Aprendizaje profundo híbrido con interpretabilidad basada en la atención para la predicción PM2.5 en entornos urbanos de Delhi

Resumen

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, un marco híbrido de deep learning para la previsión a corto plazo de PM₂.₅ en Delhi. El modelo combina selección de características CorrXGBoost-Rank, aprendizaje por transferencia con redes de memoria a corto plazo y larga y atención multicabeza para interpretación temporal y a nivel de características, y utiliza datos de calidad del aire, meteorológicos y de recuento de incendios derivados de satélites para mejorar la predicción de PM_2.5.

Resumen

La predicción a corto plazo de PM_2.5 es un reto en Delhi porque las concentraciones de partículas en partícula están influenciadas por emisiones locales, variaciones meteorológicas, estancamiento estacional y contaminación episódica relacionada con incendios. Este estudio presenta CORTA-Net, un marco híbrido de aprendizaje profundo para la predicción de PM_2.5 utilizando datos ambientales multifuente desde 2012 hasta 2024. Los datos de entrada incluyen observaciones horarias de calidad del aire de las estaciones de monitorización CPCB (Junta Central de Control de la Contaminación) / DPCC (Comité de Control de la Contaminación de Delhi), variables meteorológicas del Departamento Meteorológico de India (IMD) e información de conteo de incendios derivada de satélites procedente de productos MODIS (Espectrorradiómetro de Imagen de Resolución Moderada). El marco propuesto aplica primero la selección de características CorrXGBoost-Rank para reducir predictores redundantes y conservar contaminantes importantes, variables meteorológicas, temporales y relacionadas con incendios. Las características seleccionadas se organizan entonces como secuencias de ventana deslizante supervisadas y se procesan utilizando un codificador LSTM basado en aprendizaje por transferencia, seguido de una capa de atención con múltiples cabezas. El mecanismo de atención proporciona una interpretación a nivel de características y pasos temporales de la previsión de PM_2.5 . CORTA-Net se evaluó utilizando particiones cronológicas de entrenamiento, pruebas y validación, así como validación cruzada. En comparación con las bases de bosque aleatorio, XGBoost, LSTM y atención LSTM, el marco propuesto redujo el error de predicción bajo el entorno evaluado de la estación de monitorización de Delhi. La novedad de CORTA-Net radica en combinar el cribado explícito de características CorrXGBoost-Rank, la codificación temporal basada en aprendizaje por transferencia, la integración de actividad de fuego MODIS y el análisis de comportamiento de modelos de atención basado en múltiples cabezas en una única cadena reproducible de previsión de PM_2.5 . En la práctica, el marco puede apoyar la predicción a corto plazo de la calidad del aire urbano en entornos de monitorización ricos en datos donde se disponga de registros de contaminantes, observaciones meteorológicas e indicadores de actividad de incendios.

Introducción

Las partículas finas con diámetro aerodinámico ≤ 2,5 μm (PM_2,5) son una preocupación importante para la calidad del aire en Delhi porque se ven afectadas por emisiones^{locales 1,2,3}, transporte^{regional 4}, meteorología^{estacional 5} y eventos episódicos de combustión^{de biomasa 6}. Durante los periodos post-monzónicos e^{invernales 7}, la baja velocidad del viento⁸, las condiciones poco profundas de la capa límite⁹ y la inversión térmica pueden reducir la dispersión de contaminantes y aumentar la acumulación de partículas. La previsión de PM_2.5 a corto plazo es un reto debido al fenómeno inherente no lineal, estacional y abruptamente altamente contaminado de la serie^{temporal 10}. Estudios previos sobre la predicción PM_2.5 han utilizado modelos estadísticos, modelos de aprendizaje automático y modelos recurrentes de redes^{neuronales 11}. Los métodos estadísticos pueden ser útiles para determinar tendencias y estacionalidad de datos¹², pero puede que no puedan explicar completamente las interacciones no lineales que existen entre los contaminantes y la^{meteorología 13}. Modelos de aprendizaje automático como los bosques aleatorios y XGBoost pueden usarse para modelar relaciones no^{lineales 14}; sin embargo, normalmente no tienen una dependencia temporal a menos que se diseñen características retardadas. Las redes neuronales a corto plazo (LSTM) son capaces de modelar tanto la dependencia temporal como las relaciones no^{lineales 15}.

Las redes de memoria a largo plazo pueden modelar patrones^{temporales 16}, pero su rendimiento puede verse afectado por condiciones no estacionarias y episodios abruptos de contaminación¹⁷. Los enfoques recientes basados en la atención y en transformadores mejoran la representación temporal¹⁸, pero muchos de ellos procesan todas las variables candidatas directamente y proporcionan un control limitado sobre la redundancia de características antes del modelado de^{secuencias 19,20}. Aunque los modelos de aprendizaje profundo basados en transformadores e híbridos han mejorado recientemente la previsión de PM_2.5 y^{AQI 21}, sus contribuciones suelen concentrarse en el aprendizaje de representación^{temporal 22}, la construcción de grafos^{espaciales 23}, la fusión^{de modelos 24} o la optimización. Muchos de estos modelos utilizan directamente el conjunto de entrada multivariante disponible y ponen la carga principal de aprendizaje sobre el modelo^{de secuencia 25}. Esto puede aumentar la redundancia de entradas, reducir la interpretabilidad y dificultar identificar si las mejoras surgen de la modelización temporal, el cribado de características, indicadores ambientales externos o ponderaciones basadas en la atención. Por tanto, CORTA-Net se posiciona como un marco de previsión a nivel de flujo de trabajo en lugar de una nueva capa²⁶ independiente de redes neuronales. Su distinción radica en la integración ordenada de cuatro etapas: cribado de características CorrXGBoost-Rank antes del modelado de secuencias, codificación LSTM por aprendizaje por transferencia para adaptación temporal, inclusión de conteo de fuego derivada de MODIS para influencia episódica de combustión de biomasa, y atención multicabeza para la interpretación de comportamiento a nivel de características y pasos temporales. Este diseño permite al marco evaluar tanto la precisión de la predicción como la contribución de variables seleccionadas de contaminantes, meteorología, temporales y de actividad incendiaria bajo la misma configuración²⁷ de la estación de monitorización de Delhi.

Los avances recientes en la predicción de la calidad del aire han utilizado cada vez más modelos híbridos de aprendizaje profundo, mecanismos de atención, aprendizaje basado en^{grafos 28} y arquitecturas de transformadores para capturar dependencias temporales y espaciales^{no lineales 29}. Estos enfoques han mejorado el rendimiento de la predicción al aprender dependencias a largo plazo y asignar pesos adaptativos a pasos de tiempo o variables^{de entrada 30}. Sin embargo, muchos modelos recientes aún dependen de grandes conjuntos de características de entrada, no reducen explícitamente los predictores redundantes antes de la modelización temporal, o no incluyen indicadores externos de actividad de incendios cuando los efectos episódicos de quema de biomasa son importantes. CORTA-Net aborda esta carencia combinando cribado de características, codificación LSTM de transferencia y aprendizaje, integración de conteo de fuego derivada de MODIS y atención multicabeza en un único flujo de trabajo de predicción.

Este estudio presenta CORTA-Net como una cadena híbrida reproducible de previsión de PM_2.5 en lugar de una nueva capa de red neuronal. El marco combina cuatro etapas: selección de características CorrXGBoost-Rank, codificación temporal LSTM basada en aprendizaje por transferencia, integración de conteo de fuego derivada de MODIS y análisis de comportamiento de modelos basado en atención en múltiples cabezas. CorrXGBoost-Rank reduce primero variables contaminantes y meteorológicas redundantes antes de la modelización de secuencias. Las características seleccionadas se organizan entonces en secuencias de ventanas deslizantes y se procesan usando un codificador LSTM de aprendizaje por transferencia. Las variables de recuento de incendios MODIS se incluyen como indicadores externos de la actividad regional de incendios, y la capa de atención multicabeza se utiliza para examinar qué pasos de tiempo recientes y variables de entrada contribuyen más fuertemente a la prevision. El marco es adecuado para entornos donde las observaciones continuas de PM_2.5 están disponibles desde al menos una estación de monitorización, preferiblemente con varios años de datos horarios. También se beneficia de observaciones meteorológicas e información de conteo de incendios derivada de satélites cuando la influencia regional de la quema de biomasa es relevante. Por ello, CORTA-Net está destinado a entornos urbanos ricos en datos de previsión de la calidad del aire y puede no ser adecuado para ubicaciones con registros de monitorización escasos, irregulares o a corto plazo.

Delhi fue seleccionada como región de estudio porque experimenta niveles altos recurrentes de PM₂.₅ durante los periodos post-monzón e invierno³¹. La ciudad se ve afectada por el tráfico, la actividad industrial, las emisiones residenciales, el estancamiento meteorológico y la quema agrícola regional. Se utilizaron cuatro estaciones de monitorización para este estudio: Dwarka Sector 8, Anand Vihar, Mundka-DPCC y Sonia Vihar. Cada estación representa un tipo diferente de microentorno urbano: zona residencial, zona de influencia del tráfico y zona con efectos industriales. Las observaciones realizadas desde cada estación de monitoreo entre 2012 y 2024 se presentan en la Figura Suplementaria 1. El entrenamiento del modelo se realizó con datos de 2015 a 2022, y las pruebas con datos de 2023 tanto para el desarrollo como para la validación del modelo³² realizada sobre los datos recogidos en 2024. Las variables utilizadas como entradas incluían PM_2.5, PM₁₀, NO,_{NO 2}, NOx, CO, benceno, temperatura del aire, velocidad del viento, radiación solar y presión barométrica, y se determinaron a partir de lo disponible en el sitio³³. Los datos derivados de MODIS se utilizaron como variable externa representativa del nivel de actividad del fuego en la zona. La Tabla 1 contiene un resumen de las estadísticas de concentración PM₂.₅ de cada una de las cuatro estaciones de monitorización.

