CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, un cadre hybride d’apprentissage profond pour la prévision PM₂.₅ à court terme à Delhi. Le modèle combine la sélection des caractéristiques CorrXGBoost-Rank, l’apprentissage par transfert avec des réseaux mémoires à long terme et une attention multi-têtes pour l’interprétation temporelle et au niveau des caractéristiques, et utilise la qualité de l’air, les données météorologiques et le comptage des incendies dérivées des satellites pour améliorer la prévision des PM2.5.
Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.
Article de recherche
Apprentissage profond hybride avec interprétabilité basée sur l’attention pour la prévision PM2.5 dans les environnements urbains de Delhi
Dans cet article
Résumé
Résumé
La prévision à court terme des PM2,5 est complexe à Delhi car les concentrations de particules sont influencées par les émissions locales, les variations météorologiques, la stagnation saisonnière et la pollution épisodique liée aux incendies. Cette étude présente CORTA-Net, un cadre hybride d’apprentissage profond pour la prévision PM2.5 utilisant des données environnementales multi-sources de 2012 à 2024. Les données d’entrée comprennent des observations horaires de la qualité de l’air provenant des stations de surveillance du CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), des variables météorologiques du Département météorologique indien (IMD), ainsi que des informations de décompte des incendies dérivées des satellites provenant des produits MODIS (Spectroradiomètre d’Imagerie à Résolution Modérée). Le cadre proposé applique d’abord la sélection de caractéristiques CorrXGBoost-Rank pour réduire les prédicteurs redondants et conserver les polluants importants, les variables météorologiques, temporelles et liées aux incendies. Les caractéristiques sélectionnées sont ensuite organisées sous forme de séquences à fenêtres glissantes supervisées et traitées à l’aide d’un encodeur LSTM basé sur l’apprentissage par transfert, suivi d’une couche d’attention multi-têtes. Le mécanisme d’attention fournit une interprétation au niveau des caractéristiques et des pas de temps de la prévision PM2.5 . CORTA-Net a été évalué à l’aide de partitions chronologiques d’entraînement, de tests et de validation, ainsi que de validation croisée. Comparé aux bases de la forêt aléatoire, XGBoost, LSTM et attentive-LSTM, le cadre proposé a réduit l’erreur de prédiction dans le cadre évalué de la station de surveillance de Delhi. La nouveauté de CORTA-Net réside dans la combinaison du criblage explicite des caractéristiques CorrXGBoost-Rank, de l’encodage temporel basé sur l’apprentissage par transfert, de l’intégration de l’activité de feu MODIS et de l’analyse comportementale de modèles d’attention basée sur plusieurs têtes dans un pipeline unique de prévision reproductible PM2.5 . Concrètement, ce cadre peut soutenir la prévision à court terme de la qualité de l’air urbaine dans des environnements de surveillance riches en données où des relevés de polluants, des observations météorologiques et des indicateurs d’activité incendiaire sont disponibles.
Introduction
Les particules fines de diamètre aérodynamique ≤ 2,5 μm (PM2,5) constituent une préoccupation importante pour la qualité de l’air à Delhi car elles sont affectées par les émissionslocales 1,2,3, les transportsrégionaux 4, la météorologiesaisonnière 5 et les événements épisodiques de combustion debiomasse 6. Pendant les périodes post-mousson ethivernales 7, la faible vitesse du vent8, les conditions de couche limitepeu profondes 9 et l’inversion de température peuvent réduire la dispersion des polluants et augmenter l’accumulation de particules. La prévision de la PM2.5 à court terme est difficile en raison du phénomène inhérent à la non linéaire, saisonnière et abrupte à forte pollution de la sérietemporelle 10. Des études antérieures sur la prévision de PM2.5 ont utilisé des modèles statistiques, des modèles d’apprentissage automatique et des modèles de réseaux de neuronesrécurrents 11. Les méthodes statistiques peuvent être utiles pour déterminer les tendances et la saisonnalité des données12, mais peuvent ne pas être en mesure de rendre pleinement compte des interactions non linéaires existant entre les polluants et lamétéorologie 13. Des modèles d’apprentissage automatique tels que les forêts aléatoires et XGBoost peuvent être utilisés pour modéliser les relations nonlinéaires 14 ; cependant, ils n’ont généralement pas de dépendance temporelle sauf si des caractéristiques retardées sont conçues. Les réseaux de neurones à court terme (LSTM) sont capables de modéliser à la fois la dépendance temporelle et les relations nonlinéaires 15.
