تقييم CORTA-Net باستخدام تدريب زمني، اختبار، وتقسيمات تحقق، بالإضافة إلى التحقق المتبادل. مقارنة بخطوط الأساس العشوائية للغابات، XGBoost، LSTM، وLTM الانتباه، قلل الإطار المقترح من خطأ التنبؤ ضمن إعداد محطة المراقبة في دلهي المقيمة. تكمن حداثة CORTA-Net في دمج فحص ميزات CorrXGBoost-Rank الصريح، والترميز الزمني القائم على التعلم النقلي، وتكامل MODIS مع نشاط الحريق، وتحليل سلوك النماذج القائم على الانتباه متعدد الرؤوس في خط تنبؤ واحد قابل لإعادة إنتاج PM2.5 . عمليا، يمكن للإطار دعم التنبؤ قصير الأمد بجودة الهواء في المدن في بيئات مراقبة غنية بالبيانات حيث تتوفر سجلات الملوثات، والملاحظات الجوية، ومؤشرات نشاط الحرائق.

المقدمة

الجسيمات الدقيقة ذات القطر الهوائي ≤ 2.5 ميكرومتر (PM2.5) تشكل مصدر قلق مهم لجودة الهواء في دلهي لأنها تتأثر بالابعاثات المحلية 1,2,3، والنقل الإقليمي4، والأرصاد الجويةالموسمية 5، وأحداث حرق الكتلة الحيوية العرضية6. خلال فترات ما بعد الرياح الموسمية والشتاء7، وسرعة الرياح المنخفضة8، وظروف طبقة الحدودالضحلة 9، وانقلاب درجة الحرارة يمكن أن تقلل من تشتت الملوثات وتزيد من تراكم الجسيمات. يعد التنبؤ ب PM2.5 قصير الأجل تحديا بسبب الظاهرة غير الخطية والموسمية والشديدة التلوث المفاجئة في سلسلة الزمن10. استخدمت الدراسات السابقة حول التنبؤ ب PM2.5 نماذج إحصائية، ونماذج التعلم الآلي، ونماذج الشبكات العصبية المتكررة11. يمكن أن تكون الطرق الإحصائية مفيدة في تحديد الاتجاهات وموسمية البيانات12، لكنها قد لا تستطيع تفسير التفاعلات غير الخطية التي توجد بين الملوثات والأرصادالجوية بشكل كامل. يمكن استخدام نماذج التعلم الآلي مثل الغابات العشوائية وXGBoost لنمذجة العلاقات غير الخطية14؛ ومع ذلك، عادة لا يكون لها اعتماد زمني إلا إذا تم تصميم ميزات متأخرة. الشبكات العصبية طويلة المدى قصيرة (LSTM) قادرة على نمذجة كل من الاعتماد الزمني والعلاقات غير الخطية15.

يمكن لشبكات الذاكرة قصيرة المدى طويلة أن تنمذج الأنماط الزمنية16، لكن أدائها قد يتأثر بالظروف غير الثابتة ونوبات التلوث المفاجئ17. تحسن الأساليب الحديثة القائمة على الانتباه والمحول التمثيل الزمني18، لكن العديد منها يعالج جميع المتغيرات المرشحة مباشرة ويوفر تحكما محدودا في تكرار الميزات قبل نمذجة التسلسل 19,20. على الرغم من أن نماذج التعلم العميق المعتمدة على المحولات والهجينة قد حسنت مؤخرا PM2.5 وتوقعات AQI21، إلا أن مساهماتها غالبا ما تركز على تعلم التمثيل الزمني22، وبناء الرسم البياني المكاني23، ودمج النموذج24، أو التحسين. تستخدم العديد من هذه النماذج مباشرة مجموعة المدخلات متعددة المتغيرات المتاحة وتضع عبء التعلم الرئيسي على نموذجالتسلسل 25. يمكن أن يزيد هذا من تكرار المدخلات، ويقلل من قابلية التفسير، ويصعب تحديد ما إذا كانت التحسينات ناتجة عن النمذجة الزمنية، أو فحص الميزات، أو مؤشرات بيئية خارجية، أو وزن قائم على الانتباه. لذلك، يوضع كورتا-نت كإطار عمل للتنبؤ على مستوى سير العمل بدلا من طبقة الشبكة العصبية المستقلة26. يكمن تميزه في التكامل المرتبة لأربع مراحل: فحص الميزات بنظام CorrXGBoost قبل نمذجة التسلسل، وترميز LSTM بالتعلم الانتقالي للتكيف الزمني، وإدراج عدد النيران المشتق من MODIS لتأثير حرق الكتلة الحيوية المتقطعة، والانتباه متعدد الرؤوس لتفسير سلوك النموذج على مستوى الميزات والخطوات الزمنية. يتيح هذا التصميم للإطار تقييم دقة التنبؤ ومساهمة المتغيرات الملوثة، والأرصاد الجوية، والزمني، ونشاط الحريق المختارة تحت نفس إعداد محطة المراقبة في دلهي27.

استخدمت التطورات الحديثة في التنبؤ بجودة الهواء بشكل متزايد نماذج التعلم العميق الهجينة، وآليات الانتباه، والتعلم القائم على الرسوم البيانية28، وبنى المحولات لالتقاط التبعيات الزمنية والمكانية غير الخطية29. حسنت هذه الأساليب أداء التنبؤ من خلال تعلم التبعيات طويلة المدى وتخصيص أوزان تكيفية لخطوات زمنية أو متغيرات إدخال30. ومع ذلك، لا تزال العديد من النماذج الحديثة تعتمد على مجموعات ميزات كبيرة للمدخلات، ولا تقلل صراحة من المتنبؤات الزائدة قبل النمذجة الزمنية، أو لا تتضمن مؤشرات خارجية لنشاط الحريق عندما تكون تأثيرات حرق الكتلة الحيوية المتقطعة مهمة. تلغى CORTA-Net هذه الفجوة من خلال دمج فحص الميزات، وترميز LSTM بالتعلم بالنقل، وتكامل عدد الحرائق المستمد من MODIS، والانتباه المتعدد في سير عمل تنبؤ واحد.