Conjunto de datos	Nombre de la estación	Promedio	ETS	min	25%	50%	75%	Max
1	Sector 8 de Dwarka	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	Anand Vihar	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	Mundka-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	Sonia Vihar	101.35	80.25	5.80	42.15	75.60	138.75	565.40

Tabla 1: Estadísticas resumidas de la concentración de PM₂.₅ en cuatro estaciones de monitorización de Delhi. La Tabla 1 presenta los niveles medios de PM2.5 (partículas finas) medidos en cuatro monitores de Delhi. PM_2.5 consiste en contaminantes en el aire de menos de 2,5 micras de diámetro y, como tal, es lo suficientemente pequeño como para ser fácilmente inhalado profundamente en los pulmones, lo que supone diversos posibles riesgos para la salud.

Protocolo

Metodología
Se construyó un modelo supervisado de ventana deslizante para predecir el valor futuro de PM_2.5 en el tiempo t + 1 a partir de observaciones horarias previas. Se evaluaron las ventanas de entrada candidatas de 12, 24 y 48 pasos horarios usando el rendimiento de validación, y la configuración final de CORTA-Net utilizó una secuencia de entrada de 24 horas. Se utilizó interpolación lineal para rellenar los valores que faltan; los valores atípicos se eliminaron usando el método IQR; y todas las variables se escalaron usando la normalización min-max antes de generar características PM_2.5 con retraso. A continuación, se aplicó el procedimiento CorrXGBoost-Rank para la selección de características. Primero, el filtrado de correlación de Pearson retenía variables con |r| ≥ 0,30. Segundo, pares de características altamente redundantes con correlación por pares |corr(_{x i}, x_j)| ≥ 0,85 fueron filtrados para reducir la multicolinealidad. En tercer lugar, se entrenó un regresor XGBoost sobre las variables restantes, y se mantuvieron predictores con puntuaciones de importancia basadas en la ganancia de XGBoost ≥ 0,015 para la entrada final del modelo. La arquitectura final de CORTA-Net consistió en capas LSTM apiladas para codificación temporal, una capa de atención multicabeza para ponderación a nivel de características y pasos temporales, y capas de regresión densa para estimación PM_2.5 . El modelo fue entrenado usando el optimizador Adam con pérdida por error cuadrático medio y parada temprana. La evaluación del modelo se realizó utilizando RMSE y^R2 a través de particiones de entrenamiento, validación, pruebas y validación cruzada de 10 partidas. La Tabla 2 representa el resumen de preprocesamiento de datos e ingeniería de características.

Escalón	Método utilizado	Parámetro / umbral	Propósito
Cálculo de valores faltantes	Porcentaje de observaciones ausentes	Informe porcentaje variable	Cuantifica la completitud de los datos
Imputación de gap corto	Interpolación lineal	Longitud de la brecha ≤ 6 h	Rellena intervalos cortos que faltan
Detección de valores atípicos	Método IQR	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Elimina valores extremos inválidos
Normalización	Escalado Min-Max	Set de entrenamiento mínimo y máximo	Estandariza la gama de características
PM₂.₅ lags	Variables con retardo	Lag₁, Lag₂, Lag₃	Captura la persistencia temporal
Estadísticas en movimiento	Promedias móviles	3 h, 6 h, 12 h, 24 h	Captura la acumulación a corto plazo
Función de conteo de fuegos	CONTEO DE INCENDIOS DE MODIS	Recuento del mismo día / día anterior	Representa la influencia regional del fuego

Tabla 2: Preprocesamiento de datos y resumen de la ingeniería de características. En la Tabla 2, el procesamiento de datos se realiza de dos maneras: primero, mediante la limpieza y transformación de los datos en bruto (preprocesamiento), y segundo, mediante ingeniería de características para crear/seleccionar/modificar características (características). Como unidad, estos dos procesos ayudan a eliminar o reducir el ruido; manejar valores faltantes; mejorar la coherencia de los datos; y crear modelos más predictivos.

Los parámetros de normalización se estimaron solo a partir del conjunto de entrenamiento y luego se aplicaron sin cambios a los conjuntos de pruebas y validación para evitar fugas de información.

Formulación matemática del rango CorrXGBoost
Sea X = {_{x 1}, x₂, ..., x_n} el conjunto de variables de entrada candidatas, y y la concentración objetivo PM₂.₅. Para cada característica x_i, el coeficiente de correlación de Pearson con la variable objetivo se calculó como:

(1)

donde cov(_{x, i}, y) es la covarianza entre la característica x_i y el objetivo y, y σx_i y σy son sus desviaciones estándar. Características conservadas que satisfacen: |r_i| ≥ τ_r donde τ_r = 0,30 en este estudio.

Se calcularon correlaciones por pares entre todas las features_x_{retenidas i}, x_j, y si |corr(_{x i},_{x j})| >= τ_rojo, donde τ_rojo = 0,85, la característica con la correlación absoluta más baja con el objetivo PM_2,5 se elimina del conjunto de características. Este proceso reduce las variables del conjunto de características que tienen multicolinealidad. A continuación, se ajustó un modelo regresor XGBoost a las características restantes, y se calcularon puntuaciones de importancia de características para cada característica usando la importancia XGBoost, y las características que satisfacían i_i ≥ τ_xgb donde τ_xgb = 0,015 se mantenían en el conjunto final de características (S") definido como_{S final} = S_corr ∪ S_xgb, es decir, el conjunto definido filtrando características para redundancia respecto a la correlación y eliminando cualquier característica basada en la importancia de la variable XGBoost. El enfoque general adoptado en la selección de características es el siguiente: calcular la correlación Pearson objetivo de características por pares, descartar características con |r_i|< 0,30, descartar características con pares que tengan correlaciones por pares ≥ 0,85, ajustar XGBoost a las características restantes, mantener características con puntuación de importancia XGBoost ≥ 0,015, definir las características deseadas finales S_final=_{S corr} ∪ S_xgb, donde S_corr son las características que se mantienen tras un filtrado redundante de correlaciones, y S_xgb son las características seleccionadas usando la puntuación de importancia de características de XGBoost. Por tanto, el flujo de trabajo CorrXGBoost-Rank es: calcular la correlación de Pearson entre características y objetivo, eliminar características con |_{r i}| < 0,30, eliminar características altamente redundantes con correlación por pares ≥ 0,85, entrenar XGBoost en las variables restantes, conservar variables con puntuación de importancia XGBoost ≥ 0,015 y usar la unión de variables seleccionadas por correlación y seleccionadas por XGBoost como conjunto final de características. Los parámetros utilizados en este estudio son τ_r = 0,30, τ_rojo = 0,85 y τ_xgb = 0,015.

Fuentes de datos
Los autores integraron tres grandes conjuntos de datos para el estudio; estos son datos sobre contaminantes atmosféricos (PM_2.5, PM₁₀, NO₂, CO y SO₂) que los autores obtuvieron a través del monitoreo de la calidad del aire por CPCB (Junta Central de Control de la Contaminación) / DPCC (Comité de Control de la Contaminación de Delhi), datos meteorológicos (temperatura, humedad, velocidad/dirección y presión del viento) del departamento meteorológico indio (IMD) e información satelital sobre incendios activos de la MODIS Active Fire Products de la NASA. Estos tres conjuntos de datos cubren el periodo de 12 años de enero de 2012 a diciembre de 2023 y, por tanto, representan diferentes tipos de emisiones. Los incendios contribuyen a la contaminación del aire, como se ilustra en la Figura Suplementaria 2, que muestra las tendencias de FIRECOUNT desde 2012 hasta 2024.

Tendencias a largo plazo de los contaminantes a lo largo del periodo del estudio
La Figura 1 muestra las tendencias a largo plazo de los contaminantes a lo largo de los años de estudio (2012–2024). Los recuentos anuales de incendios y las concentraciones medias de PM₂.₅ entre 2012 y 2024 tienen una relación positiva moderadamente fuerte (r = 0,688), lo que indica que una mayor actividad de incendios suele estar relacionada con concentraciones más altas de PM₂.₅. Tanto los datos medidos como los predichos de PM₂.₅ siguen una tendencia similar, apoyando la idea de que la quema de biomasa contribuye a la contaminación por partículas. Aunque existe una variabilidad interanual significativa, las emisiones relacionadas con incendios son un factor importante para determinar la variabilidad PM₂.₅, lo que subraya la necesidad de una gestión regional del fuego para mejorar la calidad del aire. La autocorrelación de PM_2.5 predicha a treinta retrasos, mostrada en la Figura Suplementaria 3, presenta una autocorrelación positiva considerable en casi los treinta retrasos, confirmando que PM_2.5 en Delhi tiene una fuerte dependencia temporal y persistencia de varios días.