Les réseaux de mémoire à long terme peuvent modéliser des motifstemporels 16, mais leur performance peut être affectée par des conditions non stationnaires et des épisodes de pollutionsoudains 17. Les approches récentes basées sur l’attention et les transformateurs améliorent la représentationtemporelle 18, mais beaucoup traitent directement toutes les variables candidates et offrent un contrôle limité sur la redondance des caractéristiques avant la modélisation de la séquence19,20. Bien que les modèles d’apprentissage profond basés sur transformateurs et hybrides aient récemment amélioré la prévision de PM2.5 etAQI 21, leurs contributions se concentrent souvent sur l’apprentissage de représentationtemporelle 22, la construction de graphesspatiaux 23, la fusionde modèles 24 ou l’optimisation. Beaucoup de ces modèles utilisent directement l’ensemble d’entrée multivarié disponible et placent la principale charge d’apprentissage sur le modèlede séquence 25. Cela peut augmenter la redondance des entrées, réduire l’interprétabilité et rendre difficile d’identifier si des améliorations proviennent de la modélisation temporelle, de la sélection de fonctionnalités, des indicateurs environnementaux externes ou d’une pondération basée sur l’attention. CORTA-Net est donc positionné comme un cadre de prévision au niveau des flux de travail plutôt que comme une nouvelle coucheautonome de réseau neuronal 26. Sa particularité réside dans l’intégration ordonnée de quatre étapes : le criblage des caractéristiques CorrXGBoost-Rank avant la modélisation des séquences, l’encodage LSTM par transfert d’apprentissage pour l’adaptation temporelle, l’inclusion du nombre de feux dérivée par MODIS pour l’influence épisodique de la combustion de biomasse, et l’attention multi-têtes pour l’interprétation du comportement du modèle au niveau des caractéristiques et des pas de temps. Cette conception permet au cadre d’évaluer à la fois la précision des prévisions et la contribution de certaines variables polluantes, météorologiques, temporelles et d’activité des incendies sous le même réglage27 de la station de surveillance de Delhi.
Les avancées récentes en prévision de la qualité de l’air ont de plus en plus utilisé des modèles hybrides d’apprentissage profond, des mécanismes d’attention, l’apprentissage basé sur lesgraphes 28 et des architectures de transformateurs pour capturer les dépendances temporelles et spatialesnon linéaires 29. Ces approches ont amélioré la performance de prévision en apprenant les dépendances à plus longue portée et en attribuant des poids adaptatifs aux pas de temps ou aux variablesd’entrée 30. Cependant, de nombreux modèles récents dépendent encore de grands ensembles de caractéristiques d’entrée, ne réduisent pas explicitement les prédicteurs redondants avant la modélisation temporelle, et n’incluent pas d’indicateurs externes d’activité d’incendie lorsque les effets épisodiques de combustion de biomasse sont importants. CORTA-Net comble cette lacune en combinant le criblage de fonctionnalités, l’encodage LSTM par transfert et apprentissage, l’intégration du nombre de tirs dérivée du MODIS, et l’attention multi-têtes dans un seul flux de prévision.
Cette étude présente CORTA-Net comme un pipeline hybride reproductible de prévision PM2.5 plutôt que comme une nouvelle couche de réseau de neurones. Le cadre combine quatre étapes : sélection des caractéristiques CorrXGBoost-Rank, codage temporel LSTM basé sur l’apprentissage par transfert, intégration du nombre de tirs dérivée du MODIS, et analyse du comportement du modèle basée sur l’attention multi-têtes. CorrXGBoost-Rank réduit d’abord les polluants redondants et les variables météorologiques avant la modélisation des séquences. Les caractéristiques sélectionnées sont ensuite organisées en séquences à fenêtres glissantes et traitées à l’aide d’un encodeur LSTM par apprentissage par transfert. Les variables de comptage des incendies MODIS sont incluses comme indicateurs externes de l’activité régionale des incendies, et la couche d’attention multi-têtes est utilisée pour examiner quels pas de temps récents et variables d’entrée contribuent le plus fortement à la prévision. Le cadre convient aux contextes où des observations continues PM2.5 sont disponibles depuis au moins une station de surveillance, de préférence avec plusieurs années de données horaires. Elle bénéficie également d’observations météorologiques et d’informations de décompte des incendies dérivées des satellites lorsque l’influence régionale de la combustion de biomasse est pertinente. Par conséquent, CORTA-Net est destiné aux environnements urbains riches en données de prévision de la qualité de l’air et peut ne pas convenir aux sites avec des enregistrements de surveillance rares, irréguliers ou à court terme.
Delhi a été choisie comme région d’étude car elle connaît des niveaux récurrents élevés de PM₂.₅ pendant les périodes post-mousson ethivernale 31. La ville est affectée par le trafic, l’activité industrielle, les émissions résidentielles, la stagnation météorologique et les brûlages agricoles régionaux. Quatre stations de surveillance ont été utilisées pour cette étude : Dwarka Sector 8, Anand Vihar, Mundka-DPCC et Sonia Vihar. Chaque station représente un type différent de microenvironnement urbain : zone résidentielle, zone d’influence du trafic et zone à effets industriels. Les observations réalisées depuis chaque station de surveillance entre 2012 et 2024 sont présentées dans la Figure Supplémentaire 1. L’entraînement du modèle a été réalisé sur des données de 2015 à 2022, et des tests ont été effectués sur des données de 2023 pour le développement et la validation du modèle32 réalisés sur les données collectées en 2024. Les variables utilisées comme entrées comprenaient PM2.5, PM10, NO,NO 2, NOx, CO, benzène, température de l’air, vitesse du vent, rayonnement solaire et pression barométrique, et ont été déterminées à partir de ce qui était disponible sur le site33. Les données de comptage des incendies dérivées de MODIS étaient utilisées comme variable externe représentant le niveau d’activité des incendies dans la zone. Le tableau 1 contient un résumé des statistiques de concentration PM₂.₅ de chacune des quatre stations de surveillance.