تقدم هذه الدراسة CORTA-Net كخط أنابيب تنبؤ هجين قابل للتكرار بتقنية PM2.5 بدلا من أن يكون طبقة شبكة عصبية جديدة. يجمع الإطار بين أربع مراحل: اختيار ميزات CorrXGBoost-Rank، ترميز LSTM الزمني القائم على التعلم التحويلي، دمج عد النيران المستخرج من MODIS، وتحليل سلوك النماذج القائم على الانتباه متعدد الرؤوس. يقوم CorrXGBoost-Rank أولا بتقليل المتغيرات الملوثة الزائدة والأرصاد الجوية قبل نمذجة التسلسل. ثم ترتب الميزات المختارة في تسلسلات نوافذ منزلقة وتعالج باستخدام مشفر LSTM بتعلم النقل. يتم تضمين متغيرات عدد الحرائق في MODIS كمؤشرات خارجية لنشاط الحرائق الإقليمية، وتستخدم طبقة الانتباه متعددة الرؤوس لفحص أي الخطوات الزمنية والمتغيرات الداخلية الأخيرة تساهم بشكل أقوى في التوقعات. الإطار مناسب للبيئات التي تتوفر فيها ملاحظات PM2.5 مستمرة من محطة مراقبة واحدة على الأقل، ويفضل أن تكون مع عدة سنوات من البيانات الساعية. كما يستفيد من الملاحظات الجوية ومعلومات عد الحرائق المستمدة من الأقمار الصناعية عندما يكون تأثير حرق الكتلة الحيوية الإقليمي ذا صلة. لذلك، يهدف CORTA-Net إلى بيئات التنبؤ بجودة الهواء الحضرية الغنية بالبيانات، وقد لا يكون مناسبا للمواقع التي تحتوي على سجلات مراقبة متفرقة أو غير منتظمة أو قصيرة الأمد.

تم اختيار دلهي كمنطقة للدراسة لأنها تشهد مستويات مرتفعة متكررة من PM₂.₅ خلال فترات ما بعد الرياح الموسمية والشتاء. تتأثر المدينة بحركة المرور والنشاط الصناعي وانبعاثات السكنية والركود الجوي والحرق الزراعي الإقليمي. تم استخدام أربع محطات مراقبة لهذه الدراسة: قطاع دواركا 8، أناند فيهار، موندكا-DPCC، وسونيا فيهار. تمثل كل محطة نوعا مختلفا من البيئة الحضرية الدقيقة: المنطقة السكنية، منطقة التأثير المروري، والمنطقة ذات التأثيرات الصناعية. تعرض الملاحظات التي أجريت من كل محطة مراقبة بين عامي 2012 و2024 في الشكل التكميلي 1. تم تدريب النموذج على البيانات من 2015 إلى 2022، وأجري اختبار على بيانات من 2023 لكل من تطوير النموذج والتحقق من صحة النموذج32 على البيانات التي تم جمعها في 2024. المتغيرات المستخدمة كمدخلات شملت PM2.5، PM10، NO،NO 2، NOx، CO، البنزين، درجة حرارة الهواء، سرعة الرياح، الإشعاع الشمسي، والضغط الجوي، وتم تحديدها بناء على ما كان متاحا في الموقع33. تم استخدام بيانات عد الحرائق المشتقة من MODIS كمتغير خارجي يمثل مستوى نشاط الحريق في المنطقة. يحتوي الجدول 1 على ملخص لإحصائيات تركيز PM₂.₅ من كل من محطات المراقبة الأربع.

مجموعة البياناتاسم المحطةقاسيةالأمراض المنقولة جنسياالحد الأدنى25%50%75%ماكس
1قطاع دواركا 898.2479.127.5238.6570.83133.47588.15
2أناند فيهار115.8789.428.9149.2884.36152.89574.92
3موندكا-DPCC113.6291.054.2143.5886.74158.42682.31
4سونيا فيهار101.3580.255.8042.1575.60138.75565.40

الجدول 1: ملخص إحصائيات تركيز PM₂.₅ في أربع محطات مراقبة في دلهي. يعرض الجدول 1 متوسط مستويات PM2.5 (الجسيمات الدقيقة) التي تم قياسها في أربعة أجهزة مراقبة في دلهي. يتكون PM2.5 من ملوثات محمولة جوا أقل من 2.5 ميكرون عرضا، ولهذا فهي صغيرة بما يكفي لاستنشاقها بعمق في الرئتين بسهولة، مما يشكل مخاطر صحية محتملة متعددة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

المنهجية
تم بناء نموذج نافذة انزلاقية مراقبة للتنبؤ بقيمة PM2.5 المستقبلية عند الزمن t + 1 من خلال الملاحظات السابقة كل ساعة. تم تقييم أطوال نوافذ الإدخال المرشحة التي تبلغ 12 و24 و48 خطوة زمنية كل ساعة باستخدام أداء التحقق، واستخدم التكوين النهائي ل CORTA-Net تسلسل إدخال لمدة 24 ساعة. تم استخدام الاستيفاء الخطي لملء القيم المفقودة؛ تمت إزالة القيم الشاذة باستخدام طريقة IQR؛ وتم تكبير جميع المتغيرات باستخدام التطبيع الأقصى-الأعلى قبل توليد ميزات PM2.5 المتأخرة. ثم تم تطبيق إجراء CorrXGBoost-Rank لاختيار الميزات. أولا، مرشح بيرسون للارتباط يحتفظ بالمتغيرات مع |r| ≥ 0.30. ثانيا، أزواج الميزات المتكررة للغاية ذات ارتباط زوجي |corr(xi, xj)| تم ترشيح ≥ 0.85 لتقليل التعدد التعاوني. ثالثا، تم تدريب مسجل XGBoost على المتغيرات المتبقية، وتم الاحتفاظ بالمتنبئات التي تحمل درجات الأهمية القائمة على كسب XGBoost ≥ 0.015 لإدخال النموذج النهائي. تكونت بنية كورتا-نت النهائية من طبقات LSTM مكدسة للترميز الزمني، وطبقة انتباه متعددة الرؤوس لوزن مستوى الميزات والخطوات الزمنية، وطبقات انحدار كثيفة لتقدير PM2.5 . تم تدريب النموذج باستخدام محسن آدم مع متوسط تربيع فقدان الخطأ والتوقف المبكر. تم إجراء تقييم النموذج باستخدام RMSE و R2 عبر أقسام التدريب والتحقق من الصحة والاختبار والتحقق المتقاطع بعشرة أضعاف. يمثل الجدول 2 ملخص معالجة البيانات المسبقة وهندسة الميزات.

