למידה עמוקה היברידית עם פרשנות מבוססת קשב לחיזוי PM2.5 בסביבות עירוניות בדלהי

סיכום

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, מסגרת היברידית ללמידה עמוקה לחיזוי PM₂ לטווח קצר בדלהי. המודל משלב בחירת תכונות ב-CorrXGBoost-Rank, למידת העברה עם רשתות זיכרון קצרות טווח ארוכות, ותשומת לב רב-ראשית לפרשנות זמן ורמת תכונה, ומשתמש בנתוני איכות אוויר, מטאורולוגיה וספירת שריפות שמקורם בלוויין כדי לשפר את חיזוי PM_2.5.

תקציר

חיזוי PM_2.5 לטווח קצר הוא מאתגר בדלהי מכיוון שריכוזי החלקיקים מושפעים מפליטות מקומיות, שינויים מטאורולוגיים, קיפאון עונתי וזיהום אפיזודי הקשור לשריפות. מחקר זה מציג את CORTA-Net, מסגרת למידה עמוקה היברידית לחיזוי PM_2.5 באמצעות נתוני סביבה מרובי מקורות בין השנים 2012 ל-2024. נתוני הקלט כוללים תצפיות איכות אוויר כל שעה מתחנות ניטור של CPCB (מועצת בקרת הזיהום המרכזית) / DPCC (ועדת בקרת הזיהום של דלהי), משתנים מטאורולוגיים ממחלקת המטאורולוגיה של הודו (IMD), ומידע על ספירת שריפות מבוסס לוויינים ממוצרי MODIS (ספקטרורדיומטר דימות בינוני). המסגרת המוצעת מיישמת תחילה בחירת תכונות CorrXGBoost-Rank כדי להפחית מנבאים מיותרים ולשמר מזהמים חשובים, משתנים מטאורולוגיים, זמניים ומשתנים הקשורים לשריפות. התכונות הנבחרות מסודרות לאחר מכן כרצפי חלונות החלקה מפוקחים ומעובדות באמצעות מקודד LSTM מבוסס למידת העברה ואחריו שכבת תשומת לב מרובת ראשים. מנגנון הקשב מספק פרשנות ברמת תכונה וצעד זמן של תחזית PM_2.5 . CORTA-Net הוערך באמצעות אימון כרונולוגי, בדיקות וחלוקות אימות, וכן אימות צולב. בהשוואה לקווי בסיס של יער אקראי, XGBoost, LSTM ו-Attention-LSTM, המסגרת המוצעת הפחיתה שגיאת חיזוי תחת הגדרת תחנת הניטור המוערכת בדלהי. החידוש של CORTA-Net טמון בשילוב סינון תכונות CorrXGBoost-Rank מפורש, קידוד זמני מבוסס למידת העברה, אינטגרציה של פעילות אש MODIS, וניתוח מודל-התנהגות מבוסס קשב רב-ראשי בצינור חיזוי PM_2.5 אחד שניתן לשחזור. מעשית, המסגרת יכולה לתמוך בחיזוי איכות אוויר עירונית לטווח קצר בסביבות ניטור עשירות בנתונים, שבהן קיימים רשומות מזהמים, תצפיות מטאורולוגיות ומדדי פעילות אש.

מבוא

חלקיקים עדינים בקוטר אווירודינמי ≤ 2.5 מיקרון (PM_2.5) הם דאגה חשובה לאיכות האוויר בדלהי, שכן הם מושפעים מפליטות מקומיות ^1,2,3, תחבורה אזורית 4, מטאורולוגיה עונתית⁵, ואירועי שריפת ביומסה אפיזודיים⁶. בתקופות שלאחר המונסון והחורף⁷, מהירות רוח נמוכה⁸, תנאי שכבת גבול רדודה⁹ והיפוך טמפרטורה יכולים להפחית את פיזור המזהמים ולהגביר את הצטברות החלקיקים. תחזית PM_2.5 לטווח קצר היא מאתגרת בשל התופעה הלא-ליניארית, העונתית והמזוהמת הפתאומית של סדרת^{הזמן 10}. מחקרים קודמים על חיזוי PM_2.5 השתמשו במודלים סטטיסטיים, מודלים של למידת מכונה ומודלים של רשתות נוירונים חוזרות¹¹. שיטות סטטיסטיות יכולות להיות שימושיות בקביעת מגמות ועונתיות הנתונים¹², אך ייתכן שלא יוכלו להסביר במלואן את האינטראקציות הלא-ליניאריות הקיימות בין מזהמים למטאורולוגיה¹³. מודלים של למידת מכונה כמו יערות אקראיים ו-XGBoost יכולים לשמש למידול יחסים לא ליניאריים¹⁴; עם זאת, בדרך כלל אין להם תלות זמנית אלא אם כן מתוכננים תכונות עם השהייה. רשתות עצביות קצרות טווח (LSTM) מסוגלות למודל הן תלות זמנית והן יחסים לא ליניאריים¹⁵.

רשתות זיכרון קצרות טווח ארוכות יכולות למודל דפוסים זמניים¹⁶, אך ביצועיהן עשויים להיות מושפעים מתנאים לא נייחים וזיהום פתאומי¹⁷. גישות מבוססות קשב וטרנספורמטורים עדכניות משפרות ייצוג זמני¹⁸, אך רבות מהן מעבדות את כל המשתנים המועמדים ישירות ומספקות שליטה מוגבלת על יתירות תכונות לפני מידול רצף^19,20. למרות שמודלים מבוססי טרנספורמרים והיברידיים ללמידה עמוקה שיפרו לאחרונה את PM_2.5 ואת תחזית AQI²¹, תרומתם מתמקדת לעיתים קרובות בלמידת ייצוג זמני²², בניית גרף מרחבי²³, מיזוג מודלים²⁴ או אופטימיזציה. רבים מהמודלים הללו משתמשים ישירות בקבוצת הקלט הרב-משתנית הזמינה ומניחים את נטל הלמידה העיקרי על מודל הרצף²⁵. דבר זה עלול להגדיל את היתירות הקלט, להפחית את יכולת הפרשנות, ולקשה על זיהוי האם שיפורים נובעים ממידול זמן, סינון תכונות, מדדים סביבתיים חיצוניים או משקל מבוסס קשב. לכן, CORTA-Net ממוקמת כמסגרת חיזוי ברמת זרימת העבודה ולא כשכבת רשת עצבית עצמאית^{חדשה 26}. ההבדל שלה הוא באינטגרציה מסודרת של ארבעה שלבים: סינון תכונות ב-CorrXGBoost-Rank לפני מידול רצפים, קידוד LSTM בלמידת העברה להתאמה זמנית, הכללת ספירת אש שמקורה ב-MODIS להשפעת שריפת ביומסה אפיזודית, ותשומת לב רב-ראשית לפרשנות התנהגות מודל ברמת תכונה וצעד זמן. עיצוב זה מאפשר למסגרת להעריך הן את דיוק החיזוי והן את תרומתם של משתני מזהמים, מטאורולוגיים, זמניים ופעילות אש נבחרים תחת אותה הגדרת תחנת ניטור^{בדלהי 27}.