| Jeu de données | Nom de la station | Méchant | MST | min | 25% | 50% | 75% | Max |
| 1 | Secteur 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 |
Tableau 1 : Statistiques résumées de la concentration PM₂.₅ dans quatre stations de surveillance de Delhi. Le tableau 1 présente les niveaux moyens de PM2,5 (particules fines) mesurés sur quatre moniteurs à Delhi. PM2.5 est constitué de contaminants aériens de moins de 2,5 microns de diamètre et, en tant que tel, est suffisamment faible pour être facilement inhalé en profondeur dans les poumons, ce qui pose divers dangers potentiels pour la santé.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Protocole
Méthodologie
Un modèle à fenêtre glissante supervisée a été construit pour prédire la valeur future de PM2,5 au temps t + 1 à partir des observations horaires précédentes. Les longueurs de fenêtres d’entrée candidates de 12, 24 et 48 pas horaires ont été évaluées en utilisant la performance de validation, et la configuration finale CORTA-Net utilisait une séquence d’entrée de 24 heures. L’interpolation linéaire était utilisée pour combler les valeurs manquantes ; les valeurs aberrantes ont été supprimées en utilisant la méthode IQR ; et toutes les variables étaient mises à l’échelle en utilisant la normalisation min-max avant de générer des fonctionnalités PM2.5 retardées. La procédure CorrXGBoost-Rank a ensuite été appliquée pour la sélection des caractéristiques. Premièrement, le filtrage par corrélation de Pearson conserve les variables avec |r| ≥ 0,30. Deuxièmement, paires de caractéristiques très redondantes avec corrélation par paires |corr(x i, xj)| ≥ 0,85 ont été filtrés pour réduire la multicolinéarité. Troisièmement, un régresseur XGBoost a été entraîné sur les variables restantes, et des prédicteurs avec des scores d’importance basés sur le gain XGBoost ≥ 0,015 ont été conservés pour l’entrée finale du modèle. L’architecture finale de CORTA-Net comprenait des couches LSTM empilées pour l’encodage temporel, une couche d’attention multi-têtes pour la pondération par caractéristiques et pas de temps, et des couches de régression denses pour l’estimation PM2.5 . Le modèle a été entraîné à l’aide de l’optimiseur Adam avec perte par erreur quadratique moyenne et arrêt précoce. L’évaluation du modèle a été réalisée à l’aide de RMSE etR2 à travers des partitions d’entraînement, de validation, de test et de validation croisée à 10 ans. Le tableau 2 représente le résumé du prétraitement des données et de l’ingénierie des fonctionnalités.
| Pas | Méthode utilisée | Paramètre / seuil | Objectif |
| Calcul de la valeur manquante | Pourcentage d’observations manquantes | Déclarer le pourcentage variable | Quantifie la complétude des données |
| Imputation à courte distance | Interpolation linéaire | Longueur de l’écart ≤ 6 h | Remplit les courts intervalles manquants |
| Détection des valeurs aberrantes | Méthode IQR | Q1 − 1,5 × IQR, Q3 + 1,5 × IQR | Supprime les valeurs extrêmes invalides |
| Normalisation | Mise à l’échelle Min-Max | Ensemble d’entraînement min et max | Standardisation de la gamme de caractéristiques |
| PM₂.₅ retarde | Variables retardées | Lag₁, lag₂, lag₃ | Capture la persistance temporelle |
| Statistiques en roulement | Moyennes mobiles | 3 h, 6 h, 12 h, 24 h | Capture l’accumulation à court terme |
| Fonction de comptage des tirs | MODIS COMPTE DES TIRS | Comptage du jour même / du jour précédent | Représente l’influence régionale du feu |
Tableau 2 : Résumé du prétraitement des données et de l’ingénierie des fonctionnalités. Dans le tableau 2, le traitement des données se fait de deux manières : d’abord, par le nettoyage et la transformation des données brutes (prétraitement), et deuxièmement, via l’ingénierie des caractéristiques pour créer/sélectionner/modifier des caractéristiques (caractéristiques). En tant qu’unité, ces deux processus aident à éliminer ou réduire le bruit ; gérer les valeurs manquantes ; améliorer la cohérence des données ; et créer davantage de modèles prédictifs.
Les paramètres de normalisation étaient estimés uniquement à partir de l’ensemble d’entraînement puis appliqués sans modification aux ensembles de tests et de validation afin d’éviter toute fuite d’informations.
Formulation mathématique du rang CorrXGBoost
Soit X = {x 1, x2, ..., xn} l’ensemble des variables d’entrée candidates, et y la concentration cible PM₂.₅. Pour chaque caractéristiquex i, le coefficient de corrélation de Pearson avec la variable cible était calculé comme suit :
(1)
où cov(x i, y) est la covariance entre la caractéristique xi et la cible y, et σxi et σy sont leurs écarts-types. Caractéristiques conservées satisfaisant : |ri| ≥ τr où τr = 0,30 dans cette étude.