Figura 1: Tendencias a largo plazo de PM₂.₅ y conteo de incendios desde 2012 hasta 2024. La Figura 1 compara la variación anual del recuento de incendios con las concentraciones observadas y previstas de PM₂.₅. PM₂.₅ se reporta en μg/^{m 3}. FIRECOUNT representa la actividad de incendios derivados de satélites a partir de productos MODIS. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Descomposición STL (descomposición estacional y de tendencias usando Loess)
STL o descomposición estacional y de tendencias usando Loess es un algoritmo iterativo que permite desglosar los datos de series temporales en tres componentes aditivos, como se muestra en la Figura 2: tendencia (tendencia a largo plazo) (Figura 2A), (Figura 2D), (Figura 2G), (Figura 2J), estacional (periodos cíclicos) (Figura 2B), (Figura 2E), (Figura 2H), (Figura 2K) y resto (ruido/residual) (Figura 2C), (Figura 2F), (Figura 2I), (Figura 2L). STL ha demostrado ser eficaz para tratar las complejas características no lineales de los datos ambientales (como PM_2.5), para las cuales muchas otras técnicas analíticas han fallado debido a amplitudes variables en la señal estacional y a la existencia de valores atípicos. El suavizado LOESS permite una separación precisa de estos componentes, produciendo una interpretación más clara de tendencias o patrones. A través del procesamiento STL, es posible separar las tendencias alcistas más amplias de PM_2.5 de los ciclos diarios/estacionales más cortos y de los residuos erráticos dentro de esos ciclos. Esta separación permite identificar qué emisiones han influido en el PM_2.5, en contraposición a los factores meteorológicos que han influido en el PM_2.5. Los resultados de esta separación ayudan a una previsión precisa de las futuras emisiones de PM_2.5 ; proporcionar datos para decisiones regulatorias; y cumplir con los estándares establecidos para la desagregación rigurosa de datos de series temporales para estudios de calidad del aire³⁴. Las mediciones diarias medias de concentración de PM_2,5 realizadas en estaciones de monitorización de Delhi entre 2012 y 2024 indican cambios mínimos en los niveles de PM_2,5 (es decir, ningún cambio significativo entre 2022 y 2024) en general y un comportamiento extremadamente limitado y consistente (o consistencia en los niveles de PM_2,5 entre los cuatro lugares de monitorización). Los niveles de PM_2,5 en el Sector 8 de Dwarka y Mundka-DPCC muestran una tendencia persistente a la baja (es decir, continúa disminuyendo), mientras que Anand Vihar tiene una tendencia al alcista (es decir, un aumento significativo), y Sonia Vihar una ligera tendencia al alza (desde un aumento muy pequeño desde 2022). Además, los residuos de las concentraciones diarias de PM_2,5 en cada una de las cuatro estaciones de monitorización indicaron que las concentraciones de PM_2,5 estaban fuertemente influenciadas por cambios estacionales (meteorológicos), que producían grandes fluctuaciones en las concentraciones medias diarias de PM_2,5 para las estaciones individuales. Las concentraciones diarias de PM_2,5 para las cuatro estaciones de monitoreo en Delhi (2012–2024) se muestran en la Figura 2.

Figura 2: Descomposición STL (descomposición estacional y de tendencias usando Loess) de las concentraciones diarias de PM₂.₅ en cuatro estaciones de monitoreo de Delhi entre 2022 y 2024. La serie temporal de cada estación de monitorización se divide en tres componentes aditivos: tendencia a largo plazo, variación estacional y residuo (resto). (A) Componente de tendencia para el Sector 8 de Dwarka. (B) Componente estacional para el Sector 8 de Dwarka. (C) Componente residual para el Sector 8 de Dwarka. (D) Componente de tendencia para Anand Vihar. (E) Componente estacional para Anand Vihar. (F) Componente residual para Anand Vihar. (G) Componente de tendencia para Mundka-DPCC. (H) Componente estacional para Mundka-DPCC. (I) Componente residual para Mundka-DPCC. (J) Componente de tendencia para Sonia Vihar. (K) Componente estacional para Sonia Vihar. (L) Componente residual para Sonia Vihar. STL, descomposición estacional y de tendencias usando Loess. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura 2 presenta las descomposiciones temporales de concentraciones diarias de PM2.5 en cuatro ubicaciones urbanas de monitorización entre 2022 y 2024, revelando patrones de descensos a largo plazo, aumentos graduales y grandes cambios diurnos. Estas diferencias pueden atribuirse en gran medida a los efectos físicos del clima, es decir, cambios en la altura de la capa límite planetaria (PBL), como la expansión diurna que aumenta la dispersión vertical y reduce las concentraciones, y la contracción nocturna, dejando contaminantes cerca del suelo y creando un pico más alto por la noche. Otras influencias meteorológicas provienen de emisiones locales de actividad humana relacionadas con sus horas de mayor volumen (picos de mañana/tarde), industrias y sus interacciones con: factores específicos del sitio, como la topografía local, la velocidad del viento, la humedad relativa y la estación (es decir, mayor correlación en invierno) que generan los cambios específicos de la estación y los descensos generales a largo plazo pueden haber sido influenciados por controles regulatorios sobre las emisiones. lo que lleva a tendencias descendentes en general.

Correlación entre las características
La Figura 3 presenta la distribución de todas las características de entrada utilizadas en el modelo CORTA-Net. En paneles, las variables contaminantes (PM₁₀ (Figura 3A), NO₂ (Figura 3B), CO (Figura 3C), SO₂ (Figura 3D)) muestran distribuciones sesgadas hacia la derecha típicas de los datos de calidad del aire urbano, mientras que O₃ (Figura 3E) y presión (Figura 3I) presentan patrones cercanos^{a la normalidad 35}. La temperatura (Figura 3F) muestra una estructura estacional bimodal clara, la humedad (Figura 3G) sigue una amplia dispersión uniforme, y la velocidad del viento (Figura 3H) muestra una distribución de cola ligera. Estos patrones ponen de manifiesto el comportamiento estadístico heterogéneo de los predictores y justifican la necesidad de ingeniería de características y normalización antes del entrenamiento del modelo.

Figura 3: Distribución de las características de entrada utilizadas en el modelo CORTA-Net, incluyendo concentraciones de contaminantes atmosféricos y variables meteorológicas. Las distribuciones ilustran las características estadísticas de los predictores antes del preprocesamiento y el entrenamiento del modelo. (A) PM₁₀ concentración. (B) Concentración NO₂. (C) Concentración de CO. (D) Concentración SO₂. (E) O₃ concentración. (F) Temperatura del aire. (G) Humedad relativa. (H) Velocidad del viento. (I) Presión atmosférica. Las variables contaminantes, particularmente PM₁₀, NO₂, CO y SO₂, presentan distribuciones sesgadas hacia la derecha típicas de los datos de calidad del aire urbano, mientras que O₃ y la presión atmosférica muestran distribuciones aproximadamente normales. La temperatura muestra un patrón estacional bimodal, la humedad tiene una distribución amplia y la velocidad del viento se concentra en valores más bajos con una distribución de cola ligera. Estas distribuciones heterogéneas de características apoyan el uso de la ingeniería de características y la normalización antes del desarrollo del modelo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura 4 presenta la clasificación de importancia de características basada en la ganancia de XGBoost tras el preprocesamiento CorrXGBoost-Rank para la previsión PM₂.₅. El gráfico actual de importancia de características muestra que PM₂.₅ del Día Anterior es el predictor mejor valorado con una puntuación de importancia de 0,280, seguido de PM₁₀ = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, velocidad del viento = 0,070, temperatura = 0,040, humedad = 0,030 y día del año = 0,020. La línea vertical discontinua representa el umbral real de selección de características de XGBoost de 0,015. Se mantuvieron los predictores con puntuaciones de importancia mayores o iguales a 0,015 para el conjunto final de entrada CORTA-Net, mientras que los predictores por debajo de este umbral, incluyendo SO₂ = 0,010, O₃ = 0,010, presión = 0,005, precipitación = 0,005, fin de semana = 0,002 y festivo = 0,001, se excluyeron. Estos valores representan puntuaciones de importancia de características basadas en la ganancia de XGBoost y no deben interpretarse como coeficientes de correlación de Pearson ni efectos causales.

Por lo tanto, solo se incluyeron en el modelo las características que recibieron una contribución por encima de este umbral. Los modelos XGBoost utilizan un conjunto de árboles de decisión, que construyen iterativamente un árbol para minimizar una función de pérdida, conocida como gradient boosting. XGBoost calcula la importancia de las características usando una de tres métricas: ganancia (cuánto mejora la división de la característica el rendimiento del modelo), peso (cuántas veces se eligió la característica como división para un árbol) o cobertura (el número de observaciones afectadas por la división). El modelo XGBoost se basó en datos relacionados con la calidad del aire (contaminantes, variables meteorológicas) y se centra en PM_2.5 con retraso para pronosticar automáticamente PM_2.5, algo común en los modelos PM_2.5 en Delhi, y ayuda a capturar la persistencia temporal de PM_2.5. Delhi_PM_2,5 es un factor importante debido a las altas características de autocorrelación de las partículas finas, que también apuntan a la presencia de una inercia de contaminación por las fuentes de emisión consistentes. La velocidad del viento es un contribuyente significativo porque proporciona el mecanismo para la dispersión de los contaminantes; mientras que los vientos bajos permiten que se acumulen contaminantes durante el invierno cuando hay inversiones. El NO₂ está correlacionado con PM_2.5 debido al tráfico y las emisiones, mientras que el día del año indica el ciclo anual de emisiones de contaminantes (es decir, emisiones más bajas el fin de semana). En Delhi, PM_2.5 tiene una alta auto-persistencia debido a la meteorología invernal estancada y a las emisiones continuas de vehículos, industria y^{biomasa 28}. El viento ayuda a la dispersión de aerosoles, pero el viento débil < 2 m/s contribuyó a un aumento de la acumulación de PM_2,5 debido a las inversiones. La relación entre NO₂ y PM_2.5 es resultado de su origen común (es decir, combustión) y está sujeta a influencias temporales (por ejemplo, diaria frente a semanal⁾³⁶. Los cuatro factores principales responsables de explicar el 93% o más de la variación en el AQI son variaciones en las concentraciones de contaminantes derivadas de acumulación retardada de PM_2,5 (93%+) y bajas velocidades de viento que atrapan las emisiones, las emisiones de NO₂/PM de vehículos e industria, y las variaciones diarias en la cantidad de tráfico³⁷. Además, la geografía de Delhi es un factor que contribuye a la persistencia de inversiones en la zona y, por tanto, también agrava las concentraciones de PM_2.5 . El ajuste de hiperparámetros, la regularización y la adición de variables adicionales (como la temperatura) ayudarían a limitar las posibilidades de sobreajuste y mejorarían el rendimiento general del modelo. La implementación de estrategias operativas para reducir las emisiones de PM debería incluir la implantación de límites diarios a las emisiones de PM, el uso de dispositivos que permitan monitorización en tiempo real de la presencia de PM y el uso del viento para dispersar PM por los espacios verdes urbanos.