התקדמות אחרונה בחיזוי איכות אוויר השתמשה יותר ויותר במודלים היברידיים של למידה עמוקה, מנגנוני קשב, למידה מבוססת גרף²⁸, וארכיטקטורות טרנספורמטורים כדי ללכוד תלות לא ליניארית בזמן ומרחב^. גישות אלו שיפרו את ביצועי החיזוי על ידי למידת תלותיות לטווח ארוך והקצאת משקלים אדפטיביים לצעדי זמן או למשתני קלט³⁰. עם זאת, מודלים רבים מהשנים האחרונות עדיין תלויים במערך תכונות קלט גדול, אינם מפחיתים במפורש מנבאים מיותרים לפני מידול זמני, או אינם כוללים אינדיקטורים חיצוניים לפעילות אש כאשר השפעות שריפת ביומסה אפיזודיות חשובות. CORTA-Net מתמודדת עם פער זה על ידי שילוב סינון תכונות, קידוד LSTM בלמידת העברה, אינטגרציה של ספירת אש שמקורה ב-MODIS, ותשומת לב רב-ראשית בתהליך חיזוי אחד.

מחקר זה מציג את CORTA-Net כצינור חיזוי היברידי לשכפול של PM_2.5 ולא כשכבת רשת נוירונים חדשה. המסגרת משלבת ארבעה שלבים: בחירת תכונות ב-CorrXGBoost-Rank, קידוד זמני מבוסס למידת העברה LSTM, אינטגרציה של ספירת אש שמקורה ב-MODIS, וניתוח מודל-התנהגות מבוסס קשב רב-ראשי. CorrXGBoost-Rank מפחית תחילה משתנים מזהמים ומטאורולוגיים מיותרים לפני מידול רצפים. התכונות הנבחרות מסודרות לאחר מכן לרצפי חלונות מחליקים ומעובדות באמצעות מקודד LSTM בלמידת העברה. משתני ספירת השריפות של MODIS נכללים כאינדיקטורים חיצוניים לפעילות שריפה אזורית, ושכבת הקשב הרב-ראשית משמשת לבחינת אילו צעדים ומשתני קלט אחרונים תורמים הכי חזק לתחזית. המסגרת מתאימה לסביבות שבהן זמינות תצפיות PM_2.5 רציפות לפחות מתחנת ניטור אחת, רצוי עם מספר שנים של נתונים שעתיים. הוא גם נהנה מתצפיות מטאורולוגיות ומידע על ספירת שריפות שמקורו בלוויינים כאשר השפעת שריפת הביומסה האזורית רלוונטית. לכן, CORTA-Net מיועד לסביבות תחזית איכות אוויר עירוניות עשירות בנתונים וייתכן שלא להתאים למיקומים עם רשומות ניטור דלילות, לא סדירות או קצרות טווח.

דלהי נבחרה כאזור המחקר משום שהיא חווה רמות PM₂ גבוהות וחוזרות בתקופות שלאחר המונסון והחורף³¹. העיר מושפעת מתנועה, פעילות תעשייתית, פליטות מגורים, קיפאון מטאורולוגי ושריפת חקלאות אזורית. ארבע תחנות ניטור שימשו למחקר זה: דווארקה סקטור 8, אננד ויהאר, מונדקה-DPCC וסוניה ויהאר. כל תחנה מייצגת סוג שונה של מיקרו-סביבה עירונית: אזור מגורים, אזור השפעת תנועה, ואזור עם השפעות תעשייתיות. התצפיות שנעשו מכל תחנת ניטור בין 2012 ל-2024 מוצגות באיור משלים 1. ההכשרה של המודל בוצעה על נתונים בין 2015 ל-2022, ובדיקות בוצעו על נתונים מ-2023 הן עבור פיתוח המודל והן עבור אימות המודל³² שנעשו על הנתונים שנאספו ב-2024. המשתנים ששימשו כקלטים כללו PM_2.5, PM₁₀, NO,_{NO 2}, NOx, CO, בנזן, טמפרטורת אוויר, מהירות רוח, קרינה סולארית ולחץ ברומטרי, ונקבעו ממה שהיה זמין באתר³³. נתוני ספירת השריפות שמקורם ב-MODIS שימשו כמשתנה חיצוני המייצג את רמת פעילות האש באזור. טבלה 1 מכילה סיכום של נתוני הריכוז PM₂.₅ מכל אחת מארבע תחנות המעקב.

מערך נתונים	שם התחנה	ממוצע	מחלות מין	מינימום	25%	50%	75%	מקס
1	דווארקה סקטור 8	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	אננד ויהאר	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	מונדקה-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	סוניה ויהאר	101.35	80.25	5.80	42.15	75.60	138.75	565.40

טבלה 1: סטטיסטיקות סיכום של ריכוז PM₂.₅ בארבע תחנות ניטור בדלהי. טבלה 1 מציגה רמות ממוצעות של PM2.5 (חלקיקים דקים) שנמדדו בארבעה מוניטורים בדלהי. PM_2.5 מורכב מזהמים באוויר בקוטר קטן מ-2.5 מיקרון, ולכן קטן מספיק כדי להישאף בקלות עמוק לריאות, ובכך מהווה סכנות בריאותיות שונות.

פרוטוקול

מתודולוגיה
נבנה מודל חלון הזזה מפוקח כדי לחזות את ערך PM_2.5 העתידי בזמן t + 1 מתצפיות שעתיות קודמות. אורכי חלון קלט מועמדים של 12, 24 ו-48 צעדי זמן לשעה הוערכו באמצעות ביצועי אימות, והתצורה הסופית של CORTA-Net השתמשה ברצף קלט של 24 שעות. אינטרפולציה ליניארית שימשה למילוי ערכים חסרים; חריגים הוסרו באמצעות שיטת IQR; וכל המשתנים הוגדלו באמצעות נרמול מינימלי-מקסימום לפני יצירת תכונות PM_2.5 עם עיכובים. לאחר מכן הוחל תהליך CorrXGBoost-Rank לבחירת תכונות. ראשית, סינון קורלציה פירסון שמר משתנים עם |r| ≥ 0.30. שנית, זוגות תכונות מיותרים מאוד עם מתאם זוגי |corr(x_i, x_j)| ≥ 0.85 סוננו כדי להפחית את הרב-קולינאריות. שלישית, רגרסור XGBoost אומן על המשתנים הנותרים, ומנבאים עם ציוני חשיבות מבוססי רווח XGBoost ≥ 0.015 נשמרו לקלט הסופי של המודל. הארכיטקטורה הסופית של CORTA-Net כללה שכבות LSTM מוערמות לקידוד זמן, שכבת תשומת לב מרובת ראשים לשקלול ברמת תכונות וצעד זמן, ושכבות רגרסיה צפופה להערכת PM_2.5 . המודל אומן באמצעות אופטימייזר אדם עם ממוצע ריבוע של אובדן שגיאה ועצירה מוקדמת. הערכת מודלים בוצעה באמצעות RMSE ו-R² בין חלוקות אימון, אימות, בדיקות ואימות צולב של 10 פעמים. טבלה 2 מייצגת את סיכום קדם-עיבוד הנתונים והנדסת התכונות.