Des corrélations par paires ont été calculées entre tous les features_xretenus i, xj, et si |corr(x i, xj)| > = τrouge, où τrouge = 0,85, la caractéristique ayant la corrélation absolue la plus faible avec la cible PM2,5 est retirée de l’ensemble des caractéristiques. Ce processus réduit les variables de l’ensemble des caractéristiques qui présentent une multicolinéarité. Ensuite, un modèle de régresseur XGBoost a été ajusté aux autres caractéristiques, et les scores d’importance des caractéristiques ont été calculés pour chaque caractéristique en utilisant l’importance XGBoost, et les caractéristiques satisfaisant i_i ≥ τxgb où τxgb = 0,015 ont été conservées dans l’ensemble final de caractéristiques (S") défini comme Sfinal =S corr ∪ Sxgb, c’est-à-dire l’ensemble de caractéristiques défini par filtrage des caractéristiques pour la redondance par rapport à la corrélation et en supprimant toute caractéristique basée sur l’importance des variables XGBoost. L’approche générale adoptée dans la sélection des caractéristiques est la suivante : calculer la corrélation Pearson par paires cible de caractéristiques, défausser les caractéristiques ayant |r_i|< 0,30, défausser les caractéristiques avec des paires ayant des corrélations paires ≥ 0,85, ajuster XGBoost aux caractéristiques restantes, conserver les caractéristiques ayant un score d’importance XGBoost ≥ 0,015, définir les caractéristiques finales souhaitées Sfinal=S corr ∪ Sxgb, où Scorr sont les caractéristiques conservées après un filtrage de corrélation redondant, et Sxgb sont les caractéristiques sélectionnées en utilisant le score d’importance des caractéristiques XGBoost. Le flux de travail CorrXGBoost-Rank est donc : calculer la corrélation de Pearson cible de caractéristiques, supprimer les caractéristiques avec |r i| < 0,30, supprimer les caractéristiques hautement redondantes avec une corrélation par paires ≥ 0,85, entraîner XGBoost sur les variables restantes, conserver les variables avec un score d’importance XGBoost ≥ 0,015, et utiliser l’union des variables sélectionnées par corrélation et sélectionnées par XGBoost comme ensemble final de caractéristiques. Les paramètres utilisés dans cette étude sont τr = 0,30, τrouge = 0,85 et τxgb = 0,015.
Sources de données
Les auteurs ont intégré trois grands ensembles de données pour l’étude ; il s’agit de données sur les polluants atmosphériques (PM2.5, PM10, NO2, CO et SO₂) que les auteurs ont obtenues via le suivi de la qualité de l’air par le CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), les données météorologiques (température, humidité, vitesse/direction et pression du vent) du département météorologique indien (IMD) et les informations satellites sur les incendies actifs provenant du MODIS Active Fire Products de la NASA. Ces trois ensembles de données couvrent la période de 12 ans de janvier 2012 à décembre 2023 et représentent donc différents types d’émissions. Les incendies contribuent à la pollution de l’air, comme illustré dans la Figure 2 supplémentaire, qui montre les tendances du FIRECOUNT de 2012 à 2024.
Tendances à long terme des polluants tout au long de la période d’étude
La Figure 1 montre les tendances à long terme des polluants au cours des années d’étude (2012–2024). Les décomptes annuels d’incendies et les concentrations moyennes de PM₂.₅ entre 2012 et 2024 présentent une relation positive modérément forte (r = 0,688), indiquant qu’une activité d’incendie plus élevée est généralement liée à des concentrations plus élevées de PM₂.₅. Les données mesurées et prédites PM₂.₅ suivent une tendance similaire, soutenant l’idée que la combustion de biomasse contribue à la pollution particulaire. Bien qu’il existe une variabilité interannuelle significative, les émissions liées au feu sont un facteur important pour déterminer la variabilité des PM₂.₅, soulignant la nécessité d’une gestion régionale des incendies pour améliorer la qualité de l’air. L’autocorrélation de la PM2,5 prédite à trente décalages, illustrée dans la Figure supplémentaire 3, présente une autocorrélation positive considérable à presque tous les trente décalages, confirmant que la PM2,5 à Delhi présente une forte dépendance temporelle et une persistance sur plusieurs jours.
Figure 1 : Tendances à long terme PM₂.₅ et du nombre d’incendies de 2012 à 2024. La Figure 1 compare la variation annuelle du nombre d’incendies avec les concentrations observées et prévues de PM₂.₅. PM₂.₅ est rapporté en μg/m 3. FIRECOUNT représente l’activité d’incendie dérivée des satellites provenant des produits MODIS. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Décomposition STL (décomposition saisonnière et de tendance utilisant le loess)
STL ou décomposition saisonnière et de tendance utilisant Loess est un algorithme itératif qui permet de décomposer les données de séries temporelles en trois composantes additives comme montré dans la Figure 2 : tendance (tendance à long terme) (Figure 2A), (Figure 2D), (Figure 2G), (Figure 2J), saisonnière (périodes cycliques) (Figure 2B), (Figure 2E), (Figure 2H), (Figure 2K) et reste (bruit/résiduel) (Figure 2C), (Figure 2F), (Figure 2I), (Figure 2L). STL s’est avéré efficace pour traiter les caractéristiques complexes non linéaires des données environnementales (telles que PM2.5), pour lesquelles de nombreuses autres techniques analytiques ont échoué en raison des amplitudes variables du signal saisonnier et de l’existence d’exceptions. Le lissage LOESS permet une séparation précise de ces composants, produisant une interprétation plus claire des tendances ou des motifs. Grâce au traitement STL, il est possible de séparer les tendances haussières plus larges de la PM2.5 des cycles quotidiens/saisonniers plus courts et des résidus erratiques de ces cycles. Cette séparation permet d’identifier les émissions qui ont influencé le PM2.5, par opposition aux facteurs météorologiques qui ont influencé le PM2.5. Les résultats de cette séparation aident à une prévision précise des futures émissions de PM2,5 ; fournir des données pour les décisions réglementaires ; et se conformer aux normes établies pour la désagrégation rigoureuse des séries temporelles pour les études sur la qualité del’air 34. Les mesures quotidiennes moyennes de concentration de PM2,5 prises dans les stations de surveillance de Delhi entre 2012 et 2024 indiquent des changements minimes des niveaux de PM2,5 (c’est-à-dire aucun changement significatif par rapport à 2022–24) dans l’ensemble et un comportement extrêmement limité et cohérent (ou une cohérence des niveaux de PM2,5 entre les quatre sites de surveillance). Les niveaux de PM2,5 au secteur 8 de Dwarka et à Mundka-DPCC montrent une tendance baissière persistante (c’est-à-dire continue de baisser), tandis qu’Anand Vihar présente une tendance à la hausse (c’est-à-dire une augmentation significative), et Sonia Vihar une légère tendance à la hausse (depuis une très faible augmentation depuis 2022). De plus, les résidus des concentrations quotidiennes de PM2,5 pour chacune des quatre stations de surveillance ont indiqué que les concentrations de PM2,5 étaient fortement influencées par les changements saisonniers (météorologiques), qui ont produit de fortes fluctuations dans les concentrations moyennes quotidiennes de PM2,5 pour chaque station. Les concentrations quotidiennes de PM2,5 pour les quatre stations de surveillance à Delhi (2012–2024) sont affichées à la Figure 2.