Figura 4: Clasificación de importancia de características basada en la ganancia de XGBoost tras el cribado de características de CorrXGBoost-Rank para la previsión PM₂.₅. Las barras predictoras están dispuestas en orden descendente de importancia. La línea vertical discontinua representa el umbral real de selección de características de XGBoost de 0,015. Se mantuvieron los predictores con puntuaciones ≥ 0,015 para el conjunto final de entrada CORTA-Net, mientras que los predictores por debajo de este umbral fueron excluidos. La clasificación se utiliza para el cribado de características e interpretación del comportamiento del modelo, y no debe interpretarse como atribución causal. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Arquitectura del modelo CORTA-net
La Figura 5 presenta un marco propuesto de predicción de PM_2.5. Las figuras complementarias 4 y 5 ilustran la disposición interna de la unidad LSTM y una representación del diagrama de bloques de atención multicabezal. Todas las fuentes de datos (es decir, condiciones ambientales, observaciones meteorológicas, actividad de incendios y aspectos temporales y contextuales de los datos) pasaron por preprocesamiento para asegurar que coinciden temporalmente, que se les impute cualquier dato faltante (si es necesario) y que hayan sido sometidas tanto a la eliminación como a la normalización de valores atípicos antes de emplearlas en cualquiera de los procesos de construcción del modelo. La arquitectura del modelo, la ingeniería de características, la configuración de entrenamiento, la configuración de datos, el aprendizaje por transferencia, las métricas de evaluación, las predicciones futuras y los detalles de implementación se muestran en la Tabla Suplementaria 1. Utilizando el módulo CorrXGBoost-Rank, el conjunto óptimo de características se determina antes de que un subconjunto de ellas se introduzca en la arquitectura LSTM, lo cual ha sido mejorado mediante la incorporación de capas de atención multicabeza para tener en cuenta el comportamiento de series temporales durante la fase de modelado. Tanto la previsión de PM_2.5 como la PM_2.5 se proporcionaron como salidas la importancia de las características de entrada, así como los pesos de atención de múltiples cabezas como mapas de atención. La estructura interna de unidades LSTM y el diagrama de bloques de atención multicabeza se han incluido como Figuras Suplementarias 4 y 5, respectivamente, mientras que la Tabla Suplementaria 1 proporciona los parámetros de arquitectura para cada tipo de capa dentro de esta arquitectura.

Figura 5: Arquitectura general del modelo de previsión CORTA-Net PM₂.₅. Un proceso de pronóstico de entrada incluye datos de indicadores de calidad del aire, indicadores meteorológicos, indicadores de tiempo y indicadores de conteo de incendios MODIS (Espectrorradiómetro de Imagen de Resolución Moderada). Para cada uno de estos pasos, el algoritmo alineó las marcas de tiempo, manejó los valores faltantes, filtró los valores atípicos, normalizó datos e ingenió características. Los predictores finales se seleccionaron entonces mediante el proceso CorrXGBoost-Rank. Posteriormente, las características seleccionadas se colocaban en ventanas deslizantes de secuencia temporal y pasaban a través de un codificador LSTM (Long Short-Term Memory) mediante aprendizaje por transferencia. Para cada característica y paso temporal, el mecanismo de atención multicabeza aplica pesos antes de enviar la salida combinada a la capa final densa de regresión para producir la predicción PM₂.₅. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Formación y evaluación
Se utilizó un enfoque de ventana deslizante para formar secuencias de aprendizaje supervisadas. El entrenamiento utilizó optimizador Adam y pérdida por error cuadrático medio (Tabla Suplementaria 2). El rendimiento del modelo se evaluó utilizando RMSE y^R2 en particiones de entrenamiento, validación, prueba y validación cruzada. La arquitectura del modelo, la ingeniería de características, la configuración de entrenamiento, la configuración de datos, el aprendizaje por transferencia, las métricas de evaluación, las predicciones futuras y los detalles de implementación se tabulan en la Tabla Suplementaria 1. La Figura 6 representa los diagnósticos de entrenamiento para el modelo de predicción CORTA-Net PM₂.₅. En los paneles, la Figura 6A representa curvas de pérdida de entrenamiento y validación, mostrando la reducción progresiva de errores, con una parada óptima en la época 106. La evolución de la brecha de generalización durante la evaluación de un análisis de sobreajuste se ilustra mediante la divergencia entre los datos de validación y de entrenamiento en la Figura 6B. En particular, muestra periodos en los que la divergencia supera los límites predefinidos; esta información aporta evidencia de que el comportamiento de la tasa de aprendizaje y los patrones de reducción de pérdida ilustran los beneficios de la decaimiento de la tasa de aprendizaje programada (LR) en épocas críticas como medio para mejorar la estabilidad de la convergencia, como se muestra en la Figura 6C. En conjunto, estas figuras ofrecen un resumen de la dinámica de aprendizaje, la capacidad de generalización y la configuración recomendada de entrenamiento del modelo.

Figura 6: Diagnósticos de entrenamiento para el modelo de predicción CORTA-Net PM₂.₅. (A) Curvas de pérdida de entrenamiento y validación que muestran una reducción progresiva del error durante el entrenamiento del modelo, con una parada temprana en la época 106 según el rendimiento de validación. (B) Brecha de generalización entre la pérdida de entrenamiento y validación a lo largo de las épocas, ilustrando la evolución de la generalización del modelo y los periodos de mayor divergencia indicativos de posible sobreajuste. (C) Calendario de tasa de aprendizaje que muestra el efecto de la disminución de la tasa de aprendizaje programada en la optimización durante el entrenamiento. (D) Resumen del comportamiento de convergencia del modelo, demostrando la optimización estable y la configuración final de entrenamiento seleccionada para el modelo CORTA-Net. En conjunto, estos diagnósticos ilustran la dinámica del modelo, las características de convergencia y el rendimiento de generalización durante el entrenamiento. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Resultados

Selección de características y resultados de previsión
El procedimiento CorrXGBoost-Rank seleccionó PM₂.₅ con retraso, velocidad del viento, humedad, temperatura, indicadores temporales y el conteo de fuego derivados de MODIS como predictores significativos de la calidad del aire. Cada una de estas variables explica la persistencia de la contaminación, la dispersión debida a las condiciones meteorológicas, las diferencias estacionales en los niveles de contaminación y la influencia regional de los incendios. Las variables redundantes se eliminaron antes del modelado de secuencias para reducir la dimensionalidad innecesaria de entrada. CORTA-Net fue evaluado utilizando el error absoluto medio, el error cuadrático medio raíz y el coeficiente de determinación. En el conjunto de datos diario de Delhi, el modelo alcanzó RMSE = 3,19 y^R2 = 0,983. En la partición diaria de entrenamiento climático de Delhi, el modelo alcanzó RMSE = 4,98 y^{R 2} = 0,845. En el análisis de dispersión por conjunto de pruebas objetivo, los valores observados y predichos de PM₂.₅ mostraron Pearson r = 0,942 y R² = 0,873. Estos valores se refieren a diferentes particiones de evaluación y no deben tratarse como resultados intercambiables a nivel de modelo.

La Figura 7 ahora sirve como una única representación visual consolidada del rendimiento de las pruebas de CORTA-Net sobre los datos de prueba. La sección de series temporales muestra que existe una excelente correlación entre el nivel real y el previsto de PM_2.5 en el conjunto de datos de prueba durante todo el periodo de evaluación, incluyendo eventos episódicos de alta contaminación como Diwali y quemaduras de residuos de cultivos. Para respaldar esto, el diagrama de dispersión muestra que existe una fuerte correlación lineal entre los valores reales y los pronosticados (r = 0,942 de Pearson,^{R 2} = 0,873), lo que indica un nivel extremadamente alto de precisión predictiva.

Rendimiento de la previsión
Los gráficos residuales muestran que los errores se distribuyen aproximadamente normalmente alrededor de cero, con solo unos pocos errores aislados durante picos extremos de contaminación. Esto apoyaba firmemente la robustez estadística y la ausencia de sesgo en los modelos CORTA-Net. CORTA-Net demostró un RMSE de 3,19 y un^{R 2} de 0,983 en el conjunto de datos diario de Delhi, y un RMSE de 4,98 y un^{R 2} de 0,844 en el conjunto de datos Daily Delhi Climate Train. Estas mediciones, junto con la evidencia anterior, confirmaron que CORTA-Net modeló con precisión tanto las tendencias graduales como las desviaciones repentinas en los niveles de PM_2.5 .

La precisión de las predicciones de concentraciones de PM_2.5 se evaluó mediante tres métodos: una evaluación basada en el tiempo de la precisión validada en el tiempo de las predicciones de los modelos sobre la concentración de PM_2.5 , una correlación temporal entre las concentraciones predichas y reales de PM_2.5 , y una evaluación de errores basada en análisis estadístico. La evaluación temporal, comparando los valores predichos de PM_2.5 y PM_2.5 temporal (Figura 7A), mostró la relación a lo largo del tiempo entre las concentraciones reales medidas de PM_2.5 en comparación con las concentraciones predichas por el modelo de PM_2.5 y demuestra algunas ocurrencias significativas de PM_2.5 (por ejemplo, el festival de Diwali y el periodo de quema de rastrojos) que ocurrieron durante este periodo. La correlación entre las concentraciones predichas por el modelo de PM_2.5 y las concentraciones medidas de PM_2.5 proporciona evidencia de una correlación muy alta (Pearson r = 0.942 y R2 = 0.873), con una fuerte concordancia entre las concentraciones predichas de PM_2.5 y las concentraciones medidas reales, lo que indica que el modelo PP-FRC es un predictor preciso y fiable de las concentraciones de PM_2.5 (Figura 7B). La distribución de la kurtosis de los residuos (Figura 7C) mostró pequeños errores a lo largo del tiempo con días aislados de alto error, mientras que la distribución residual fue aproximadamente normal (Figura 7D), y los errores residuales medios y medianos fueron muy cercanos a cero, lo que indica que los errores de predicción del modelo fueron imparciales y estadísticamente bien comportados.