צעד	השיטה שבה נעשה שימוש	פרמטר / סף	מטרה
חישוב ערך חסר	אחוז התצפיות החסרות	אחוז משתנה לפי דוח	כימות את שלמות הנתונים
הקצאת רווח קצר	אינטרפולציה ליניארית	אורך הפער ≤ 6 שעות	ממלא מרווחים קצרים חסרים
זיהוי חריגים	שיטת IQR	Q1 − 1.5 × IQR, Q3 + 1.5 × IQR	מסיר ערכים קיצוניים לא תקינים
נרמול	קנה מידה מינ-מקסי	מינימום ומקסימום של סט אימונים	תקן את טווח התכונות
PM₂.₅ lags	משתנים עם השהות	lag₁, lag₂, lag₃	לוכד התמדה זמנית
סטטיסטיקות מתגלגלות	ממוצעים נעים	3 שעות, 6 שעות, 12 שעות, 24 שעות	לוכד הצטברות לטווח קצר
תכונת ספירת אש	ספירת האש של מודיס	ספירת אותו יום / יום קודם	מייצג השפעה אזורית של שריפות

טבלה 2: סיכום קדם-עיבוד נתונים והנדסת תכונות. בטבלה 2, עיבוד הנתונים מתבצע בשתי דרכים: ראשית, באמצעות ניקוי וטרנספורמציה של הנתונים הגולמיים (עיבוד מוקדם), ושנית, באמצעות הנדסת תכונות ליצירה/בחירה/שינוי תכונות (תכונות). כיחידה, שני התהליכים הללו מסייעים בביטול או הפחתת רעש; לטפל בערכים חסרים; לשפר את עקביות הנתונים; וליצור מודלים חיזויים יותר.

פרמטרי הנורמליזציה הוערכו רק מקבוצת האימון ואז הוחלו ללא שינוי על קבוצות הבדיקה והאימות כדי למנוע דליפת מידע.

ניסוח מתמטי של דירוג CorrXGBoost
יהי X = {x₁, x₂, ...,_{x n}} מסמנים את קבוצת משתני הקלט המועמדים, ו-y מסמן את ריכוז PM₂.₅ היעד. עבור כל תכונה x_i, מקדם המתאם של פירסון עם משתנה היעד חושב כך:

(1)

כאשר Cov(x_i, y) הוא הקווריאנטיות בין תכונה x_i למטרה y, ו-σx_i ו-σy הם סטיות התקן שלהם. תכונות שנשמרו מספקות: |r_i| ≥ τ_r כאשר τ_r = 0.30 במחקר זה.

חושבו מתאמים זוגיים בין כל features_x_i, x_j, ואם |corr(x_i, x_j)| >= τ_אדום, כאשר τ_אדום = 0.85, התכונה עם הקורלציה המוחלטת הנמוכה יותר ליעד PM_2.5 מוסרת מקבוצת התכונות. תהליך זה מפחית משתנים מתוך מערך התכונות שיש להם רב-קולינאריות. לאחר מכן, מותאם מודל רגרסור XGBoost לתכונות שנותרו, וחושבו ציוני חשיבות תכונה לכל מאפיין באמצעות חשיבות XGBoost, ותכונות שמקיימות i_i ≥ τ_xgb כאשר τ_xgb = 0.015 נשמרו בקבוצת התכונות הסופית (S") שהוגדרה כ-S_final= S_corr ∪ S_xgb, כלומר קבוצת התכונות שהוגדרה על ידי סינון תכונות עבור עודף ביחס לקורלציה והסרת תכונות המבוססות על חשיבות משתנה XGBoost. הגישה הכוללת בבחירת התכונות היא כדלקמן: חישוב מתאם פירסון לפי מטרות תכונה, השלכת תכונות עם |r_i|< 0.30, השלכת תכונות עם זוגות עם קורלציות זוגיות ≥ 0.85, התאמת XGBoost לתכונות שנותרו, שמירה על תכונות עם ציון חשיבות XGBoost ≥ 0.015, הגדרת התכונות הרצויות הסופיות S_סופי=S_corr ∪ S_xgb, כאשר S_corr הן התכונות שנשמרות לאחר סינון מתאם מיותר, ו-S_xgb הן התכונות שנבחרו באמצעות ציון חשיבות התכונה של XGBoost. לכן, זרימת העבודה של CorrXGBoost-Rank היא: חישוב קורלציה של פירסון לתכונות-יעד, הסרת תכונות עם |_{r i}| < 0.30, הסרת תכונות מיותרות מאוד עם קורלציה זוגית ≥ 0.85, הפעלת XGBoost על המשתנים הנותרים, שמירת משתנים עם ציון חשיבות XGBoost ≥ 0.015, ושימוש באיחוד המשתנים שנבחרו על ידי קורלציה ו-XGBoost כקבוצת התכונות הסופית. הפרמטרים בהם נעשה שימוש במחקר זה הם τ_r = 0.30, τ_אדום = 0.85, ו-τ_xgb = 0.015.

מקורות נתונים
המחברים שילבו שלושה מערכי נתונים גדולים למחקר; אלו הם נתונים על מזהמי אוויר (PM_2.5, PM₁₀, NO₂, CO ו-SO₂) שהמחברים השיגו באמצעות CPCB (מועצת בקרת הזיהום המרכזית) / DPCC (ועדת בקרת הזיהום של דלהי) במעקב אחר איכות אוויר, נתונים מטאורולוגיים (טמפרטורה, לחות, מהירות/כיוון רוח ולחץ) ממחלקת המטאורולוגיה ההודית (IMD) ומידע לווייני על שריפות פעילות ממוצרי האש הפעילים MODIS של נאס"א. שלושת מערכי הנתונים הללו מכסים את התקופה של 12 השנים ינואר 2012–דצמבר 2023 ולכן מייצגים סוגים שונים של פליטות. אירועי שריפות תורמים לזיהום אוויר, כפי שמודגם באיור המשלים 2, המציג מגמות FIRECOUNT בין 2012 ל-2024.