الخطوةالطريقة المستخدمةالمعامل / العتبةالغرض
حساب القيمة المفقودةنسبة الملاحظات المفقودةالتقرير حسب النسبة المئوية المتغيرةيقييس اكتمال البيانات
النسبة القصيرة الفجوةالاستيفاء الخطيطول الفجوة ≤ 6 ساعاتتملأ الفترات القصيرة المفقودة
اكتشاف القيم الشذريةطريقة IQRQ1 − 1.5 × IQR، Q3 + 1.5 × IQRيزيل القيم القصوى غير الصالحة
التطبيعالحد الأدنى لأقصى القياسالحد الأدنى والأقصى لمجموعة التدريبتوحيد نطاق الميزات
PM₂.₅ lagsالمتغيرات المتراجعةlag₁، lag₂، lag₃تلتقط الاستمرارية الزمنية
الإحصائيات المتحركةالمتوسطات المتحركة3 ساعات، 6 ساعات، 12 ساعة، 24 ساعةيلتقط التراكم قصير المدى
ميزة عدد النيرانموديس فايركونتعد اليوم نفسه / اليوم السابقيمثل تأثير الحرائق الإقليمي

الجدول 2: ملخص معالجة البيانات وهندسة الميزات. في الجدول 2، تتم معالجة البيانات بطريقتين: أولا، من خلال تنظيف وتحويل البيانات الخام (المعالجة المسبقة)، وثانيا، عبر هندسة الميزات لإنشاء أو اختيار أو تعديل الخصائص (الميزات). كوحدة واحدة، تساعد هاتان العمليتان في القضاء على أو تقليل الضوضاء؛ يتعامل مع القيم المفقودة؛ تحسين اتساق البيانات؛ وإنشاء نماذج أكثر تنبؤية.

تم تقدير معلمات التطبيع فقط من مجموعة التدريب ثم تم تطبيقها دون تغيير على مجموعات الاختبار والتحقق لتجنب تسرب المعلومات.

الصياغة الرياضية لرتبة CorrXGBoost
ليكن X = {x1,x 2, ...,x n} يرمز إلى مجموعة المتغيرات المرشحة للمدخلات، وy يرمز إلى تركيز PM₂.₅ المستهدف. لكل ميزة xi، تم حساب معامل ارتباط بيرسون مع المتغير المستهدف كالتالي:

figure-protocol-1(1)

حيث أن cov(xi, y) هو التغاير بين الميزةx i والهدف y، وσxi و σy هما انحرافات معيارية. الميزات المحفوظة مرضية: |ri| ≥ τr حيث τr = 0.30 في هذه الدراسة.

تم حساب الترابطات الزوجية بين جميع features_xi وx j، وإذا كان |corr(xi, xj)| >= τأحمر، حيث τالأحمر = 0.85، يتم حذف الميزة ذات الارتباط المطلق الأدنى مع هدف PM2.5 من مجموعة الميزات. تقلل هذه العملية من المتغيرات من مجموعة الميزات التي لها تعدد التعاون. بعد ذلك، تم ملاءمة نموذج انحدار XGBoost للميزات المتبقية، وتم حساب درجات أهمية الميزة لكل ميزة باستخدام أهمية XGBoost، وتم الاحتفاظ بميزات تحقق i_i ≥ τxgb حيث τxgb = 0.015 في مجموعة الميزات النهائية (S") المعرفة ك Sالنهائية =S corr ∪ Sxgb، أي مجموعة الميزات المعرفة من خلال تصفية الميزات للتكرار بالنسبة للارتباط وإزالة أي ميزات بناء على أهمية متغير XGBoost. النهج العام المتبع في اختيار الميزات هو كالتالي: حساب ارتباط بيرسون المستهدف على الميزة، التخلص من الميزات التي لها |r_i|< 0.30، التخلص من الميزات التي لها أزواج لديها ارتباطات زوجية ≥ 0.85، ملاءمة XGBoost للميزات المتبقية، الحفاظ على الميزات التي لديها درجة أهمية XGBoost ≥ 0.015، تحديد الميزات النهائية Sالنهائية =S corr ∪ Sxgb، حيث Scorr هي الميزات التي تحتفظ بها بعد تصفية الارتباط المتكررة، وSxgb هي الميزات المختارة باستخدام درجة أهمية ميزات XGBoost. لذا، فإن سير عمل CorrXGBoost-Rank هو: حساب ارتباط بيرسون المستهدف بين ميزات، وإزالة الميزات التي تحتوي على |r i| < 0.30، إزالة الميزات الزائدة للغاية ذات ارتباط زوجي ≥ 0.85، تدريب XGBoost على المتغيرات المتبقية، الاحتفاظ بالمتغيرات ذات درجة الأهمية XGBoost ≥ 0.015، واستخدام اتحاد المتغيرات المختارة بالارتباط والمتغيرات المختارة من XGBoost كمجموعة الميزات النهائية. المعلمات المستخدمة في هذه الدراسة هي τr = 0.30، τالأحمر = 0.85، و τxgb = 0.015.

مصادر البيانات
دمج المؤلفون ثلاث مجموعات بيانات كبيرة للدراسة؛ هذه بيانات عن ملوثات الهواء (PM2.5، PM10، NO2، CO وSO₂) حصل عليها المؤلفون من خلال CPCB (مجلس مكافحة التلوث المركزي) / DPCC (لجنة مكافحة التلوث في دلهي) لمراقبة جودة الهواء، والبيانات الجوية (درجة الحرارة، الرطوبة، سرعة/اتجاه الرياح والضغط) من إدارة الأرصاد الجوية الهندية (IMD)، ومعلومات الأقمار الصناعية عن الحرائق النشطة من منتجات MODIS النشطة للحرائق النشطة من ناسا. تغطي هذه المجموعات الثلاث الفترة من يناير 2012 إلى ديسمبر 2023 والتي تمثل بذلك أنواعا مختلفة من الانبعاثات. تساهم حوادث الحرائق في تلوث الهواء، كما هو موضح في الشكل التكميلي 2، الذي يوضح اتجاهات FIRECOUNT من 2012 إلى 2024.

الاتجاهات طويلة الأمد للملوثات خلال فترة الدراسة
يوضح الشكل 1 الاتجاهات طويلة الأمد للملوثات خلال سنوات الدراسة (2012–2024). تعد أعداد الحرائق السنوية ومتوسط تركيزات PM₂.₅ بين عامي 2012 و2024 علاقة إيجابية قوية إلى حد ما (r = 0.688)، مما يشير إلى أن زيادة نشاط الحرائق عادة ما ترتبط بتركيزات أعلى من PM₂.₅. تتبع بيانات PM₂ والمتوقعة اتجاها مشابها، مما يدعم فكرة أن حرق الكتلة الحيوية يساهم في تلوث الجسيمات. على الرغم من وجود تباين كبير بين السنين، فإن الانبعاثات المرتبطة بالحرائق تعد عاملا مهما في تحديد تباين PM₂.₅، مما يؤكد الحاجة إلى إدارة حرائق إقليمية لتحسين جودة الهواء. الارتباط الذاتي لPM2.5 المتوقع عند ثلاثين تأخيرا، كما هو موضح في الشكل التكميلي 3، له ارتباط إيجابي كبير في جميع التأخيرات الثلاثين، مما يؤكد أن PM2.5 في دلهي له اعتماد زمني قوي واستمرارية متعددة الأيام.