Figura 7: Rendimiento predictivo del modelo CORTA-Net en el conjunto de datos de pruebas independiente. Las concentraciones de PM₂.₅ se informan en μg/m³. (A) Comparación temporal de concentraciones observadas y predichas de PM₂.₅, demostrando una estrecha concordancia entre los valores medidos y los predichos por el modelo, incluso durante episodios importantes de contaminación. (B) Diagrama de dispersión de concentraciones predichas frente a observadas de PM₂.₅, mostrando un fuerte rendimiento predictivo (Pearson r = 0,942; R² = 0,873). (C) Distribución temporal de los residuos (error de predicción) a lo largo del periodo de prueba, indicando generalmente errores pequeños con un número limitado de eventos de alto error. (D) Distribución de residuos, mostrando una distribución aproximadamente normal centrada cerca de cero, con residuos medios y medianos cercanos a cero, indicando errores de predicción sesgados y bien comportados. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura 7 presenta el rendimiento predictivo de CORTA-Net en el conjunto de pruebas objetivo. El gráfico de series temporales mostró la concordancia entre los valores observados y predichos de PM₂.₅, incluyendo periodos de concentración elevada de partículas. El gráfico de dispersión mostró la asociación entre los valores predichos y observados de PM_2.5. Los gráficos residuales mostraron que la mayoría de los errores de predicción están centrados cerca de cero, con desviaciones mayores durante episodios de alta contaminación.

Validación cruzada
La validación cruzada diez veces más grande mostró varianza limitada entre pliegues, demostrando robustez bajo condiciones atmosféricas no estacionarias. El modelo demostró una fuerte capacidad predictiva. Los valores predichos de PM₂.₅ coinciden estrechamente con los valores observados. Los residuos mostraron un sesgo mínimo y una normalidad aproximada. La Figura 8 ofreció una visión general del rendimiento del modelo en muchas condiciones y a lo largo del tiempo, utilizando medidas RMSE, MAE (error absoluto medio) y R2 (coeficiente de determinación) en validación cruzada de 10 vías. En los paneles de la Figura 8A y la Figura 8B, se mostró baja variabilidad en RMSE y MAE en todas las brechas de entrenamiento/validación cruzada, lo que indica una precisión predictiva estable. La Figura 8C del panel muestra valores consistentemente altos de R² (~0,92 para entrenamiento y ~0,89 para validación) en todas las validaciones cruzadas, lo que indica que el modelo tiene un alto poder explicativo y una varianza intra-modelo muy baja entre las diferentes validaciones cruzadas. La Figura 8D demostró que el valor medio en todas estas medidas mostró poca brecha de generalización, lo que sugiere que el modelo funcionó consistentemente bien independientemente de cómo se particionaran los datos.

Figura 8: Rendimiento fold-wise del modelo CORTA-Net usando validación cruzada 10-fold. El rendimiento se evaluó utilizando el error cuadrático medio (RMSE), el error absoluto medio (MAE) y el coeficiente de determinación (R²). Las barras de error representan la desviación estándar entre pliegues cuando corresponda. (A) Valores RMSE por pliegue para los conjuntos de datos de entrenamiento y validación, demostrando un error de predicción consistentemente bajo en todos los pliegues. (B) Valores de MAE por pliegues para los conjuntos de datos de entrenamiento y validación, indicando un rendimiento predictivo estable con mínima variación entre pliegues. (C^{) Valores} de R 2 por pliegues para los conjuntos de datos de entrenamiento y validación, mostrando un poder explicativo consistentemente alto en todos los pliegues de validación cruzada. (D) Métricas medias de rendimiento y brecha de generalización entre conjuntos de datos de entrenamiento y validación, demostrando un rendimiento consistente del modelo y buena generalización independientemente de la partición de datos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Interpretabilidad basada en la atención
Se utilizó la atención multicabeza para examinar qué pasos de tiempo recientes y variables de entrada contribuyeron más fuertemente a la previsión de PM_2.5 . Algunos responsables de atención enfatizaron la memoria de contaminantes a corto plazo mediante valores de PM_2.5 retrasados, mientras que otros asignaron mayor peso a variables meteorológicas relacionadas con la dispersión, como la velocidad del viento y la humedad. Las variables de recuento de incendios también recibieron mayor atención durante episodios de contaminación consistentes con la influencia regional de la quema de biomasa. Estos mapas de atención deben interpretarse como indicadores del comportamiento del modelo más que como explicaciones causales. Los resultados sugirieron que el modelo utiliza tanto la historia reciente de contaminantes como covariables ambientales al elaborar pronósticos.

Configuración del modelo	Selección de características	Aprendizaje por transferencia	Atención multicabeza	Entrada de conteo de fuego	RMSE ↓	MAE ↓	R² ↑
Línea base LSTM	No	No	No	No	7.56	5.52	0.905
+ Rango CorrXGBoost	Sí	No	No	No	4.24	3.10	0.970
+ Aprendizaje por transferencia	Sí	Sí	No	No	3.89	2.84	0.975
+ Atención multicabeza	Sí	Sí	Sí	No	3.48	2.54	0.980
CORTA-Net completo	Sí	Sí	Sí	Sí	3.19	2.33	0.983

Tabla 3: Análisis de ablación componente por componentes de CORTA-Net. La Tabla 3 evalúa cada elemento arquitectónico dentro de un sistema eliminando o modificando uno o más componentes y midiendo los cambios en el rendimiento. Esto indica qué componentes arquitectónicos son más efectivos, confirma las decisiones arquitectónicas y muestra cómo interactúan los distintos componentes para mejorar la precisión, robustez, eficiencia y efectividad general de la red.

La Tabla 3 presenta el análisis de ablación componente por componente de CORTA-Net. La línea base del LSTM obtuvo RMSE = 7,56, MAE = 5,52 y R² = 0,905. Añadir la selección de características CorrXGBoost-Rank redujo el RMSE a 4,24, lo que indica que eliminar predictores redundantes y poco relevantes mejoró el rendimiento de la predicción. El aprendizaje por transferencia redujo aún más la RMSE a 3,89, lo que indica que las representaciones temporales preentrenadas mejoraban la estabilidad del modelo. Al utilizar atención multicabezal, la RMSE se redujo de 3,48 a 3,19, mejorando así el valor de R² de 0,980 a 0,983, indicando una gran mejora en las predicciones temporales mediante el uso de pesos a nivel de características y pasos temporales junto con otros componentes del modelo CORTA-Net (es decir, CorrXGBoost-Rank, Aprendizaje por Transferencia, Atención Multi-Cabeza y Entradas MODIS Fire Count). En general, las mejoras demostraron las contribuciones de la selección de características, el aprendizaje por transferencia temporal, la ponderación de secuencias basada en atención y la actividad de incendios a la implementación y rendimiento del modelo CORTA-Net.

Selección de características	Modelado de secuencias temporales	Aprendizaje por transferencia	Análisis del comportamiento basado en la atención	Entrada de actividad de incendios	Papel principal en comparación
No hay un rango explícito de CorrXGBoost	No	No	No	No	Referencia clásica no lineal del aprendizaje automático
Importancia basada solo en árboles internos	No	No	No	No	Línea base de aumento de gradiente para predictores tabulares
No	Sí	No	No	No	Línea base temporal recurrente
No	Sí	No	Sí	No	Línea base recurrente basada en la atención
Sí	Sí	Sí	Sí	Sí	Marco propuesto de predicción híbrida

Tabla 4: Diferencias clave entre CORTA-Net y los modelos de previsión base. La Tabla 4 muestra que el modelo actual utilizado para la predicción es CORTA-Net, que permitió técnicas más avanzadas para extraer características temporales, así como usar la capacidad de atender adaptativamente según lo que era importante para capturar patrones temporales complejos a partir de conjuntos de datos de series temporales. CORTA-Net aprendió dinámicamente a relacionar muchas escalas diferentes de tiempo para producir mayor precisión global, robustez y capacidad para crear generalizaciones que las técnicas tradicionales de pronóstico base.

Las diferencias entre las metodologías de CORTA-Net y los modelos de referencia comparativos se presentan en la Tabla 4. Random Forest y XGBoost pueden usarse para proporcionar un método base no lineal de aprendizaje automático, pero carecen del modelado directo de dependencias secuenciales. Los LSTM se usaron como método de referencia temporal recurrente, mientras que los LSTM de Atención-proporcionaban ponderación basada en la atención sin características explícitamente de cribado, utilizando aprendizaje por transferencia o integrando actividad de fuego. En contraste, CORTA-Net incorpora cuatro aspectos de líneas base anteriores en una sola cadena de pronóstico: (1) selección de características CorrXGBoost-Rank; (2) codificaciones LSTM con aprendizaje por transferencia; (3) atención con múltiples cabezas; (4) y los disparos derivados de MODIS cuentan como datos de entrada.