מגמות ארוכות טווח של מזהמים לאורך תקופת המחקר
איור 1 מציג מגמות ארוכות טווח של מזהמים בשנות המחקר (2012–2024). ספירות השריפות השנתיות וריכוזי PM₂₅ הממוצעים בין 2012 ל-2024 מציגים יחס חיובי בינוני חזק (r = 0.688), מה שמעיד שפעילות אש גבוהה יותר בדרך כלל קשורה לריכוזי PM₂₅ גבוהים יותר. גם נתוני PM₂ וגם חזויים ב-PM₂.₅ עוקבים אחרי מגמה דומה, מה שתומך ברעיון ששריפת ביומסה תורמת לזיהום חלקיקים. למרות שיש שונות משמעותית בין-שנתית, פליטות הקשורות לשריפות הן גורם חשוב בקביעת שונות PM₂.₅, ומדגיש את הצורך בניהול אזורי לשיפור איכות האוויר. האוטוקורלציה של PM_2.5 החזוי בשלושים עיכובים, המוצגת באיור המשלים 3, מציגה אוטוקורלציה חיובית משמעותית כמעט בכל שלושים העיכובים, מה שמאשר של-PM_2.5 בדלהי יש תלות זמנית חזקה והתמדה רב-יומית.

איור 1: מגמות ספירת השריפות והשריפות ארוכות הטווח בין 2012 ל-2024. איור 1 משווה את השונות השנתית בספירת האש לבין ריכוזי PM₂₂.₅ הנצפים והחזויים. PM₂.₅ מדווח במיקרוגרם^{למטר 3}. FIRECOUNT מייצג פעילות אש שמקור בלוויין במוצרי MODIS. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

פירוק STL (פירוק עונתי ומגמה באמצעות לואס)
STL או פירוק עונתי ומגמה באמצעות Loess הוא אלגוריתם איטרטיבי שמאפשר פירוק נתוני סדרות זמן לשלושה רכיבים מצבריים כפי שמוצג באיור 2: מגמה (מגמה ארוכת טווח) (איור 2A), (איור 2D), (איור 2G), (איור 2J), עונתיות (תקופות מחזוריות) (איור 2B), (איור 2E), (איור 2H), (איור 2K), ושארית (רעש/שאריות) (איור 2C), (איור 2F), (איור 2I), (איור 2L). STL הוכיח את עצמו כמוצלח בהתמודדות עם מאפיינים מורכבים לא ליניאריים של נתוני סביבה (כגון PM_2.5), שלגביהם טכניקות אנליטיות רבות אחרות נכשלו בשל אמפליטודות משתנות באות העונתי ועקב קיומם של חריגים. החלקת LOESS מאפשרת הפרדה מדויקת של רכיבים אלו, ומספקת פרשנות ברורה יותר של מגמות או דפוסים. באמצעות עיבוד STL, ניתן להפריד בין מגמות העלייה הרחבות יותר של PM_2.5 למחזורים יומיים/עונתיים קצרים ומהשאריות הלא יציבות בתוך אותם מחזורים. הפרדה זו מאפשרת זיהוי אילו פליטות השפיעו על PM_2.5, בניגוד לאילו גורמים מטאורולוגיים השפיעו על PM_2.5. תוצאות הפרדה זו מסייעות בחיזוי מדויק של פליטות PM_2.5 עתידיות; לספק נתונים להחלטות רגולטוריות; ולעמוד בסטנדרטים שנקבעו לפירוק קפדני של נתוני סדרות זמן למחקרי איכות אוויר³⁴. מדידות ריכוז יומיות ממוצעות של PM_2.5 שנערכו בתחנות ניטור בדלהי בין השנים 2012–2024 מצביעות על שינויים מינימליים ברמת PM_2.5 (כלומר, ללא שינוי משמעותי בין 2022–24) באופן כללי והתנהגות עקבית מוגבלת מאוד (או עקביות ברמות PM_2.5 בין ארבעת אתרי המעקב). רמות PM_2.5 במגזר 8 בדוארקה ובמונדקה-DPCC מראות מגמת ירידה מתמשכת (כלומר, ממשיכה לרדת), בעוד שאנאנד ויהאר מגמת עלייה (כלומר, עלייה משמעותית), וסוניה ויהאר מגמת עלייה קלה (מעלייה קטנה מאוד מאז 2022). בנוסף, שאריות הריכוזים היומיים של PM_2.5 בכל אחת מארבע תחנות הניטור הצביעו על כך שריכוזי PM_2.5 הושפעו מאוד משינויים עונתיים (מטאורולוגיים), שגרמו לתנודות גדולות בריכוזי PM_2.5 היומיים הממוצעים עבור תחנות בודדות. ריכוזי PM_2.5 היומיים בארבע תחנות הניטור בדלהי (2012–2024) מוצגים באיור 2.

איור 2: פירוק STL (פירוק עונתי ומגמה באמצעות Loess) של ריכוזי PM₂.₅ היומיים בארבע תחנות ניטור בדלהי בין השנים 2022–2024. סדרת הזמן של כל תחנת ניטור מחולקת לשלושה רכיבים מצטברים: מגמה ארוכת טווח, שונות עונתית, ושארית (שארית). (א) רכיב מגמה עבור מגזר דווארקה 8. (ב) רכיב עונתי למקטע 8 של דווארקה. (ג) רכיב שאריתי למגזר דווארקה 8. (ד) רכיב מגמה עבור אננד ויהאר. (ה) רכיב עונתי לאנאנד ויהאר. (ו) רכיב שאריתי לאנאנד ויהאר. (G) רכיב מגמה עבור Mundka-DPCC. (H) רכיב עונתי עבור Mundka-DPCC. (I) רכיב שאריתי עבור Mundka-DPCC. (J) רכיב מגמה עבור סוניה ויהאר. (K) רכיב עונתי לסוניה ויהאר. (L) רכיב שארתי לסוניה ויהאר. STL, פירוק עונתי וטרנד באמצעות Loess. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2 מציג את הפירוקים הזמניים של ריכוזי PM2.5 היומיים בארבעה אתרי ניטור עירוניים בשנים 2022-2024, וחושף דפוסים של ירידות ארוכות טווח, עליות הדרגתיות ושינויים יומיים גדולים. הבדלים אלו נובעים בעיקר מהשפעות פיזיות של מזג האוויר, כלומר שינויים בגובה שכבת הגבול הפלנטרית (PBL), כמו התפשטות ביום שמגבירה את הפיזור האנכי ומפחיתה ריכוזים, והתכווצות בלילה, מה שמשאיר מזהמים קרובים לקרקע ויוצר שיא גבוה יותר בלילה. השפעות מטאורולוגיות נוספות נובעות מפליטות פעילות אנושית מקומיות הקשורות לשעות הנפח הגבוה ביותר (שיאי בוקר/ערב), תעשיות, והאינטראקציות שלהן עם: גורמים ספציפיים לאתר כמו טופוגרפיה מקומית, מהירות רוח, לחות יחסית ועונה (כלומר מתאם גדול יותר בחורף) שיוצרים את השינויים הספציפיים לתחנה והירידה ארוכת הטווח הכוללת עשויים להיות מושפעים מבקרות רגולטוריות על פליטות, מה שמוביל למגמות ירידה באופן כללי.