figure-protocol-2
الشكل 1: اتجاهات PM₣ طويلة الأمد وعدد الحرائق من 2012 إلى 2024. يقارن الشكل 1 التغير السنوي في عدد الحرائق مع تركيزات PM₂₅ المرصودة والمتوقعة. يتم الإبلاغ عن PM₂.₅ بوحدة μg/m3. يمثل FIRECOUNT نشاط الحريق المستخرج من الأقمار الصناعية من منتجات MODIS. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تحلل STL (التحليل الموسمي والاتجاه باستخدام اللويس)
تقنية STL أو تحليل الموسمية والاتجاهات باستخدام لوس هي خوارزمية تكرارية تسمح بتقسيم بيانات السلاسل الزمنية إلى ثلاثة مكونات إضافية كما هو موضح في الشكل 2: الاتجاه (الاتجاه طويل الأجل) (الشكل 2A)، (الشكل 2D)، (الشكل 2G)، (الشكل 2J)، الموسمي (الفترات الدورية) (الشكل 2B)، (الشكل 2E)، (الشكل 2H)، (الشكل 2K)، والباقي (الضوضاء/البقايا) (الشكل 2C)، (الشكل 2F)، (الشكل 2I)، (الشكل 2L). لقد أثبتت STL نجاحها في التعامل مع الخصائص غير الخطية المعقدة للبيانات البيئية (مثل PM2.5) والتي فشلت العديد من التقنيات التحليلية الأخرى بسبب تغير السعة في الإشارة الموسمية ووجود القيم الشاذة. يسمح تنعيم LOESS بفصل دقيق لهذه المكونات، مما ينتج تفسيرا أوضح للاتجاهات أو الأنماط. من خلال معالجة STL، من الممكن فصل الاتجاهات الصاعدة الأوسع ل PM2.5 عن الدورات اليومية/الموسمية الأقصر وعن البواقي المتقلبة داخل تلك الدورات. يسمح هذا الفصل بتحديد الانبعاثات التي أثرت على PM2.5، على عكس العوامل الجوية التي أثرت على PM2.5. تساعد نتائج هذا الفصل في التنبؤ الدقيق بانبعاثات PM2.5 المستقبلية؛ توفير بيانات للقرارات التنظيمية؛ والامتثال للمعايير المحددة لتفكيك بيانات السلاسل الزمنية الدقيقة لدراسات جودة الهواء34. يشير متوسط قياسات تركيز PM2.5 اليومية التي أجريت في محطات المراقبة في دلهي من 2012 إلى 2024 إلى تغييرات طفيفة في مستوى PM2.5 (أي عدم وجود تغيير كبير من 2022-2024) بشكل عام، وسلوك ثابت محدود للغاية (أو ثبات في مستويات PM2.5 بين المواقع الأربعة للمراقبة). مستويات PM2.5 في قطاعي دواركا 8 وموندكا-DPCC تظهر اتجاها هبوطا مستمرا (أي استمرار في الانخفاض)، بينما لدى أناند فيهار اتجاه تصاعدي (أي في ارتفاع ملحوظ)، وسونيا فيهار لديه اتجاه صعودي طفيف (بعد زيادة طفيفة جدا منذ 2022). بالإضافة إلى ذلك، أشارت بقايا تركيزات PM2.5 اليومية لكل من محطات المراقبة الأربع إلى أن تركيزات PM2.5 تأثرت بشدة بالتغيرات الموسمية (الأرصادية)، مما أدى إلى تقلبات كبيرة في متوسط تركيزات PM2.5 اليومية للمحطات الفردية. يتم عرض تركيزات المراقبة اليومية2.5 مساء لمحطات المراقبة الأربع في دلهي (2012–2024) في الشكل 2.

figure-protocol-3
الشكل 2: تحليل التصنيف الموسمي والاتجاهات باستخدام اللويس (STL) لتركيزات PM₂₅ اليومية عبر أربع محطات مراقبة في دلهي من 2022 إلى 2024. يتم تقسيم السلسلة الزمنية لكل محطة مراقبة إلى ثلاثة مكونات إضافية: الاتجاه طويل الأمد، التغير الموسمي، والباقي (الباقي). (أ) مكون الاتجاه لقطاع دواركا 8. (ب) المكون الموسمي لقطاع دواركا 8. (ج) المكون المتبقي لقطاع دواركا 8. (د) مكون الاتجاه لأناند فيهار. (ه) المكون الموسمي لأناند فيهار. (و) المكون المتبقي لأناند فيهار. (G) مكون الاتجاه ل Mundka-DPCC. (ح) المكون الموسمي لموندكا-DPCC. (I) المكون المتبقي ل Mundka-DPCC. (J) مكون الاتجاه لسونيا فيهار. (K) المكون الموسمي لسونيا فيهار. (L) المكون المتبقي لسونيا فيهار. STL، تحليل المواسم والاتجاهات باستخدام اللويس. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يعرض الشكل 2 التحللات الزمنية لتركيزات PM2.5 اليومية في أربعة مواقع مراقبة حضرية خلال 2022-2024، كاشفا عن أنماط من الانخفاضات طويلة الأمد، والزيادات التدريجية، والتغيرات اليومية الكبيرة. يمكن عزو هذه الاختلافات إلى حد كبير إلى التأثيرات الفيزيائية للطقس، أي التغيرات في ارتفاع طبقة حدود الكوكب (PBL)، مثل التمدد النهار الذي يزيد من التشتت الرأسي ويقلل من التركيزات، وانكماش الليل، مما يترك الملوثات قريبة من الأرض ويخلق ذروة أعلى ليلا. تأتي التأثيرات الجوية الأخرى من انبعاثات النشاط البشري المحلي المرتبطة بساعات الحجم الأكبر (ذروات الصباح/المساء)، والصناعات، وتفاعلاتها مع: العوامل الخاصة بالموقع مثل التضاريس المحلية، سرعة الرياح، الرطوبة النسبية، والموسم (أي الارتباط الأكبر في الشتاء) التي قد تكون تسببت في التغيرات الخاصة بالمحطة والانخفاضات طويلة الأمد بشكل عام قد تأثرت بالضوابط التنظيمية على الانبعاثات. مما أدى إلى اتجاهات هبوطية بشكل عام.