Figure 2 : Décomposition STL (décomposition saisonnière et de tendance utilisant le Loess) des concentrations quotidiennes de PM₂.₅ sur quatre stations de surveillance de Delhi de 2022 à 2024. La série temporelle de chaque station de surveillance est décomposée en trois composantes additives : tendance à long terme, variation saisonnière et résidu (résidu). (A) Composante tendance pour le secteur 8 de Dwarka. (B) Composante saisonnière pour le secteur 8 de Dwarka. (C) Composante résiduelle pour le secteur 8 de Dwarka. (D) Composante tendance pour Anand Vihar. (E) Composante saisonnière pour Anand Vihar. (F) Composante résiduelle pour Anand Vihar. (G) Composante tendance pour Mundka-DPCC. (H) Composante saisonnière pour Mundka-DPCC. (I) Composante résiduelle pour Mundka-DPCC. (J) Composante tendance pour Sonia Vihar. (K) Composante saisonnière pour Sonia Vihar. (L) Composante résiduelle pour Sonia Vihar. STL, décomposition saisonnière et de tendance utilisant le loess. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
La figure 2 présente les décompositions temporelles des concentrations quotidiennes de PM2,5 dans quatre sites de surveillance urbaine entre 2022 et 2024, révélant des schémas de déclins à long terme, d’augmentations progressives et de grands changements diurnes. Ces différences s’expliquent en grande partie par les effets physiques des météos, c’est-à-dire les variations de la hauteur de la couche limite planétaire (PBL), telles que l’expansion diurne qui augmente la dispersion verticale et réduit les concentrations, ainsi que la contraction nocturne, laissant les polluants proches du sol et créant un pic plus élevé la nuit. D’autres influences météorologiques proviennent des émissions locales d’activité humaine liées à leurs heures de plus grand volume (pics matin/soir), des industries, et de leurs interactions avec : des facteurs spécifiques au site, tels que la topographie locale, la vitesse du vent, l’humidité relative et la saison (c’est-à-dire une corrélation plus élevée en hiver) qui provoquent les changements spécifiques à la station et les baisses globales à long terme qui peuvent avoir été influencées par des contrôles réglementaires sur les émissions, ce qui entraîne des tendances à la baisse dans l’ensemble.
Corrélation entre les caractéristiques
La figure 3 présente la distribution de toutes les caractéristiques d’entrée utilisées dans le modèle CORTA-Net. Dans les panneaux, les variables polluantes (PM10 (Figure 3A), NO₂ (Figure 3B), CO (Figure 3C), SO₂ (Figure 3D)) présentent des distributions biaisées à droite typiques des données de qualité de l’air urbaine, tandis que O₃ (Figure 3E) et la pression (Figure 3I) présentent des schémas proches dela normale 35. La température (Figure 3F) présente une structure saisonnière bimodale claire, l’humidité (Figure 3G) suit une large dispersion uniforme, et la vitesse du vent (Figure 3H) montre une distribution à queue légère. Ces motifs mettent en lumière le comportement statistique hétérogène des prédicteurs et justifient la nécessité d’ingénierie des caractéristiques et de normalisation avant l’entraînement du modèle.