קורלציה בין התכונות
איור 3 מציג את התפלגות כל תכונות הקלט המשמשות במודל CORTA-Net. בלוחות, משתני מזהמים (PM₁₀ (איור 3A), NO₂ (איור 3B), CO (איור 3C), SO₂ (איור 3D)) מציגים התפלגויות מוטות ימינה האופייניות לנתוני איכות אוויר עירוניים, בעוד O₃ (איור 3E) ולחץ (איור 3I) מציגים דפוסים קרובים לנורמה³⁵. הטמפרטורה (איור 3F) מציגה מבנה עונתי דו-מודלי ברור, לחות (איור 3G) עוקבת אחרי פיזור אחיד רחב, ומהירות הרוח (איור 3H) מציגה התפלגות זנב-קלה. דפוסים אלה מדגישים את ההתנהגות הסטטיסטית ההטרוגנית של המנבאים ומצדיקים את הצורך בהנדסת תכונות ונרמול לפני אימון המודלים.

איור 3: התפלגות תכונות הקלט במודל CORTA-Net, כולל ריכוזי מזהמי אוויר ומשתנים מטאורולוגיים. ההתפלגויות ממחישות את המאפיינים הסטטיסטיים של המנבאים לפני העיבוד המוקדם והאימון במודל. (א) ריכוז PM₁₀. (ב) ריכוז NO₂. (C) ריכוז CO. (ד) ריכוז SO₂. (E) ריכוז O₃. (F) טמפרטורת אוויר. (G) לחות יחסית. (H) מהירות רוח. (I) לחץ אטמוספרי. משתני מזהמים, במיוחד PM₁₀, NO₂, CO ו-SO₂, מציגים התפלגויות מוטות ימינה האופייניות לנתוני איכות אוויר עירוניים, בעוד ש-O₃ ולחץ אטמוספירי מציגים התפלגויות נורמליות בקירו. הטמפרטורה מציגה דפוס עונתי דו-מודלי, ללחות יש התפלגות רחבה, ומהירות הרוח מרוכזת בערכים נמוכים יותר עם התפלגות זנב-קלה. התפלגויות תכונות הטרוגניות אלו תומכות בשימוש בהנדסת תכונות ובנרמול לפני פיתוח המודל. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 4 מציג את דירוג חשיבות התכונות מבוסס רווח XGBoost לאחר עיבוד מוקדם בדירוג CorrXGBoost לחיזוי PM₂.₅. הגרף הנוכחי של חשיבות התכונות מראה כי PM₂.₅ של היום הקודם הוא המדורג הגבוה ביותר עם ציון חשיבות של 0.280, אחריו PM₁₀ = 0.180, FIRECOUNT = 0.150, NO₂ = 0.120, CO = 0.080, מהירות רוח = 0.070, טמפרטורה = 0.040, לחות = 0.030, ויום שנה = 0.020. הקו האנכי המקווקו מייצג את סף בחירת התכונות האמיתי של XGBoost של 0.015. מנבאים עם ציוני חשיבות גבוהים או שווים ל-0.015 נשמרו עבור קבוצת הקלט הסופית של CORTA-Net, בעוד שמנבאים מתחת לסף זה, כולל SO₂ = 0.010, O₃ = 0.010, לחץ = 0.005, גשם = 0.005, סוף שבוע = 0.002, וחופשה = 0.001, הוצאו משימוש. ערכים אלה מייצגים ציוני חשיבות תכונה מבוססי רווח XGBoost ואין לפרשם כמקדמי קורלציה של פירסון או השפעות סיבתיות.

לכן, רק התכונות שקיבלו תרומה מעל סף זה נכללו במודל. מודלים של XGBoost משתמשים באוסף של עצי החלטה, שבונים באופן איטרטיבי עץ כדי למזער פונקציית אובדן, הידועה כהגברת גרדיאנט. XGBoost מחשב את חשיבות התכונות באמצעות אחד משלושה מדדים: רווח (כמה הפיצול של הפיצול משפר את ביצועי המודל), משקל (כמה פעמים התכונה נבחרה כפיצול לעץ), או כיסוי (מספר התצפיות שהושפעו מהפיצול). מודל XGBoost נבנה על נתונים הקשורים לאיכות אוויר (מזהמים, משתנים מטאורולוגיים) ומתמקד ב-PM_2.5 עם איחור כדי לחזות אוטומטית את PM_2.5, דבר נפוץ במודלים של PM_2.5 בדלהי, ועוזר ללכוד את ההתמדה הזמנית של PM_2.5. Delhi_PM_2.5 הוא גורם משמעותי בשל מאפייני האוטוקורלציה הגבוהים של חלקיקים עדינים, שמצביעים גם על נוכחות אינרציה של זיהום ממקורות פליטה עקביים. מהירות הרוח היא תורמת משמעותית כי היא מספקת את המנגנון לפיזור המזהמים; בעוד שרוחות נמוכות מאפשרות להצטברות מזהמים במהלך החורף כאשר קיימים היפוכים. NO₂ קשור ל-PM_2.5 בשל התנועה/פליטות, בעוד שיום השנה הוא אינדיקציה למחזור הפליטה השנתי של מזהמים (כלומר, פליטות נמוכות יותר בסופי שבוע). בדלהי, ל-PM_2.5 יש עמידות עצמית גבוהה בשל המטאורולוגיה החורפית הקפואה והפליטות המתמשכות מרכבים, תעשייה וביומסה²⁸. הרוח מסייעת בפיזור האירוסולים, אך רוח חלשה < 2 מ'/שנייה תרמה לעלייה בהצטברות PM_2.5 עקב היפוכים. הקשר בין NO₂ ל-PM_2.5 הוא תוצאה של המקור המשותף שלהם (כלומר, בעירה) והוא נתון להשפעות זמן (למשל, יומי לעומת שבועי)³⁶. ארבעת הגורמים העיקריים האחראים להסבר של 93% או יותר מהשונות ב-AQI הם שינויים בריכוזי המזהמים עקב הצטברות PM_2.5 מאוחרת (93%+) ומהירויות רוח נמוכות שמחסימות את הפליטות, פליטות NO₂/PM מרכבים ותעשייה, ושינויים יומיומיים בכמות התנועה³⁷. בנוסף, הגאוגרפיה של דלהי היא גורם תורם להמשכיות ההיפכות באזור וכך גם מחמירה את ריכוזי PM_2.5 . כיוונון היפר-פרמטרים, רגולריזציה והוספת משתנים נוספים (כגון טמפרטורה) יסייעו להגביל את הסיכוי להתאמת יתר וישפרו את ביצועי המודל הכוללים. יישום אסטרטגיות תפעוליות להפחתת פליטות PM צריך לכלול הטמעת מגבלות יומיות על פליטות PM, שימוש במכשירים המספקים ניטור בזמן אמת לנוכחות PM, ושימוש ברוח לפיזור פליטות PM דרך השטח הירוק העירוני.