Comparación de referencia
Además de las comparaciones cuantitativas de línea base (proporcionadas por separado con diferencias medias de pliegues, errores estándar e intervalos de confianza del 95%), los autores también evaluaron el funcionamiento interno de CORTA-Net a través de su mecanismo de atención. Los pesos de atención asignados a cada característica de entrada (pasos de tiempo y múltiples cabezas de atención) se muestran en la Figura 9. En la Figura 9A, el grupo muestra una distribución representativa de los pesos de atención asignados a una de las instancias del conjunto de datos de prueba. Como se ve en esta figura, aunque ciertas características de entrada (por ejemplo, PM2.5 en t-1, t-2 y t-3) tendrían pesos relativos menores que otros predictores, seguirían recibiendo la mayor atención/ponderación, demostrando que CORTA-Net presta más atención a la dependencia temporal a corto plazo que a la dependencia de la memoria a largo plazo. En la Figura 9B, los investigadores proporcionan evaluaciones agregadas de la importancia relativa de todas las características de entrada en todas las muestras de prueba para predecir PM_2.5 para Delhi; el PM_2,5 con retraso, la velocidad del viento, la temperatura y el recuento de incendios se identifican como las características predictivas de entrada más importantes. En la Figura 9C, los autores demuestran los patrones de atención multi-cabeza de CORTA-Net, donde cada cabeza captura diferentes, pero complementarias, relaciones temporales y/o a nivel de características entre las características de entrada, permitiéndole así aprender una representación más rica de las características de entrada. En la Figura 9D, los autores ilustran el flujo de atención por pasos temporales respecto a PM₁₀, ilustrando cómo la atención varía en el tiempo según los niveles de PM₁₀ . Aunque los pesos de atención pueden interpretarse como indicadores de patrones generales en el procesamiento de datos ambientales proporcionados secuencialmente por CORTA-Net, así como de su priorización de cada característica proporcionada secuencialmente, los pesos de atención no proporcionan evidencia directa de relaciones causales. Sin embargo, no proporcionaron información sobre cómo los procesos de CORTA-Net proporcionaban secuencialmente datos ambientales, lo que mejora la interpretabilidad de sus predicciones (Tabla Suplementaria 3).

Figura 9: Visualizaciones basadas en la atención del comportamiento del modelo CORTA-Net. Se muestra que los pesos de atención ilustran cómo el modelo distribuye el enfoque entre características de entrada y pasos de tiempo durante la predicción, y deben interpretarse como indicadores del comportamiento del modelo más que como evidencia de relaciones causales. (A) Mapa de atención de instancia única que muestra los pesos de atención asignados a las características de entrada y las observaciones históricas recientes para una predicción individual. (B) Importancia agregada de las características basada en los pesos de atención en todo el conjunto de datos de prueba, destacando la contribución relativa de cada variable de entrada a la predicción de PM₂.₅. (C) Patrones de atención con múltiples cabezas que demuestran cómo diferentes cabezas de atención capturan representaciones complementarias a nivel de rasgos y temporales. (D) Distribución temporal de la atención que muestra la importancia relativa de los pasos históricos durante la predicción. En general, los PM₂.₅, FIRECOUNT, velocidad del viento (WDS), humedad y temperatura recibieron los mayores pesos de atención, lo que indica su importancia en el proceso de predicción del modelo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La Figura Complementaria 6A–B compara CORTA-Net con modelos de referencia que utilizan MAE, RMSE y^{R 2}. Valores más bajos de MAE y RMSE indicaban un menor error de predicción, mientras que un R² más alto indica una varianza mejor explicada. CORTA-Net mostró un error de predicción menor que los modelos de referencia evaluados bajo la misma partición experimental. Sin embargo, la comparación debe interpretarse dentro del conjunto de datos seleccionado de estaciones de monitorización de Delhi y en la misma cadena de preprocesamiento. La Figura 7 suplementaria resume la clasificación relativa de los modelos CORTA-Net y de referencia a lo largo de las métricas reportadas. La Figura 8 complementaria destaca los principales componentes que contribuyen al rendimiento del modelo, incluyendo la selección de características, el aprendizaje por transferencia, el modelado de secuencias temporales y la atención a múltiples cabezas.

La evaluación comparando el rendimiento de CORTA-Net con algunos de los modelos base se realiza en la Figura Suplementaria 7A–C utilizando un gráfico de radar, que muestra el único modelo que mide por encima (o por debajo de) sus homólogos en todas las áreas medidas (RMSE invertido, MAE invertido y valores R² ). CORTA-Net logró la mejor clasificación general en la Figura Suplementaria 7B, además de situarse en los primeros puestos en varias de las otras métricas medidas. La Figura Suplementaria 7C presenta las mejoras de rendimiento entre CORTA-Net y las múltiples líneas base, medidas por CORTA-Net, demostrando ganancias sustanciales en relación con las líneas base en este estudio. La mejora más significativa se observa en RMSE (22,8%), seguida de los valores de EMA (24,1%) y^{R 2} (aumento del 39,3 al 72,2% para explicar la varianza en cada resultado). El recuadro resumen de CORTA-Net ofrece una visión general de sus puntos fuertes. Estos incluyen la capacidad de aplicar atención multi-cabeza para evaluar la importancia, la fusión temporal de datos de sensores para predecir contaminantes futuros, la resistencia a cambios en eventos contaminantes (por ejemplo, tormentas fuertes) y un rendimiento consistente en todas las medidas de éxito en un entorno transversal. CORTA-Net supera a todos los demás modelos actuales de aprendizaje profundo en función de su capacidad predictiva.

DISPONIBILIDAD DE DATOS:
Los datos sobre la calidad del aire en este estudio provienen de la monitorización pública realizada por la Junta Central de Control de la Contaminación y el Comité de Control de la Contaminación de Delhi, cuando están disponibles. Los datos meteorológicos se obtuvieron de los registros del Departamento Meteorológico de la India o de fuentes correspondientes de datos meteorológicos públicos. Los datos de conteo de incendios derivados de satélites se derivaron del producto activo de incendios MODIS. Para el informe, los conjuntos de datos procesados, listas de características seleccionadas, parámetros de normalización y código necesarios para reproducir los experimentos reportados están disponibles a través del enlace al repositorio de manuscritos: https://github.com/saravagnamahasiva/CORTA-Net. El manuscrito destaca la reproducibilidad proporcionando una identificación clara de la(s) fuente(s) de datos, pasos de preprocesamiento, umbrales para la selección de características, componente(s) del modelo, partición(es) de evaluación y métricas reportadas. El modelo se evalúa mediante particiones cronológicas de entrenamiento, pruebas y validación. Los parámetros de preprocesamiento se derivaban de los datos de entrenamiento y luego se aplicaban tanto a datos de prueba como de validación. Los resultados se presentan como hallazgos específicos de sus respectivas particiones, y se evitan reclamaciones más generales.

Figura suplementaria 1: Mapa de la zona de estudio de Delhi. Mapa del área de estudio de Delhi que muestra la ubicación de las cuatro estaciones de monitorización de la calidad del aire (Dwarka Sector 8, Anand Vihar, Mundka-DPCC y Sonia Vihar) incluidas en este estudio para la recogida de datos PM₂.₅ y el desarrollo de modelos. Por favor, haga clic aquí para descargar este archivo.

Figura suplementaria 2: Tendencia anual de FIRECOUNT (2012–2024). Los incendios contribuyen a la contaminación del aire, como ilustran las tendencias de FIRECOUNT desde 2012 hasta 2024. Por favor, haga clic aquí para descargar este archivo.

Figura complementaria 3: Gráfico de función de autocorrelación (ACF) para PM₂.₅ horario. La autocorrelación de PM_2.5 predicha con 30 lags muestra una fuerte autocorrelación positiva en casi todos los lags, confirmando que PM2.5 en Delhi muestra una fuerte dependencia temporal y persistencia de varios días. Por favor, haga clic aquí para descargar este archivo.

Figura suplementaria 4: Estructura interna de una unidad LSTM. Una red LSTM (Memoria a Corto Plazo Largo) resuelve el problema de dependencia a largo plazo de las Redes Neuronales Recurrentes (RNN) estándar regulando el flujo de información a través de un estado celda dedicado que actúa como una cinta transportadora de memoria. Por favor, haga clic aquí para descargar este archivo.

Figura suplementaria 5: Diagrama de bloques de atención multi-cabeza. La atención multi-cabeza extiende la autoatención dividiendo la entrada en múltiples cabezas, permitiendo al modelo capturar diversas relaciones y patrones. Por favor, haga clic aquí para descargar este archivo.

Figura 6 complementaria: Comparación del rendimiento global de CORTA-Net y modelos de previsión base. El rendimiento del modelo se evaluó utilizando el error absoluto medio (MAE), el error cuadrático medio raíz (RMSE) y el coeficiente de determinación (R²). Valores más bajos de MAE y RMSE indican un menor error de predicción, mientras que valores más altos de R² muestran una varianza mejor explicada. (A) Rendimiento comparativo de CORTA-Net y los modelos de referencia evaluados basados en métricas MAE, RMSE y R2. (B) Comparación general que resalta el rendimiento predictivo relativo de los modelos evaluados bajo la misma partición de datos experimental. CORTA-Net logró menores errores de predicción y un mayor rendimiento explicativo que los modelos de referencia evaluados. Por favor, haga clic aquí para descargar este archivo.

Figura suplementaria 7: Análisis comparativo del rendimiento de CORTA-Net y modelos de referencia utilizando múltiples métricas de evaluación. (A) Gráfico de radar que compara el rendimiento normalizado de modelos basándose en RMSE invertido, MAE invertido y R², demostrando la superioridad global de CORTA-Net entre las métricas evaluadas. (B) Clasificación relativa de rendimiento de CORTA-Net frente a modelos base, destacando su rendimiento consistentemente entre los primeros puestos. (C) Mejora porcentual de CORTA-Net respecto a los modelos de referencia evaluados para MAE, RMSE y R², mostrando avances sustanciales en precisión predictiva y varianza explicada. (D) Resumen de las características clave de CORTA-Net, destacando su mecanismo de atención multicabezal, fusión temporal de características, robustez ante eventos de contaminación y rendimiento predictivo consistentemente superior en todas las métricas de evaluación. Por favor, haga clic aquí para descargar este archivo.