الارتباط بين السمات
يعرض الشكل 3 توزيع جميع ميزات الإدخال المستخدمة في نموذج CORTA-Net. في الألواح، تظهر متغيرات الملوثات (PM10 (الشكل 3A)، NO₂ (الشكل 3B)، CO (الشكل 3C)، SO₂ (الشكل 3D)) توزيعات مائلة إلى اليمين نموذجية لبيانات جودة الهواء الحضرية، بينما تظهر O₃ (الشكل 3E) والضغط (الشكل 3I) أنماطا شبه طبيعية35. تظهر درجة الحرارة (الشكل 3F) بنية موسمية ثنائية الشكل واضحة، والرطوبة (الشكل 3G) تتبع انتشارا موحدا واسعا، وسرعة الرياح (الشكل 3H) تظهر توزيعا خفيفا. تسلط هذه الأنماط الضوء على السلوك الإحصائي المتباين للمتنبعات وتبرر الحاجة إلى هندسة الميزات وتطبيره قبل تدريب النماذج.

figure-protocol-4
الشكل 3: توزيع ميزات المدخلات المستخدمة في نموذج CORTA-Net، بما في ذلك تركيزات ملوثات الهواء والمتغيرات الجوية الجوية. توضح التوزيعات الخصائص الإحصائية للمتنبعات قبل المعالجة المسبقة وتدريب النماذج. (أ) تركيز PM₁₀. (ب) تركيز لا يذكر. (ج) تركيز أول أكسيد الكربون. (د) تركيز SO₂. (E) تركيز O₃. (F) درجة حرارة الهواء. (G) الرطوبة النسبية. (H) سرعة الرياح. (1) الضغط الجوي. تظهر المتغيرات الملوثة، وخاصة PM₁₀، NO₂، CO، وSO₂، توزيعات مائلة نحو اليمين نموذجية لبيانات جودة الهواء الحضري، بينما يظهر O₃ وضغط الغلاف الجوي توزيعات طبيعية تقريبا. تظهر درجة الحرارة نمطا موسميا ثنائي الوضع، والرطوبة لها توزيع واسع، وسرعة الرياح تتركز عند قيم أقل مع توزيع ذيل خفيف. تدعم هذه التوزيعات غير المتجانسة استخدام هندسة الميزات وتطبيعه قبل تطوير النموذج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

يعرض الشكل 4 تصنيف أهمية الميزات القائم على الكسب XGBoost بعد معالجة مسبق في رتبة CorrXGBoost لتوقع PM₂.₅. يظهر مخطط الأهمية الحالي للميزة أن PM₂.₅ في اليوم السابق هو الأعلى تصنيفا بدرجة أهمية 0.280، يليه PM10 = 0.180، FIRECOUNT = 0.150، NO₂ = 0.120، CO = 0.080، سرعة الرياح = 0.070، درجة الحرارة = 0.040، الرطوبة = 0.030، ويوم السنة = 0.020. يمثل الخط الرأسي المتقطع عتبة اختيار الميزات الفعلية ل XGBoost وهي 0.015. تم الاحتفاظ بالمتنبئات التي كانت درجات الأهمية أكبر أو مساوية من 0.015 لمجموعة المدخلات النهائية ل CORTA-Net، بينما تم استبعاد المتنبئات التي تقل عن هذا العتبة، بما في ذلك SO₂ = 0.010، O₃ = 0.010، الضغط = 0.005، هطول الأمطار = 0.005، عطلة نهاية الأسبوع = 0.002، والعطلة = 0.001. تمثل هذه القيم درجات أهمية الميزات القائمة على مكاسب XGBoost ولا ينبغي تفسيرها كمعاملات ارتباط بيرسون أو تأثيرات سببية.

لذلك، تم تضمين الميزات التي حصلت على مساهمة تجاوزت هذا الحد فقط في النموذج. تستخدم نماذج XGBoost مجموعة من أشجار القرار، التي تبني شجرة بشكل تكراري لتقليل دالة الفقد، وتعرف باسم تعزيز التدرج. يحسب XGBoost أهمية الميزات باستخدام أحد ثلاثة مقاييس: الكسب (مدى تحسن تقسيم الميزة لأداء النموذج)، الوزن (عدد مرات اختيار الميزة كتقسيم لشجرة)، أو التغطية (عدد الملاحظات المتأثرة بالتقسيم). تم بناء نموذج XGBoost على بيانات تتعلق بجودة الهواء (الملوثات، المتغيرات الجوية الجوية) ويركز على PM2.5 المتأخر للتنبؤ التلقائي ب PM2.5، وهو أمر شائع في نماذج PM2.5 في دلهي، ويساعد في التقاط الاستمرارية الزمنية ل PM2.5. Delhi_PM2.5 مساهم مهم بسبب خصائص الارتباط الذاتي العالية للجسيمات الدقيقة، والتي تشير أيضا إلى وجود قصور ذاتي للتلوث من مصادر الانبعاث المتسقة. تعد سرعة الرياح مساهما مهما لأنها توفر آلية لتشتت الملوثات؛ بينما تسمح الرياح المنخفضة بتراكم الملوثات خلال الشتاء عندما تكون هناك انعكاسات. يرتبط NO2 ب PM2.5 بسبب حركة المرور/الانبعاثات، بينما يوم السنة هو مؤشر على دورة الانبعاثات السنوية للملوثات (أي انخفاض الانبعاثات في عطلة نهاية الأسبوع). في دلهي، يتمتع PM2.5 بثبات ذاتي عالي بسبب ركود الأرصاد الجوية الشتوي والانبعاثات المستمرة من المركبات والصناعة والكتلة الحيوية28. تساعد الرياح في تشتت الهباء الجوي، لكن ضعف الرياح < 2 م/ث ساهم في زيادة تراكم PM2.5 بسبب الانعكاسات. العلاقة بين NO2 و PM2.5 هي نتيجة لأصلهما المشترك (أي الاحتراق) وتتعرض لتأثيرات زمنية (مثل اليومية مقابل الأسبوعية). العوامل الأربعة الرئيسية المسؤولة عن تفسير 93٪ أو أكثر من التغير في مؤشر جودة الهواء هي التغيرات في تركيزات الملوثات الناتجة عن تراكم PM2.5 المتأخر (93٪+) وانخفاض سرعات الرياح التي تحبس الانبعاثات، وانبعاثات NO2/PM من المركبات والصناعة، والتغيرات اليومية في كمية حركة المرور37. بالإضافة إلى ذلك، فإن جغرافية دلهي عامل مساهم في استمرار الانعكاسات في المنطقة، وبالتالي تزيد من تركيزات PM2.5 . تعديل المعاملات الفائقة، والتنظيم، وإضافة متغيرات إضافية (مثل درجة الحرارة) سيساعد في تقليل فرص التركيب الزائد وسيحسن الأداء العام للنموذج. يجب أن يشمل تنفيذ استراتيجيات تشغيلية لتقليل انبعاثات PM تنفيذ حدود يومية لانبعاثات PM، واستخدام أجهزة توفر مراقبة فورية لوجود PM، واستخدام الرياح لتوزيع PM عبر المساحات الخضراء الحضرية.