איור 4: דירוג חשיבות תכונות מבוסס רווח ב-XGBoost לאחר סינון תכונות בדירוג CorrXGBoost לחיזוי PM₂.₅. פסי החיזוי מסודרים לפי סדר חשיבות. הקו האנכי המקווקו מייצג את סף בחירת התכונות האמיתי של XGBoost של 0.015. מנבאים עם ציונים ≥ 0.015 נשמרו עבור קבוצת הקלט הסופית של CORTA-Net, בעוד שמנבאים מתחת לסף זה הוצאו. הדירוג משמש לסינון תכונות ופרשנות התנהגות מודלית, ואין לפרש אותו כיחוס סיבתי. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

ארכיטקטורת מודל CORTA-net
איור 5 מציג מסגרת חיזוי PM_2.5 מוצעת. איורים משלימים 4 ו-5 ממחישים את הסידור הפנימי של יחידת ה-LSTM וייצוג של דיאגרמת בלוקי הקשב הרב-ראשיים. כל מקורות הנתונים (כלומר, תנאי הסביבה, תצפיות מטאורולוגיות, פעילות אש, והיבטים זמניים והקשריים של הנתונים) עברו עיבוד מוקדם כדי לוודא שהם תואמים זמנית, שיש להם נתונים חסרים (אם יש צורך), ועברו הסרת חריגים ונורמליזציה לפני השימוש בהם בתהליכי בניית המודלים. ארכיטקטורת המודל, הנדסת התכונות, תצורת ההדרכה, תצורת הנתונים, למידת העברה, מדדי הערכה, תחזיות עתידיות ופרטי היישום מוצגים בטבלה משלימה 1. באמצעות מודול CorrXGBoost-Rank, קבוצת התכונות האופטימלית נקבעת לפני שתת-קבוצה מהן מוזמנת לארכיטקטורת LSTM, אשר שופרה על ידי שילוב שכבות קשב מרובות ראשים כדי להתחשב בהתנהגות סדרות זמן בשלב המידול. גם תחזית PM_2.5 וגם תכונות PM_2.5 מאפיינים את חשיבות תכונות הקלט, וכן משקלי קשב מרובי ראשים כמפות קשב, סופקו כפלטים. מבנה יחידת LSTM פנימי ודיאגרמת בלוקים קשב רב-ראשיים נכללו כאיורים משלימים 4 ו-5, בהתאמה, בעוד שטבלה משלימה 1 מספקת את פרמטרי הארכיטקטורה לכל סוג שכבה בארכיטקטורה זו.

איור 5: הארכיטקטורה הכוללת של מודל החיזוי PM₂.₅ של CORTA-Net. תהליך חיזוי קלט כולל קלטים ממדדי איכות אוויר, מדדי מזג אוויר, מדדי זמן, ומדדי ספירת שריפות MODIS (ספקטרורדיומטר דימות ברזולוציה בינונה). לכל אחד מהשלבים הללו, האלגוריתם יישר חותמות זמן, מטפל בערכים חסרים, מסנן חריגים, נרמול נתונים ומהנדס תכונות. המנבאים הסופיים נבחרו לאחר מכן באמצעות תהליך CorrXGBoost-Rank. לאחר מכן, התכונות שנבחרו הונחו בחלונות הזזה ברצף זמן והועברו דרך מקודד LSTM (זיכרון קצר טווח ארוך) באמצעות למידת העברה. לכל תכונה וצעד זמן, מנגנון הקשב הרב-ראשי מפעיל משקלים לפני שליחת הפלט המשולב לשכבת הרגרסיה הסופית הצפופה כדי לייצר את תחזית PM₂.₅. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הכשרה והערכה
שיטת חלון הזזה שימשה ליצירת רצפי למידה מפוקחים. ההדרכה השתמשה באופטימיזציה של אדם ובממוצע ריבוע אובדן שגיאה (טבלה משלימה 2). ביצועי המודל הוערכו באמצעות RMSE ו-R² בין חלוקות אימון, ולידציה, בדיקה ואימות צולב. הארכיטקטורה של המודל, הנדסת התכונות, תצורת ההדרכה, תצורת הנתונים, למידת העברה, מדדי הערכה, תחזיות עתידיות ופרטי היישום מוצגים בטבלה משלימה 1. איור 6 מייצג את אבחון ההכשרה עבור מודל החיזוי PM₂.₅ של CORTA-Net. בפאנלים, איור 6A מייצג עקומות אובדן אימון ואימות, המציגות הפחתת שגיאות הדרגתית, עם עצירה אופטימלית באפוק 106. התפתחות פער ההכללה במהלך הערכת ניתוח התאמה גבוהה מודגמת על ידי הפער בין נתוני אימות לאימון באיור 6B. בפרט, הוא מציג תקופות שבהן הסטייה חורגת מגבולות מוגדרים מראש; מידע זה מספק ראיות לכך שהתנהגות קצב הלמידה ודפוסי הפחתת האובדן ממחישים את היתרונות של דעיכת קצב הלמידה המתוזמן (LR) בתקופות קריטיות כאמצעי לשיפור יציבות ההתכנסות כפי שמוצג באיור 6C. ביחד, איורים אלו מספקים סיכום של דינמיקת הלמידה, יכולת ההכללה ותצורת האימון המומלצת של המודל.