Figura suplementaria 8: Comparación de pérdidas de entrenamiento y validación entre épocas. Esto demuestra convergencia progresiva de modelos y generalización estable con un sobreajuste mínimo. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 1: Arquitectura del modelo CORTA-Net propuesto. Visión general de la arquitectura CORTA-Net, incluyendo cada componente de red, especificaciones de capa, funciones de activación y el número correspondiente de parámetros entrenables utilizados para la previsión PM₂.₅. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 2: Configuración de hiperparámetros y configuración de entrenamiento del modelo CORTA-Net propuesto. Resumen del diseño arquitectónico, configuración de hiperparámetros, configuración de entrenamiento, estrategia de ingeniería de características, preprocesamiento de datos, configuración de aprendizaje por transferencia y parámetros de evaluación utilizados para desarrollar y optimizar el modelo propuesto. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 3: Comparación del rendimiento del modelo propuesto con métodos de previsión base. Comparación de modelos convencionales de aprendizaje automático y aprendizaje profundo con el marco propuesto en términos de selección de características, mecanismo de atención, aprendizaje por transferencia y rendimiento predictivo, medido usando RMSE, MAE y^R2. Por favor, haga clic aquí para descargar este archivo.

Tabla suplementaria 4: Comparación de estudios previos de previsión PM₂.₅ y el enfoque propuesto. Resumen de estudios representativos de previsión PM₂.₅, destacando sus metodologías, conjuntos de datos, características clave de entrada, inclusión de actividad de incendios, rendimiento predictivo, interpretabilidad, limitaciones reportadas y cómo el marco propuesto CORTA-Net aborda estas limitaciones. Por favor, haga clic aquí para descargar este archivo.

Discusión

CORTA-Net combina tres componentes clave en una secuencia para formar una arquitectura híbrida. CorrXGBoost-Rank: Un componente personalizado de selección de características que elimina predictores redundantes antes de la etapa de modelado^{temporal 38}. Codificador LSTM: Utiliza capas LSTM apiladas para capturar dependencias temporales a corto y largo plazo en la secuencia de entrada^{seleccionada de 24 horas 39}. Capa de Atención Multicabezal: Aplicada a la salida LSTM (con los pesos de atención asociados) como parte del último paso del modelo híbrido de secuencia CORTA-Net; mejora la interpretabilidad de la salida final sin reemplazar el papel de la columna principal^{del LSTM 40}. El codificador LSTM aprende dependencias temporales a partir de la secuencia seleccionada de ventana deslizante. CORTA-Net está diseñado para proporcionar un enfoque híbrido de modelado de secuencias donde CorrXGBoost-Rank poda predictores redundantes. La Capa de Atención Multi-Head proporcionaba una agregación ponderada de todas las salidas de LSTM y producía tanto las previsiones PM_2.5 como los pesos de atención asociados. Los tres componentes de CORTA-Net son significativamente diferentes de la arquitectura pura de transformadores, mientras que CORTA-Net emplea redes LSTM (recurrentes) para modelar el aprendizaje de secuencias, las redes recurrentes proporcionan la base principal para el aprendizaje secuencial y la atención actúa como mecanismo explicativo.

El marco CORTA-Net tiene cuatro limitaciones principales. En primer lugar, la evaluación del modelo se basó en varias estaciones de monitorización en Delhi, por lo que el rendimiento puede no generalizarse a ciudades con diferentes fuentes de emisiones, condiciones climáticas o densidad/configuración/etc. de monitorización. En segundo lugar, aunque los recuentos de incendios de los datos satelitales proporcionan un indicador de las variables de fuego, pueden no ofrecer una representación completa de la intensidad del fuego, el transporte de la columna o las transformaciones químicas. En tercer lugar, los sensores unidireccionales, los datos ausentes y los cambios en las estaciones de monitorización individuales o en redes de monitorización predisponentes pueden influir en la calidad y fiabilidad de los datos de series temporales. Cuarto, aunque la atención es informativa, no implica una relación causal. Una evaluación adicional requerirá el uso de CORTA-Net dentro de otras ciudades independientes y redes de monitorización adicionales. Con el fin de mejorar la precisión de las estimaciones del transporte regional de contaminación atmosférica mediante el uso de nuevas tecnologías, los investigadores han desarrollado un marco consciente del transporte. El marco integra datos adicionales como la extracción de características de conjuntos de datos meteorológicos y de teledetección, control de calidad de datos, ingesta de datos casi en tiempo real, estimación de incertidumbre y recalibración frecuente^{del modelo 41}. El equipo de investigación ha desarrollado un conjunto completo de herramientas computacionales para abordar estos problemas, incluyendo optimizadores adaptativos para el entrenamiento de modelos y la afinación de parámetros, aprendizaje por transferencia para aprovechar datos existentes y mejorar la capacidad predictiva, técnicas de modelado secuencial de series temporales, modelado basado en la atención e interpretabilidad del modelo. Además, la integración de la IA explicable en el marco CORTA-Net permite la vinculación directa de predicciones con el conocimiento científico de los principales factores que contribuyen a la contaminación del aire. Por ejemplo, la IA explicable permite identificar la actividad de incendios que ocurre en el periodo posterior al monzón como un contribuyente significativo a la contaminación del aire. La validación cruzada del rendimiento del modelo (Delhi RMSE = 3,19, R² = 0,983) confirma la eficacia de CORTA-Net, mientras que las visualizaciones basadas en la atención de los resultados del modelo indican que se pueden observar patrones de interés para los responsables de la toma de decisiones y los profesionales de la salud pública. Finalmente, el uso de recuentos de incendios y datos de emisiones no controladas como entradas en el marco CORTA-Net reduciría inherentemente la generalización de los resultados a otras regiones, ya que el uso de fuentes rápidamente o mal monitorizadas podría alterar gravemente la implementación del marco^{CORTA-Net 42}.

La representación gráfica presentada en la Figura 10 permite a los responsables de la toma de decisiones e investigadores visualizar las relaciones entre modelos/sistemas desarrollados utilizando diferentes metodologías para la predicción PM₂.₅, donde las barras codificadas por colores representan RMSE (barras más cortas = mayor precisión) y R² (barras más largas = mayor variabilidad contabilizada), con modelos organizados por enfoque (agregación de ciudades, estación específica, series multivariantes). Las representaciones gráficas de la profundidad muestran que ningún modelo individual supera predeciblemente en todas las categorías; CORTA-Net superó consistentemente a modelos similares en conjuntos de datos urbanos, de alto ruido y a nivel de estación, que presentaban una variabilidad local significativa, mientras que MxConnect generalmente produjo resultados regionales promedio superiores en conjuntos de datos espacialmente más gruesos, ilustrando la importancia de seleccionar modelos basándose en la escala de los datos analizados (es decir, el tamaño de los conjuntos de datos), la resolución espacial de los conjuntos de datos (es decir, el nivel de congestión), los niveles de ruido en los conjuntos de datos (es decir, precisión) o variación local. En efecto, la singularidad de CORTA-Net es su utilización de ponderación adaptativa de características incrustada en un mecanismo recurrente de atención secuencial para reducir dinámicamente el peso de entradas redundantes o entradas con alto ruido aleatorio durante el procesamiento temporal. Esto se logra incrustando la ponderación adaptativa de características dentro de un diseño de gating personalizado basado en atención, a diferencia de la mayoría de los enfoques actuales que se usan hoy en día, que han dependido en gran medida del uso de enfoques heurísticos estáticos (es decir, umbrales de correlación o PCA) antes de la aplicación de un modelo como paso de preprocesamiento (Figura 10A). Este enfoque adaptativo y sensible al contexto de priorización utilizado en CORTA-Net permite realizar ajustes en tiempo real en relación con la dinámica local en tejidos urbanos, donde modelos más simples y menos complejos diseñados con conjuntos de datos entrenados globalmente pueden ofrecer resultados de previsión superiores para promedios a nivel de país. Las visualizaciones gráficas comparativas presentadas en la Figura 10B identifican colectivamente la relación entre el benchmarking de modelos, proporcionando a investigadores y responsables de la toma de decisiones dirección para seleccionar modelos para su aplicación específica (es decir, pueden identificar vías adicionales de investigación relacionadas con la predicción a corto plazo de PM₂.₅)

Figura 10: Comparación del rendimiento predictivo de los modelos de previsión de CORTA-Net y de referencia. El rendimiento del modelo se evaluó utilizando el error absoluto medio (MAE), el error cuadrático medio raíz (RMSE) y el coeficiente de determinación (R²). Valores más bajos de MAE y RMSE indican mejor precisión predictiva, mientras que valores más altos de R² muestran una mayor varianza explicada. (A) Rendimiento comparativo de todos los modelos evaluados basados en MAE, RMSE y R², proporcionando una evaluación global de la precisión predictiva y el ajuste del modelo. (B) Comparación de rendimiento de los modelos de mejor rendimiento, destacando las fortalezas y limitaciones relativas de los enfoques CORTA-Net y benchmark. En general, la comparación demuestra el rendimiento competitivo de CORTA-Net y facilita una evaluación intuitiva de diferentes arquitecturas de modelos para la previsión PM₂.₅. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

La comparación muestra que CORTA-Net es un flujo de trabajo híbrido de previsión PM₂.₅ en lugar de una arquitectura de transformador independiente (Tabla Suplementaria 4). Las nuevas arquitecturas de transformadores han demostrado una capacidad considerable para aprender dependencias temporales a largo alcance, pero las arquitecturas híbridas CNN-RNN y transformador-LSTM aumentan la eficiencia de la predicción al aprovechar las fortalezas de cada arquitectura neuronal (como se muestra en la Tabla 5). A diferencia de CORTA-Net, muchos modelos híbridos CNN-RNN y transformer-LSTM existentes dependen del modelo de secuencia para aprender del conjunto completo de características de entrada en lugar de realizar un cribado explícito antes del modelado temporal, mientras que CORTA-Net utiliza datos externos de conteo de incendios MODIS para modelar las influencias de la quema de biomasa. El uso de ponderaciones de atención por parte de CORTA-Net para evaluar cómo cada predictor influye en la contribución acumulada del predictor, en relación con el tiempo (es decir, ponderación agregada en el tiempo), y sus tres diferentes etapas contribuyen al error total asociado con CORTA-Net, siendo la combinación de los tres el menor error medido frente al conjunto de datos de estaciones de monitorización de Delhi bajo la evaluación⁴³. En resumen, las contribuciones prácticas de CORTA-Net integran de forma reproducible cuatro áreas relevantes de la previsión a corto plazo de PM₂.₅: selección de características, aprendizaje por transferencia temporal, enriquecimiento de actividad de incendios externos e interpretabilidad basada en la atención. Agrupar resultados por modelo y fuente de datos (reanálisis ERA5 globalmente a urbano específico de ciudad multivariable) (Figura 10), con los investigadores que pueden comparar fácilmente cómo el rendimiento de cada modelo se relaciona con cada una de las ocho variables clave relacionadas con la calidad global de cada modelo en la previsión de concentraciones PM₂.₅.