figure-protocol-5
الشكل 4: تصنيف أهمية الميزات القائم على المكاسب في XGBoost بعد فحص ميزات CorrXGBoost-Rank لتوقع PM₂.₅. أشرطة التنبؤ مرتبة بترتيب تنازلي حسب الأهمية. يمثل الخط الرأسي المتقطع عتبة اختيار الميزات الفعلية ل XGBoost وهي 0.015. تم الاحتفاظ بالمتنبئين الذين حصلت على درجات ≥ 0.015 لمجموعة المدخلات النهائية ل CORTA-Net، بينما تم استبعاد المتنبئات التي تقل عن هذا العتبة. يستخدم هذا التصنيف لفحص الميزات وتفسير سلوك النماذج ولا ينبغي تفسيره على أنه نسب سببي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

بنية نموذج CORTA-net
يقدم الشكل 5 إطار عمل مقترح للتنبؤ بنظام PM2.5. توضح الأشكال التكميلية 4 و5 الترتيب الداخلي لوحدة LSTM وتمثيل مخطط كتلة الانتباه متعدد الرؤوس. جميع مصادر البيانات (أي الظروف المحيطة، الملاحظات الجوية الجوية، نشاط الحرائق، والجوانب الزمنية والسياقية للبيانات) خضعت لمعالجة مسبقة لضمان توافقها زمنيا، وأن هناك بيانات مفقودة (إذا لزم الأمر)، وأنها خضعت لإزالة الشاذة وتطبيعها قبل استخدامها في أي من عمليات بناء النماذج. يتم عرض بنية النموذج، هندسة الميزات، تكوين التدريب، تكوين البيانات، تعلم النقل، مقاييس التقييم، التنبؤات المستقبلية، وتفاصيل التنفيذ في الجدول التكميلي 1. باستخدام وحدة CorrXGBoost-Rank، يتم تحديد المجموعة المثلى من الميزات قبل إدخال جزء منها في بنية LSTM، والتي تم تعزيزها بدمج طبقات الانتباه متعددة الرؤوس لأخذ سلوك السلاسل الزمنية في الاعتبار خلال مرحلة النمذجة. تم توفير كل من توقعات PM2.5 وميزات PM2.5 لأهمية ميزات الإدخال، بالإضافة إلى أوزان الانتباه متعددة الرؤوس كخرائط انتباه، كمخرجات. تم تضمين هيكل وحدة LSTM الداخلية ومخطط كتلة الانتباه متعدد الرؤوس كشكلين تكميليين 4 و5 على التوالي، بينما يوفر الجدول التكميلي 1 معلمات البنية لكل نوع من الطبقات ضمن هذه البنية.

figure-protocol-6
الشكل 5: البنية العامة لنموذج التنبؤ PM₂.₅ من CORTA-Net. تشمل عملية التنبؤ المدخلات من مؤشرات جودة الهواء، ومؤشرات الطقس، ومؤشرات الوقت، ومؤشرات عداد الحرائق MODIS (مقياس طيفي التصوير متوسط الدقة). لكل من هذه الخطوات، تقوم الخوارزمية بمحاذاة الطوابع الزمنية، وتتعامل مع القيم المفقودة، وتصفية القيم الشاذة، وتطبيع البيانات، وهندسة الميزات. ثم تم اختيار المتنبئين النهائيين باستخدام عملية CorrXGBoost-Rank. بعد ذلك، تم وضع الميزات المختارة في نوافذ منزلقة بتسلسل زمني وتمريرها عبر مشفر LSTM (الذاكرة طويلة المدى القصيرة) باستخدام التعلم التحويلي. لكل ميزة وخطوة زمنية، تطبق آلية الانتباه متعددة الرؤوس أوزانا قبل إرسال المخرج المجمع إلى طبقة الانحدار النهائية الكثيفة لإنتاج توقع PM₂.₅. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

التدريب والتقييم
تم استخدام نهج نافذة منزلقة لتشكيل تسلسلات تعلم تحت الإشراف. استخدم التدريب محسن آدم ومتوسط تربيع فقدان الخطأ (الجدول التكميلي 2). تم تقييم أداء النموذج باستخدام RMSE وR2 عبر أقسام التدريب والتحقق من الصحة والاختبار والتحقق المتبادل. يتم تجميع بنية النموذج، وهندسة الميزات، وتكوين التدريب، وتكوين البيانات، وتعلم النقل، ومقاييس التقييم، والتنبؤات المستقبلية، وتفاصيل التنفيذ في الجدول التكميلي 1. يمثل الشكل 6 تشخيصات التدريب لنموذج التنبؤ PM₂.₅ من CORTA-Net. في اللوحات، يمثل الشكل 6A منحنيات فقدان التدريب والتحقق، موضحا تقليل الخطأ التدريجي، مع التوقف الأمثل عند العصر 106. يتضح تطور فجوة التعميم أثناء تقييم تحليل الملاءمة الزائدة من خلال التباعد بين بيانات التحقق والتدريب في الشكل 6B. على وجه الخصوص، يظهر فترات يتجاوز فيها التباعد الحدود المحددة مسبقا؛ توفر هذه المعلومات دليلا على أن سلوك معدل التعلم وأنماط تقليل الفقدان توضح فوائد تدهور معدل التعلم المجدول (LR) في الفترات الحرجة كوسيلة لتعزيز استقرار التقارب كما هو موضح في الشكل 6C. تقدم هذه الأشكال مجتمعة ملخصا لديناميكيات التعلم، وقدرة التعميم، وتكوين التدريب الموصى به للنموذج.

figure-protocol-7
الشكل 6: تشخيصات التدريب لنموذج التنبؤ PM₂.₅ من CORTA-Net. (أ) منحنيات فقدان التدريب والتحقق تظهر انخفاضا تدريجيا في الخطأ أثناء تدريب النموذج، مع التوقف المبكر عند العصر 106 بناء على أداء التحقق. (ب) فجوة التعميم بين فقدان التدريب والتحقق عبر العصور، مما يوضح تطور تعميم النماذج وفترات زيادة التباعد التي تشير إلى إمكانية التكيف الزائد. (ج) جدول معدل التعلم الذي يوضح تأثير تدهور معدل التعلم المجدول على التحسين طوال فترة التدريب. (د) ملخص سلوك تقارب النموذج، يعرض التحسين المستقر والتكوين النهائي للتدريب المختار لنموذج كورتا-نت. معا، توضح هذه التشخيصات ديناميكيات النموذج، وخصائص التقارب، وأداء التعميم أثناء التدريب. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