Figure 3 : Répartition des caractéristiques d’entrée utilisées dans le modèle CORTA-Net, y compris les concentrations de polluants atmosphériques et les variables météorologiques. Les distributions illustrent les caractéristiques statistiques des prédicteurs avant le prétraitement et l’entraînement du modèle. (A) PM₁₀ concentration. (B) Concentration NO₂. (C) Concentration CO. (D) Concentration SO₂. (E) Concentration O₃. (F) Température de l’air. (G) Humidité relative. (H) Vitesse du vent. (I) Pression atmosphérique. Les variables polluantes, en particulier PM₁₀, NO₂, CO et SO₂, présentent des distributions biaisées à droite typiques des données de qualité de l’air urbain, tandis que O₃ et la pression atmosphérique présentent des distributions approximativement normales. La température présente un schéma saisonnier bimodal, l’humidité est largement distribuée, et la vitesse du vent est concentrée à des valeurs plus basses avec une distribution à queue légère. Ces distributions de caractéristiques hétérogènes permettent l’utilisation de l’ingénierie des caractéristiques et de la normalisation avant le développement du modèle. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
La Figure 4 présente le classement d’importance des caractéristiques basé sur le gain XGBoost après le prétraitement CorrXGBoost-Rank pour la prévision PM₂.₅. Le graphique actuel par importance des caractéristiques montre que PM₂.₅ le jour précédent est le prédicteur le mieux classé avec un score d’importance de 0,280, suivi de PM10 = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, vitesse du vent = 0,070, température = 0,040, humidité = 0,030, et jour de l’année = 0,020. La ligne verticale pointillée représente le seuil réel de sélection des fonctionnalités XGBoost de 0,015. Les prédicteurs avec des scores d’importance supérieurs ou égaux à 0,015 ont été conservés pour l’ensemble final d’entrée CORTA-Net, tandis que les prédicteurs inférieurs à ce seuil, incluant SO₂ = 0,010, O₃ = 0,010, pression = 0,005, précipitations = 0,005, week-end = 0,002 et jour férié = 0,001, ont été exclus. Ces valeurs représentent des scores d’importance des caractéristiques basés sur le gain XGBoost et ne doivent pas être interprétées comme des coefficients de corrélation de Pearson ou des effets causals.
Par conséquent, seules les caractéristiques ayant reçu une contribution au-dessus de ce seuil étaient incluses dans le modèle. Les modèles XGBoost utilisent un ensemble d’arbres décisionnels, qui construisent itérativement un arbre pour minimiser une fonction de perte, appelée gradient boosting. XGBoost calcule l’importance des caractéristiques à l’aide de trois métriques : gain (dans quelle mesure la répartition de la caractéristique améliore la performance du modèle), poids (combien de fois la caractéristique a été choisie comme division pour un arbre), ou couverture (le nombre d’observations impactées par la séparation). Le modèle XGBoost a été construit sur des données liées à la qualité de l’air (polluants, variables météorologiques) et se concentre sur le retard de PM2,5 pour prévoir automatiquement PM2,5, ce qui est courant dans les modèles PM2,5 à Delhi, et aide à capturer la persistance temporelle de PM2,5. Delhi_PM2,5 contribue significativement en raison des fortes caractéristiques d’autocorrélation des particules fines, qui indiquent également la présence d’une inertie de pollution provenant des sources d’émission constantes. La vitesse du vent est un facteur important car elle fournit le mécanisme de dispersion des polluants ; tandis que les vents faibles permettent l’accumulation de polluants en hiver lorsque des inversions sont présentes. Le NO2 est corrélé à PM2.5 en raison du trafic/des émissions, tandis que le jour de l’année indique le cycle annuel des émissions de polluants (c’est-à-dire des émissions plus faibles le week-end). À Delhi, PM2.5 présente une forte auto-persistance en raison de la météorologie hivernale stagnante et des émissions continues des véhicules, de l’industrie et de labiomasse 28. Le vent favorise la dispersion des aérosols, mais un vent faible < 2 m/s a contribué à une augmentation de l’accumulation de PM2,5 due aux inversions. La relation entre NO2 et PM2.5 résulte de leur origine commune (c’est-à-dire la combustion) et est soumise à des influences temporelles (par exemple, quotidiennes vs. hebdomadaires)36. Les quatre facteurs principaux responsables d’expliquer 93 % ou plus de la variation de l’AQI sont les variations des concentrations de polluants dues à une accumulation retardée de PM2,5 (93 %+) et à de faibles vitesses de vent piégeant les émissions, les émissions de NO2/PM provenant des véhicules et de l’industrie, ainsi que les variations quotidiennes du volume de trafic37. De plus, la géographie de Delhi contribue à la persistance des inversions dans la région et aggrave ainsi les concentrations de PM2,5 . L’ajustement des hyperparamètres, la régularisation et l’ajout de variables supplémentaires (comme la température) aideraient à limiter les risques de sur-ajustement et amélioreraient la performance globale du modèle. La mise en œuvre de stratégies opérationnelles pour réduire les émissions de PM devrait inclure la mise en place de limites quotidiennes sur les émissions de PM, l’utilisation de dispositifs permettant de surveiller en temps réel la présence de PM, et l’utilisation de l’éolien pour disperser la PM dans les espaces verts urbains.