Componentes principales del modelo	Mejores resultados numéricos reportados	Diferencia clave respecto a CORTA-Net
ARIMA para componente lineal, CNN-LSTM para componente no lineal, optimizador de escarabajo estiércol para ajuste de hiperparámetros	RMSE = 7,594, 14,940, 7,841 y 5,496; MAE = 5.285, 10.839, 5.120 y 3.770; R² = 0,989, 0,962, 0,953 y 0,953 en cuatro ciudades	Modelo híbrido AQI sólido, pero se centra en AQI y optimización de modelos; no incluye un cribado explícito de rango CorrXGBoost ni integración MODIS con conteo de disparos
Codificador de transformador, decodificador BiLSTM, interpretación basada en SHAP	Pekín: RMSE = 3,0012, MAE = 1,7928, R² = 0,9694; Tianjin: RMSE = 4,4785, MAE = 3,1614, R² = 0,9621; Shijiazhuang: RMSE = 5,1646, MAE = 3,4057, R² = 0,9324	Captura dependencias de AQI a corto y largo plazo, pero principalmente utiliza datos de concentración de contaminantes y no emplea variables de conteo de incendios MODIS ni reducción de rango CorrXGBoost previa a la secuencia
LSTM, autoatención de Transformers, optimización de enjambres de partículas	Mejor configuración estacional: R² = 0,98745 y 0,95655 para dos ciudades; los valores de bajo error reportados incluyen MAE = 0,83363 y RMSE = 1,0176 en el mejor ajuste	Un modelo Transformer-LSTM optimizado fuerte, pero su principal novedad es la optimización basada en PSO en lugar de la eliminación de redundancia de características y el enriquecimiento de actividad de fuego
CNN-LSTM con componentes de la red Kolmogorov-Arnold y reconocimiento geográfico	Shanghái: RMSE = 1,9222 y R² = 0,9832; Pekín: RMSE = 2,5213, con un RMSE un 59,6% inferior al LSTM básico	Un sólido modelo AQI geográfico y consciente, pero no aborda específicamente la previsión PM₂.₅ de Delhi ni incluye la información de conteo de incendios MODIS para episodios de combustión de biomasa
Regresores clásicos de aprendizaje automático con optimización por búsqueda en cuadrícula	GBR: RMSE = 2,31; RF: MAE = 0,47 y RMSE = 2,95; XGBR: R² = 0,9781	Un punto de referencia útil para aprendizaje automático, pero los modelos no representan explícitamente la dependencia temporal secuencial a través de LSTM o atención
LSTM optimizado usando el algoritmo de búsqueda Sparrow; en comparación con CNN-LSTM, CNN-BiLSTM y PSO-LSTM	SSA-LSTM: RMSE = 8,601, MAE = 6,317, R² = 0,946; PSO-LSTM: RMSE = 8,860, R² = 0,944; LSTM base: RMSE = 12,481, R² = 0,884	Muestra el valor de LSTM optimizado, pero no utiliza atención multicabezal, adaptación de transferencia y aprendizaje ni variables de actividad de incendios satelitales
Modelo transformador con submuestreo basado en conglomerados para eventos de alta contaminación desequilibrados	Mejor configuración: RMSE = 2,080, MAE = 1,386, R² = 0,914	Fuerte para la predicción de PM₂.₅ de alto evento, pero el énfasis está en el manejo de desequilibrios más que en la selección integrada de características, aprendizaje por transferencia, enriquecimiento de conteo de fuego e interpretación basada en la atención
Solo codificador temporal LSTM	RMSE = 7,56, MAE = 5,52, R² = 0,905	Utilizado como línea base temporal interna bajo el mismo entorno experimental de Delhi
LSTM con selección de características basada en correlación y XGBoost	RMSE = 4,24	Demuestra que eliminar predictores redundantes y débiles mejora la predicción antes del aprendizaje de secuencias
Selección de características, LSTM de aprendizaje transferido y atención multi-cabeza	RMSE = 3,48, R² = 0,980	Muestra el valor añadido de la ponderación temporal y de características basada en la atención

Tabla 5: Comparación metodológica de CORTA-Net con modelos recientes y existentes de previsión PM₂.₅/AQI. El marco propuesto difiere fundamentalmente de los métodos recientes de previsión basados en transformadores o híbridos PM₂.₅. Una comparación más fuerte con el estado del arte reciente.

La contribución clave de este estudio es un enfoque híbrido de aprendizaje profundo llamado CORTA-Net, que proporciona un método integrado para predecir concentraciones a corto plazo de PM_2.5 en Nueva Delhi, India, que tiene un entorno construido complejo. En lugar de depender de modelos bifurcados que consisten en tres componentes independientes (un módulo de selección de características basado en CorrXGBoost-Rank para minimizar la redundancia; un LSTM mejorado por aprendizaje por transferencia para codificar la no estacionariedad de las dependencias temporales; y un mecanismo de atención multicabeza para lograr predicciones interpretables a corto y largo plazo), CORTA-Net emplea un enfoque basado en pipelines para integrar estos componentes de forma sinérgica. Este marco incorpora la entrada de variables meteorológicas, conteos de incendios MODIS y datos de calidad del aire ambiente en un intento de crear una representación más completa de los factores que contribuyen a la contaminación por PM_2.5 . CORTA-Net tuvo un desempeño significativamente mejor que las referencias establecidas (Random Forest, XGBoost, LSTM y LSTM basada en atención) utilizando métricas de evaluación rigurosas, que incluían valores altos de^R2 (0,983) y valores bajos de RMSE (3,19). Estos estudios demostraron que todos los elementos de CORTA-Net contribuyeron significativamente al rendimiento del modelo. El mecanismo de atención multicabeza de CORTA-Net aportó un valor adicional a este estudio, ya que mostró que los principales predictores eran mediciones recientes de PM_2.5 , conteos de incendios y mediciones meteorológicas, lo que se alinea bien con los procesos atmosféricos conocidos y también ofrece un grado significativo de interpretabilidad a este modelo.

A pesar de los resultados prometedores, los autores reconocen que existen algunas limitaciones, incluyendo una restricción geográfica (solo Nueva Delhi) y la dependencia exclusiva del fuego MODIS que cuenta como proxies térmicos para los datos de RS. La investigación futura se centrará en validar el rendimiento de CORTA-Net en diversas ubicaciones urbanas, así como en la incorporación de características de conciencia del transporte, como alturas de la capa límite y trayectorias del viento, en el proceso de modelado para aumentar la generalizabilidad. No obstante, los autores consideran que CORTA-Net es un marco altamente viable, reproducible e interpretable para apoyar la formulación de políticas basadas en datos y los sistemas de alerta temprana. La capacidad de CORTA-Net para lograr un rendimiento sólido en un entorno urbano complejo pero rico en datos, Nueva Delhi, sugiere que CORTA-Net está listo para ser ampliamente implementado, sentando así las bases para desarrollar un nuevo estándar en la predicción de la calidad del aire urbano.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Fuente Calibri	Microsoft Corporation	URL: https://learn.microsoft.com/es-es/typography/font-list/calibri	Utilizada como la tipografía base solicitada para diagramas corregidos y etiquetas de figuras.
Scripts de generación de figuras CORTA-Net	Scripts personalizados para este proyecto CORTA-Net	URL: https://github.com/saravagnamahasiva/CORTA-Net	Utilizados para regenerar PDFs de figuras de calidad de publicación con etiquetas y orden corregidos.
CORTA_Net_High_Resolution_Images.zip	Archivo de imágenes del proyecto proporcionado por el usuario	Número de catálogo/RRID: No aplicable; archivo de fuente local	Utilizado como el conjunto de imágenes fuente/referencia y para determinar la identidad de la figura.
GitHub	GitHub, Inc.	URL: https://github.com/	Utilizado como el anfitrión de repositorio previsto para el código del proyecto y archivos de generación de figuras.
Matplotlib	Equipo de desarrollo de Matplotlib	RRID: SCR_008624; URL: https://matplotlib.org/	Utilizado para redibujar gráficos, diagramas, etiquetas, marcadores de panel y figuras vectoriales en PDF.
NumPy	Desarrolladores de NumPy	RRID: SCR_008633; URL: https://numpy.org/	Utilizado para matrices deterministas y valores simulados en paneles de figuras regenerados.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Utilizado para ayudar con la edición de código, regeneración de figuras, empaquetado de PDF y verificación.
Pillow	Colaboradores de Pillow	URL: https://python-pillow.org/	Utilizado para inspeccionar, redimensionar, previsualizar y validar salidas de imágenes raster.
Poppler	Desarrolladores de Poppler / freedesktop.org	URL: https://poppler.freedesktop.org/	Utilizado para renderizar PDFs generados a vistas previas PNG para controles de calidad visual.
pypdf	Colaboradores de pypdf	URL: https://pypdf.readthedocs.io/	Utilizado para verificar que cada PDF final de figura contenga una página válida.
Python	Fundación de Software Python	RRID: SCR_008394; URL: https://www.python.org/	Utilizado como el entorno de programación para la generación de figuras y procesamiento de PDF.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Utilizado para crear la tabla obligatoria de materiales/herramientas/software como un artefacto PDF.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/es-es/powershell/	Utilizado para orquestación de archivos, extracción de archivos y comandos de empaquetado final en ZIP.