اختيار الميزات ونتائج التنبؤ
اختار إجراء CorrXGBoost-Rank أعداد الحريق المتأخرة PM₂.₅، وسرعة الرياح، والرطوبة، ودرجة الحرارة، والمؤشرات الزمنية، والحرائق المشتقة من MODIS كمؤشرات مهمة لجودة الهواء. كل من هذه المتغيرات تفسر استمرار التلوث، وتشتت بسبب الظروف الجوية الجوية، والفروق الموسمية في مستويات التلوث، والتأثير الإقليمي الناتج عن الحرائق. تمت إزالة المتغيرات الزائدة قبل نمذجة التسلسل لتقليل أبعاد الإدخال غير الضرورية. تم تقييم CORTA-Net باستخدام متوسط الخطأ المطلق...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

تجمع كورتا-نت بين ثلاثة مكونات رئيسية في تسلسل واحد لتشكيل بنية هجينة. CorrXGBoost-Rank: مكون مخصص لاختيار الميزات يقضي على المتنبؤات الزائدة قبل مرحلة النمذجة الزمنية38. مشفر LSTM: يستخدم طبقات LSTM المكدسة لالتقاط التبعيات الزمنية قصيرة وطويلة الأمد في تسلسل الإدخال39 المختار لمدة 24 ساعة. طبقة الانتباه متعددة الرؤوس: تطبق على مخرج LSTM (مع أوزان الانتباه المرتبطة) كجزء من الخطوة الأخيرة من نموذج التسلسل الهجين CORTA-Net؛ يعزز قابلية تفسي...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

لا يوجد تضارب مصالح لدى المؤلفين.

شكر وتقدير

مشروع دعم الباحثين من جامعة الأميرة نورة بنت عبد الرحمن رقم (PNURSP2026R300)، جامعة الأميرة نوره بنت عبد الرحمن، الرياض، المملكة العربية السعودية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
Calibri fontMicrosoft CorporationURL: https://learn.microsoft.com/en-us/typography/font-list/calibriيُستخدم كخط أساسي مطلوب لمخططات الأرقام المصححة والملصقات.
CORTA-Net figure-generation scriptsالنصوص المخصصة لهذا المشروع CORTA-NetURL: https://github.com/saravagnamahasiva/CORTA-Netيُستخدم لإعادة إنشاء ملفات PDF للأرقام بجودة المنشورات مع التسميات والترتيب المصححين.
CORTA_Net_High_Resolution_Images.zipأرشيف الصور المقدم من المستخدمرقم الكتالوج/RRID: غير مطبق؛ أرشيف مصدر محلييُستخدم كمجموعة صور المصدر/المرجعية ولتحديد هوية الرقم.
GitHubGitHub, Inc.URL: https://github.com/يُستخدم كمضيف المستودع المقصود لرمز المشروع وملفات توليد الأرقام.
Matplotlibفريق تطوير MatplotlibRRID: SCR_008624; URL: https://matplotlib.org/يُستخدم لإعادة رسم الرسوم البيانية والمخططات والتسميات وعلامات اللوحة وأشكال PDF المتجهية.
NumPyمطورو NumPyRRID: SCR_008633; URL: https://numpy.org/يُستخدم للمصفوفات الحتمية والقيم المحاكاة في لوحات الأرقام المعاد إنشاؤها.
OpenAI CodexOpenAIURL: https://openai.com/codexيُستخدم للمساعدة في تحرير الكود وإعادة إنشاء الأرقام وتعبئة ملفات PDF والتحقق منها.
Pillowمساهمو PillowURL: https://python-pillow.org/يُستخدم لفحص وإعادة ضبط حجم وعرض معاينة الصور النقطية والتحقق من صحتها.
Popplerمطورو Poppler / freedesktop.orgURL: https://poppler.freedesktop.org/يُستخدم لتحويل ملفات PDF المولدة إلى معاينات PNG للتحقق من الجودة البصرية.
pypdfمساهمو pypdfURL: https://pypdf.readthedocs.io/يُستخدم للتحقق من أن كل ملف PDF للأرقام النهائي يحتوي على صفحة واحدة صالحة.
Pythonمؤسسة Python للبرمجياتRRID: SCR_008394; URL: https://www.python.org/يُستخدم كبيئة برمجة لتوليد الأرقام ومعالجة ملفات PDF.
ReportLabReportLab Inc.URL: https://www.reportlab.com/يُستخدم لإنشاء جدول المواد/الأدوات/البرامج الإلزامية كملف PDF.
Windows PowerShellMicrosoft CorporationURL: https://learn.microsoft.com/en-us/powershell/يُستخدم لتنسيق الملفات واستخراج الأرشيف وأوامر حزم ZIP النهائية.