איור 6: אבחון אימון עבור מודל החיזוי CORTA-Net PM₂.₅. (א) עקומות אובדן אימון ואימות המראות ירידה הדרגתית בשגיאה במהלך אימון המודל, עם עצירה מוקדמת באפוק 106 בהתבסס על ביצועי אימות. (ב) פער הכללה בין אובדן אימון לאימות בין תקופות, הממחיש את התפתחות הכללת המודל ותקופות של התפצלות מוגברת המעידות על התאמה יתר פוטנציאלית. (ג) לוח זמנים לקצב למידה המראה את השפעת דעיכת קצב הלמידה המתוזמן על אופטימיזציה לאורך כל האימון. (ד) סיכום התנהגות התכנסות המודלים, המדגים אופטימיזציה יציבה ותצורת האימון הסופית שנבחרה למודל CORTA-Net. יחד, אבחונים אלו ממחישים את הדינמיקה של המודל, מאפייני ההתכנסות וביצועי הכללה במהלך האימון. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

תוצאות

בחירת מאפיינים ותוצאות חיזוי
נוהל CorrXGBoost-Rank בחר PM₂.₅ עם איחור, מהירות רוח, לחות, טמפרטורה, מדדים זמניים ושריפות שמקורן ב-MODIS כמנבאים משמעותיים לאיכות האוויר. כל אחד מהמשתנים הללו מתייחס להתמשכות הזיהום, לפיזור עקב תנאים מטאורולוגיים, להבדלים עונתיים ברמות הזיהום ולהשפעה אזורית משריפות. משתנים מיותרים הוסרו לפני מידול הרצף כדי להפחית ממדיות קלט מיותרות. CORTA-Net הוערך באמצעות שגיאה ממוצעת מוחלטת, שגיאת ממוצע ריבועי שורש ומקדם קביעה. במאגר הנתונים היומי של דלהי, המודל השיג RMSE = 3.19 ו-R² = 0.983. בחלוקת ההכשרה האקלים היומית של דלהי, המודל השיג RMSE = 4.98 ו-R² = 0.845. בניתוח פיזור מערך היעד, ערכי PM₂.₅ שנצפו וחזבו הראו פירסון r = 0.942 ו-R² = 0.873. ערכים אלו מתייחסים לחלוקות הערכה שונות ואין להתייחס אליהם כתוצאות ניתנות להחלפה בכל המודל.

איור 7 משמש כעת כייצוג חזותי מאוחד של ביצועי הבדיקות של CORTA-Net על נתוני הבדיקה. סעיף סדרות הזמן מראה שיש מתאם מצוין בין רמת PM_2.5 בפועל לחזויה במאגר הנתונים של הבדיקה לאורך תקופת ההערכה, כולל אירועי זיהום גבוה אפיזודיים כמו דיוואלי ואירועי שריפת שאריות יבול. לתמיכה בכך, תרשים הפיזור מראה שיש מתאם ליניארי חזק בין הערכים בפועל לחיזוי (r = 0.942, R² = 0.873), מה שמעיד על רמת דיוק חיזוי גבוהה מאוד.

ביצועי חיזוי
הגרפים השאריים מראים שהטעויות מתחלקות בערך באופן נורמלי סביב אפס, עם רק כמה שגיאות מבודדות במהלך קפיצות זיהום קיצוניות. דבר זה תמך בחוזקה בעמידות הסטטיסטית ובהיעדר הטיה במודלים של CORTA-Net. CORTA-Net הציגה RMSE של 3.19 ו-R² של 0.983 במערך הנתונים היומי של דלהי, RMSE של 4.98 ו-R² של 0.844 במאגר הנתונים Daily Delhi Climate Train. מדידות אלו, יחד עם הראיות לעיל, אישרו כי CORTA-Net מדמה במדויק הן מגמות הדרגתיות והן סטיות פתאומיות ברמות PM_2.5 .

דיוק התחזיות של ריכוזי PM_2.5 הוערך בשלוש שיטות: הערכה מבוססת זמן של הדיוק המאומת בזמן של תחזיות המודל לריכוז PM_2.5 , מתאם מבוסס זמן בין ריכוזי PM_2.5 החזויים לאמיתיים, והערכת שגיאה המבוססת על ניתוח סטטיסטי. ההערכה הזמנית, שהשוותה בין ערכי PM_2.5 ל-PM_2.5 הזמני (איור 7A), הראתה את הקשר לאורך זמן בין ריכוזי PM_2.5 שנמדדו בפועל לבין ריכוזי PM_2.5 שנחזו על ידי המודל, ומדגימה הופעות משמעותיות של PM_2.5 (למשל, חג הדיוואלי ותקופת שריפת הזפים) שהתרחשו בתקופה זו. המתאם בין ריכוזי PM_2.5 החזויים על ידי המודל לבין ריכוזי PM_2.5 שנמדדו מספק עדות לקורלציה גבוהה מאוד (Pearson r = 0.942 ו-R2 = 0.873), עם הסכמה חזקה מאוד בין ריכוזי PM_2.5 החזויים לבין הריכוזים הנמדדים בפועל, מה שמעיד שמודל PP-FRC הוא מנבא מדויק ואמין של ריכוזי PM_2.5 (איור 7B). התפלגות הקורטוזיס של השאריות (איור 7C) הראתה שגיאות קטנות לאורך זמן עם ימים מבודדים עם שגיאות גבוהות, בעוד שההתפלגות השיורית הייתה בקירוב נורמלית (איור 7D), ושגיאות השאריות הממוצע והחציוני היו קרובות מאוד לאפס, מה שמעיד ששגיאות החיזוי של המודל היו בלתי מוטות ומתנהגות סטטיסטית היטב.

איור 7: ביצועים חיזויים של מודל CORTA-Net על מאגר הנתונים העצמאי של הבדיקה. ריכוזי PM₂.₅ מדווחים במיקרוגרם למטר³. (A) השוואה זמנית של ריכוזים נצפו וחזויים של PM₂.₅, המדגימה התאמה קרובה בין ערכים שנמדדו לערכים חזויים על ידי המודל, כולל במהלך פרקי זיהום משמעותיים. (B) גרף פיזור של ריכוזי PM₂₅ החזויים לעומת הנצפים, המראה ביצועים חיזויים חזקים (Pearson r = 0.942; R² = 0.873). (ג) התפלגות זמנית של שאריות (שגיאת חיזוי) לאורך תקופת הבדיקה, המצביעה על שגיאות קטנות בדרך כלל עם מספר מוגבל של אירועים בעלי שגיאה גבוהה. (ד) התפלגות השאריות, המציגה התפלגות נורמלית בערך הממוקמת קרוב לאפס, עם ממוצע ושאריות חציוניות קרובות לאפס, מה שמעיד על שגיאות חיזוי בלתי מוטות ומתנהגות היטב. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 7 מציג את הביצועים החיזויים של CORTA-Net על קבוצת הבדיקה היעדית. תרשים סדרות הזמן הראה את ההתאמה בין ערכי PM₂₅ שנצפו לבין ערכי PM₂.₅ החזויים, כולל תקופות של ריכוז חלקיקים מוגבר. תרשים הפיזור הראה את הקשר בין ערכי PM_2.5 החזויים לנצפים. הגרפים השאריים הראו שרוב שגיאות החיזוי ממוקדות קרוב לאפס, עם סטיות גדולות יותר במהלך פרקי זיהום גבוהים.