Figure 4 : Classement de l’importance des caractéristiques basé sur le gain XGBoost après le criblage des caractéristiques CorrXGBoost-Rank pour la prévision PM₂.₅. Les barres prédictrices sont disposées par ordre décroissant d’importance. La ligne verticale pointillée représente le seuil réel de sélection des fonctionnalités XGBoost de 0,015. Les prédicteurs avec des scores ≥ 0,015 ont été conservés pour l’ensemble final d’entrée CORTA-Net, tandis que les prédicteurs inférieurs à ce seuil ont été exclus. Le classement est utilisé pour le criblage des caractéristiques et l’interprétation du comportement modèle, et ne doit pas être interprété comme une attribution causale. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Architecture du modèle CORTA-net
La Figure 5 présente un cadre de prédiction proposé pour PM2.5 . Les figures complémentaires 4 et 5 illustrent l’agencement interne de l’unité LSTM et une représentation du diagramme bloc d’attention multi-têtes. Toutes les sources de données (c’est-à-dire les conditions ambiantes, les observations météorologiques, l’activité des incendies, ainsi que les aspects temporels et contextuels des données) ont subi un prétraitement pour s’assurer qu’elles concordent temporellement, qu’elles ont des données manquantes saisies (si nécessaire), et qu’elles ont été soumises à la fois à la suppression et à la normalisation des valeurs aberrantes avant de les employer dans l’ensemble des processus de construction du modèle. L’architecture du modèle, l’ingénierie des caractéristiques, la configuration d’entraînement, la configuration des données, l’apprentissage par transfert, les métriques d’évaluation, les prédictions futures et les détails de l’implémentation sont présentés dans le Tableau Supplémentaire 1. En utilisant le module CorrXGBoost-Rank, l’ensemble optimal de caractéristiques est déterminé avant qu’un sous-ensemble d’entre elles ne soit intégré à l’architecture LSTM, qui a été améliorée par l’intégration de couches d’attention multi-têtes pour tenir compte du comportement des séries temporelles durant la phase de modélisation. Les prévisions PM2.5 et PM2.5 mettent en avant l’importance des éléments d’entrée, ainsi que les poids d’attention multi-têtes comme cartes d’attention, ont été fournies en sortie. La structure interne de l’unité LSTM et le diagramme bloc d’attention multi-têtes ont été inclus respectivement comme figures supplémentaires 4 et 5, tandis que le tableau supplémentaire 1 fournit les paramètres d’architecture pour chaque type de couche au sein de cette architecture.
Figure 5 : Architecture globale du modèle de prévision CORTA-Net PM₂.₅. Un processus de prévision en entrée inclut des données provenant d’indicateurs de qualité de l’air, météorologiques, de temps et de MODIS (Moderate Resolution Imaging Spectroradiometer) pour le comptage des incendies. Pour chacune de ces étapes, l’algorithme alignait les horodatages, gérait les valeurs manquantes, filtrait les valeurs aberrantes, normalisait les données et ingéniait des fonctionnalités. Les prédicteurs finaux ont ensuite été sélectionnés à l’aide du processus CorrXGBoost-Rank. Par la suite, les caractéristiques sélectionnées étaient placées dans des fenêtres glissantes en séquence temporelle et passées à travers un encodeur LSTM (Long Short-Term Memory) utilisant l’apprentissage par transfert. Pour chaque caractéristique et pas de temps, le mécanisme d’attention multi-têtes applique des poids avant d’envoyer la sortie combinée à la couche finale dense de régression afin de produire la prédiction PM₂.₅. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Formation et évaluation
Une approche à fenêtre glissante a été utilisée pour former des séquences d’apprentissage supervisé. L’entraînement utilisait l’optimiseur Adam et la perte d’erreur quadratique moyenne (Tableau supplémentaire 2). La performance du modèle a été évaluée à l’aide de RMSE etR2 à travers les partitions d’entraînement, de validation, de test et de validation croisée. L’architecture du modèle, l’ingénierie des caractéristiques, la configuration d’entraînement, la configuration des données, l’apprentissage par transfert, les métriques d’évaluation, les prédictions futures et les détails de l’implémentation sont présentés dans le tableau supplémentaire 1. La figure 6 représente les diagnostics d’entraînement pour le modèle de prédiction CORTA-Net PM₂.₅. Dans les panneaux, la figure 6A représente les courbes de perte d’entraînement et de validation, montrant la réduction progressive des erreurs, avec un arrêt optimal à l’époque 106. L’évolution de l’écart de généralisation lors de l’évaluation d’une analyse de sur-ajustement est illustrée par la divergence entre les données de validation et d’entraînement à la Figure 6B. En particulier, il montre les périodes où la divergence dépasse des limites prédéfinies ; ces informations fournissent des preuves que les comportements liés au taux d’apprentissage et les schémas de réduction des pertes illustrent les bénéfices de la décroissance du taux d’apprentissage programmé (LR) à des époques critiques comme moyen d’améliorer la stabilité de convergence, comme le montre la Figure 6C. Collectivement, ces figures fournissent un résumé de la dynamique d’apprentissage, de la capacité de généralisation et de la configuration d’entraînement recommandée du modèle.