المراجع

  1. AlShafeey M. Unraveling climate trends in the mediterranean: a hybrid machine learning and statistical approach. Model Earth Syst Environ. 2024;10:6255-6277.
  2. Li B, Qian Y. Weather prediction using CNN-LSTM for time series analysis: a case study on Delhi temperature data. arXiv:2409.09414. 2024.
  3. Bashardoost A, Mesgari MS, Karimi M. Quantifying uncertainty in the spatial prediction of PM2.5 using a deep learning algorithm. Ann GIS. 2025;31(4):679-712.
  4. Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature. 2023;619:533-538.
  5. Xu C, Liu J, Han S, Duan X, Xiang L, Zhang T. FourCastLSTM: a precipitation nowcasting model integrating global and local spatiotemporal features. Comput Geosci. 2025;204:105966.
  6. Damkliang K, Chumnaul J. Deep learning and statistical approaches for area-based PM2.5 forecasting in Hat Yai, Thailand. J Big Data. 2025;12:36.
  7. Elabd E, Hamouda HM, Ali MAM, et al. Climate change prediction in Saudi Arabia using a CNN GRU LSTM hybrid deep learning model in al Qassim region. Sci Rep. 2025;15:16275.
  8. Guo Q, He Z, Wang Z. Monthly climate prediction using deep convolutional neural network and long short-term memory. Sci Rep. 2024;14(1):17748.
  9. Zhang H, Jin Y, Shi J, Zhang S. Predicting PM2.5 concentrations using stacking-based ensemble model. Appl Comput Math. 2021;10(6):156-162.
  10. Şener İF, Tuğal İ. Optimized CNN-LSTM with hybrid metaheuristic approaches for solar radiation forecasting. Case Stud Therm Eng. 2025;72:106356.
  11. Shen J, Wu W, Xu Q. Accurate prediction of temperature indicators in Eastern China using a multi-scale CNN-LSTM-Attention model. arXiv:2412.07997. 2024.
  12. Karimian H, Li Q, Wu C, et al. Evaluation of different machine learning approaches to forecasting PM2.5 mass concentrations. Aerosol Air Qual Res. 2019;19:1400-1410.
  13. Kumar S, Mishra S, Singh SK. A machine learning-based model to estimate PM2.5 concentration levels in Delhi's atmosphere. Heliyon. 2020;6(11):e05618.
  14. Ladjal B, Nadour M, Bechouat M, et al. Hybrid deep learning CNN-LSTM model for forecasting direct normal irradiance: a study on solar potential in Ghardaia, Algeria. Sci Rep. 2025;15:15404.
  15. Lakshmi S, Krishnamoorthy A. Deep transfer learning and attention based PM2.5 forecasting in Delhi using a decade of winter season data. Sci Rep. 2025;15:31787.
  16. Lan R, Eastham SD, Liu T, et al. Air quality impacts of crop residue burning in India and mitigation alternatives. Nat Commun. 2022;13:6537.
  17. Lütjens B, Ferrari R, Watson-Parris D, Selin NE. The impact of internal variability on benchmarking deep learning climate emulators. J Adv Model Earth Syst. 2025;17:e2024MS004619.
  18. Suleman MAR, Shridevi S. Short-term weather forecasting using spatial feature attention-based LSTM model. IEEE Access. 2022;10:82456-82468.
  19. Mansfield LA, Nowack PJ, Kasoar M, et al. Predicting global patterns of long-term climate change from short-term simulations using machine learning. npj Clim Atmos Sci. 2020;3:44.
  20. Masood A, Ahmad K. Data-driven predictive modeling of PM2.5 concentrations using machine learning and deep learning techniques: a case study of Delhi, India. Environ Monit Assess. 2022;195(1):60.
  21. Duan J, Gong Y, Luo J, Zhao Z. Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer. Sci Rep. 2023;13:12127.
  22. Liu X, Su K, Wang S, et al. Intelligent prediction of air quality index based on the transformer-BiLSTM model. Sci Rep. 2025;15:41838.
  23. Liu Z, Fang Z, Hu Y. A deep learning-based hybrid method for PM₂.₅ prediction in central and western China. Sci Rep. 2025;15:10080.
  24. Hu Y, Ding Y, Jiang W. Geographically aware air quality prediction through CNN-LSTM-KAN hybrid modeling with climatic and topographic differentiation. Atmosphere. 2025;16(5):513.
  25. Makhdoomi A, Sarkhosh M, Ziaei S. PM₂.₅ concentration prediction using machine learning algorithms: an approach to virtual monitoring stations. Sci Rep. 2025;15:8076.
  26. Jiang Z, Nie Y, Gong W. Enhanced PM₂.₅ forecasting via bio-inspired hybrid LSTM optimization for high-precision results. AIP Adv. 2025;15:075346.
  27. Pan P, Malarvizhi AS, Yang C. Data augmentation strategies for improved PM₂.₅ forecasting using transformer architectures. Atmosphere. 2025;16(2):127.
  28. Masood A, Hameed MM, Srivastava A, et al. Improving PM2.5 prediction in New Delhi using a hybrid extreme learning machine coupled with snake optimization algorithm. Sci Rep. 2023;13:21057.
  29. Meng X, Xie C, Tang X, et al. Prediction of particulate matter 2.5 concentration based on attention mechanism and convolutional BiLSTM network. Discov Appl Sci. 2025;7:1372.
  30. Mohammadi F, Teiri H, Hajizadeh Y, Abdolahnejad A, Ebrahimi A. Prediction of atmospheric PM2.5 level by machine learning techniques in Isfahan, Iran. Sci Rep. 2024;14(1):2109.
  31. Mutinda JK, Langat AK, Mwalili SM. Forecasting temperature time series data using combined statistical and deep learning methods: a case study of Nairobi County daily temperature. Int J Math Math Sci. 2025;2025:4795841.
  32. Nath P, Saha P, Middya AI, Roy S. Long-term time-series pollution forecast using statistical and deep learning methods. Neural Comput Appl. 2021;33(19):12551–12570.
  33. Patel P, Patel S, Shah K, Desai K, Patel S, Shah M, Patel S. A systematic study on PM2.5 and PM10 concentration prediction in air pollution using machine learning and deep learning model. Environ Chem Ecotoxicol. 2025;7:1401-1415.
  34. Li Q, Zhang C, Shangguan W, et al. LandBench 1.0: a benchmark dataset and evaluation metrics for data-driven land surface variables prediction. Expert Syst Appl. 2024;243:122917.
  35. Mojgani R, Waelchli D, Guan Y, Koumoutsakos P, Hassanzadeh P. Extreme event prediction with multi-agent reinforcement learning-based parametrization of atmospheric and oceanic turbulence. arXiv:2312.00907v1. 2023.
  36. Yu S, White BL, Bhiwandiwalla A, et al. ClimDetect: a benchmark dataset for climate change detection and attribution. arXiv:2408.15993. 2024.
  37. Li T, Hua M, Wu X. A hybrid CNN-LSTM model for forecasting particulate matter (PM2.5). IEEE Access. 2020.
  38. Farhangmehr V, Imanian H, Mohammadian A, Cobo JH, Shirkhani H, Payeur P. A spatiotemporal CNN-LSTM deep learning model for predicting soil temperature in diverse large-scale regional climates. Sci Total Environ. 2025;968:178901.
  39. Wu C, Wang R, Lu S, Tian J, Yin L, Wang L, Zheng W. Time-series data-driven PM2.5 forecasting: from theoretical framework to empirical analysis. Atmosphere. 2025;16:292.
  40. Wu Y, Wang X, Wang M, Liu X, Zhu S. Time-series forecasting of PM2.5 and PM10 concentrations based on the integration of surveillance images. Sensors. 2025;25:95.
  41. Gong Y, Zhang Y, Wang F, Lee C-H. Deep learning for weather forecasting: a CNN-LSTM hybrid model for predicting historical temperature data. arXiv:2410.14963. 2024.
  42. Zhou S, Wang W, Zhu L, Qiao Q, Kang Y. Deep-learning architecture for PM2.5 concentration prediction: a review. Environ Sci Ecotechnol. 2024;21:100400.
  43. Zhang Z, Dey S, Lee K, et al. Temporal difference-based graph transformer networks for air quality PM₂.₅ prediction. Front Environ Sci. 2022;10:924986

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

البيئةالعدد 234العدد 234التنبؤ بجودة الهواءالقابلية للتفسير القائمة على آلية الانتباهالتصنيع الذكي وأنظمة الطاقة الحضرية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.