Figure 6 : Diagnostics d’entraînement pour le modèle de prédiction CORTA-Net PM₂.₅. (A) Courbes de perte d’entraînement et de validation montrant une réduction progressive de l’erreur lors de l’entraînement du modèle, avec un arrêt précoce à l’époque 106 en fonction de la performance de validation. (B) Écart de généralisation entre entraînement et perte de validation à travers les époques, illustrant l’évolution de la généralisation du modèle et des périodes d’augmentation de divergence indiquant un surajustement potentiel. (C) Calendrier du taux d’apprentissage montrant l’effet de la baisse du taux d’apprentissage planifié sur l’optimisation tout au long de l’entraînement. (D) Résumé du comportement de convergence du modèle, démontrant une optimisation stable et la configuration finale d’entraînement sélectionnée pour le modèle CORTA-Net. Ensemble, ces diagnostics illustrent la dynamique du modèle, ses caractéristiques de convergence et la performance de généralisation lors de l’entraînement. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Résultats
Sélection des caractéristiques et résultats de prévision
La procédure CorrXGBoost-Rank a sélectionné des PM₂.₅ en retard, la vitesse du vent, l’humidité, la température, les indicateurs temporels et les indicateurs de feu dérivés de MODIS comme prédicteurs significatifs de la qualité de l’air. Chacune de ces variables tient compte de la persistance de la pollution, de la dispersion due aux conditions météorologiques, des différences saisonnières des niveaux de polluti...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Discussion
CORTA-Net combine trois composants clés dans une séquence pour former une architecture hybride. CorrXGBoost-Rank : Un composant personnalisé de sélection de caractéristiques qui élimine les prédicteurs redondants avant l’étape de modélisationtemporelle 38. Encodeur LSTM : Utilise des couches LSTM empilées pour capturer les dépendances temporelles à court et long terme dans la séquence d’entréede 24 heures sélectionnée 39. Couche d’attention...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Déclarations de divulgation
Les auteurs n’ont aucun conflit d’intérêts.
Remerciements
Recherche de l’Université Princess Nourah bint Abdulrahman Projet de soutien numéro (PNURSP2026R300), Université Princess Nourah bint Abdulrahman, Riyad, Arabie Saoudite.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| Police Calibri | Microsoft Corporation | URL: https://learn.microsoft.com/fr-fr/typography/font-list/calibri | Utilisée comme typographie de base demandée pour les diagrammes et les étiquettes des figures corrigées. |
| Scripts de génération de figures CORTA-Net | Scripts personnalisés pour ce projet CORTA-Net | URL: https://github.com/saravagnamahasiva/CORTA-Net | Utilisés pour régénérer des PDF de figures de qualité publication avec des étiquettes et un ordre corrigés. |
| CORTA_Net_High_Resolution_Images.zip | Archive d'images de projet fournie par l'utilisateur | Numéro de catalogue/RRID: Non applicable; archive source locale | Utilisé comme ensemble d'images source/référence et pour déterminer l'identité des figures. |
| GitHub | GitHub, Inc. | URL: https://github.com/ | Utilisé comme hôte de dépôt prévu pour le code du projet et les fichiers de génération de figures. |
| Matplotlib | Matplotlib Development Team | RRID: SCR_008624; URL: https://matplotlib.org/ | Utilisé pour redessiner les graphiques, diagrammes, étiquettes, marqueurs de panneaux et figures vectorielles PDF. |
| NumPy | Développeurs NumPy | RRID: SCR_008633; URL: https://numpy.org/ | Utilisé pour les tableaux déterministes et les valeurs simulées dans les panneaux de figures régénérés. |
| OpenAI Codex | OpenAI | URL: https://openai.com/codex | Utilisé pour aider à l'édition de code, à la régénération de figures, au packaging de PDF et à la vérification. |
| Pillow | Contributeurs Pillow | URL: https://python-pillow.org/ | Utilisé pour inspecter, redimensionner, prévisualiser et valider les sorties d'images raster. |
| Poppler | Développeurs Poppler / freedesktop.org | URL: https://poppler.freedesktop.org/ | Utilisé pour rendre les PDF générés en aperçus PNG pour les contrôles de qualité visuelle. |
| pypdf | Contributeurs pypdf | URL: https://pypdf.readthedocs.io/ | Utilisé pour vérifier que chaque PDF de figure final contient une page valide. |
| Python | Python Software Foundation | RRID: SCR_008394; URL: https://www.python.org/ | Utilisé comme environnement de programmation pour la génération de figures et le traitement de PDF. |
| ReportLab | ReportLab Inc. | URL: https://www.reportlab.com/ | Utilisé pour créer le tableau des matériaux/outils/logiciels obligatoires sous forme d'artefact PDF. |
| Windows PowerShell | Microsoft Corporation | URL: https://learn.microsoft.com/fr-fr/powershell/ | Utilisé pour l'orchestration de fichiers, l'extraction d'archives et les commandes de packaging ZIP final. |
Références
- AlShafeey M. Unraveling climate trends in the mediterranean: a hybrid machine learning and statistical approach. Model Earth Syst Environ. 2024;10:6255-6277.
- Li B, Qian Y. Weather prediction using CNN-LSTM for time series analysis: a case study on Delhi temperature data. arXiv:2409.09414. 2024.
- 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.
- Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature. 2023;619:533-538.
- 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.
- 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.
- 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.
- 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.
- 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.
- Şener İF, Tuğal İ. Optimized CNN-LSTM with hybrid metaheuristic approaches for solar radiation forecasting. Case Stud Therm Eng. 2025;72:106356.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Suleman MAR, Shridevi S. Short-term weather forecasting using spatial feature attention-based LSTM model. IEEE Access. 2022;10:82456-82468.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Pan P, Malarvizhi AS, Yang C. Data augmentation strategies for improved PM₂.₅ forecasting using transformer architectures. Atmosphere. 2025;16(2):127.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Yu S, White BL, Bhiwandiwalla A, et al. ClimDetect: a benchmark dataset for climate change detection and attribution. arXiv:2408.15993. 2024.
- Li T, Hua M, Wu X. A hybrid CNN-LSTM model for forecasting particulate matter (PM2.5). IEEE Access. 2020.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.