אימות צולב
אימות צולב עשרה פעמים הראה שונות מוגבלת בין קפלים, והפגין עמידות בתנאים אטמוספיריים שאינם נייחים. המודל הראה יכולת חיזוי חזקה. ערכי PM₂.₅ החזויים תואמים במידה רבה לערכים שנצפו בזה. שאריות הראו הטיה מינימלית ונורמליות משוערת. איור 8 סיפק סקירה של ביצועי המודל במגוון תנאים ולאורך זמן, תוך שימוש במדדים RMSE, MAE (שגיאה מוחלטת ממוצעת) ו-R2 (מקדם קביעה) באימות צולב של 10 כיוונים. בלוחות איור 8A ואיור 8B, RMSE ו-MAE הראו שונות נמוכה בכל פערי ההכשרה והאימות הצולב, מה שמעיד על דיוק חיזוי יציב. איור פאנל 8C מציג ערכי R² גבוהים בעקביות (~0.92 לאימון ו~0.89 לאימות) בכל האימות הצולב, מה שמעיד שלמודל יש עוצמת הסבר גבוהה ושונות פנימית נמוכה מאוד בין האימות הצולב השונים. איור 8D הראה כי הערך הממוצע בכל המדדים הללו הראה פער הכללה קטן, מה שמרמז שהמודל תפקד היטב באופן עקבי ללא קשר לאופן חלוקת הנתונים.

איור 8: ביצועים קיפולים של מודל CORTA-Net באמצעות אימות צולב של 10 קיפולים. הביצועים הוערכו באמצעות שגיאת ממוצע ריבועי (RMSE), שגיאה ממוצעת מוחלטת (MAE) ומקדם קביעה (R²). פסי השגיאה מייצגים את סטיית התקן בין קפלים כאשר הדבר רלוונטי. (א) ערכי RMSE לפי קיפול עבור מאגרי הנתונים של אימון ואימות, המדגימים שגיאת חיזוי נמוכה בעקביות בכל הקיפולים. (B) ערכי MAE לפי קפלים עבור מאגרי הנתונים של אימון ואימות, המצביעים על ביצועים חיזויים יציבים עם שונות מינימלית בין הקפלים. (C) ערכי R² לפי קיפול עבור מערכי הנתונים של האימון והוולידציה, המראים עוצמת הסבר גבוהה בעקביות בכל הקיפולים של אימות צולב. (ד) מדדי ביצועים ממוצעים ופער הכללה בין מאגרי נתונים של אימון ואימות, המדגים ביצועים עקביים של המודל והכללה טובה ללא קשר לחלוקת הנתונים. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

פרשנות מבוססת קשב
תשומת לב רב-ראשית שימשה לבחינת אילו צעדי זמן ומשתני קלט אחרונים תרמו בצורה המשמעותית ביותר לתחזית PM_2.5 . חלק מהמרכזים הדגישו זיכרון מזהם לטווח קצר באמצעות ערכי PM_2.5 איחורים, בעוד אחרים ייחסו משקל רב יותר למשתנים מטאורולוגיים הקשורים לפיזור, כגון מהירות רוח ולחות. משתני ספירת האש זכו גם הם לתשומת לב רבה יותר במהלך פרקי זיהום התואמים את השפעת שריפת הביומסה האזורית. יש לפרש את מפות הקשב הללו כאינדיקטורים להתנהגות המודל ולא כהסברים סיבתיים. התוצאות הציעו כי המודל עושה שימוש הן בהיסטוריית מזהמים עדכנית והן במשתנים סביבתיים כאשר מייצר תחזיות.

תצורת הדגם	בחירת מאפיינים	למידת העברה	תשומת לב רב-ראשית	קלט של ספירת אש	RMSE ↓	MAE ↓	R² ↑
קו הבסיס של LSTM	לא	לא	לא	לא	7.56	5.52	0.905
+ CorrXGBoost-Rank	כן	לא	לא	לא	4.24	3.10	0.970
+ למידת העברה	כן	כן	לא	לא	3.89	2.84	0.975
+ תשומת לב רב-ראשית	כן	כן	כן	לא	3.48	2.54	0.980
CORTA-Net מלא	כן	כן	כן	כן	3.19	2.33	0.983

טבלה 3: ניתוח אבלציה לפי רכיב של CORTA-Net. טבלה 3 מעריכה כל רכיב אדריכלי בתוך מערכת על ידי הסרה או שינוי רכיב אחד או יותר ומדידת שינויים בביצועים. זה מציין אילו רכיבים אדריכליים הם היעילים ביותר, מאשר החלטות אדריכליות, ומראה כיצד הרכיבים השונים פועלים יחד כדי לשפר את הדיוק, החוזק, היעילות והיעילות הכוללת של הרשת.

טבלה 3 מציגה את ניתוח האבלציה לפי רכיב של CORTA-Net. קו הבסיס של LSTM קיבל RMSE = 7.56, MAE = 5.52, ו-R² = 0.905. הוספת בחירת תכונה CorrXGBoost-Rank הפחיתה את RMSE ל-4.24, מה שמעיד שהסרת מנבאים מיותרים וחסרי רלוונטיות שיפרה את ביצועי התחזית. למידת העברה הורידה עוד את RMSE ל-3.89, מה שמעיד שייצוגים זמניים מאומנים מראש שיפרו את יציבות המודל. באמצעות שימוש בתשומת לב רב-ראשית, ה-RMSE ירד מ-3.48 ל-3.19, ובכך השתפר ערך R² מ-0.980 ל-0.983, מה שמעיד על שיפור משמעותי בתחזיות הזמן באמצעות שימוש במשקלי רמת תכונה וצעד זמן בשילוב עם רכיבים אחרים של מודל CORTA-Net (כלומר, CorrXGBoost-Rank, Transfer Learning, Multi-Head Attention, ו-MODIS Fire Count Inputs). בסך הכול, השיפורים הראו את תרומתם של בחירת תכונות, למידה בהעברת זמן, משקל רצף מבוסס קשב ופעילות אש ליישום ולביצועים של מודל CORTA-Net.

בחירת מאפיינים	מידול רצף זמני	למידת העברה	ניתוח התנהגות מודלים מבוסס קשב	קלט פעילות אש	תפקיד מרכזי בהשוואה
אין דירוג CorrXGBoost מפורש	לא	לא	לא	לא	קו בסיס קלאסי של למידת מכונה לא ליניארית
חשיבות מבוססת עץ פנימי בלבד	לא	לא	לא	לא	קו בסיס של הגברת שיפוע עבור מנבאים טבליים
לא	כן	לא	לא	לא	קו בסיס זמני חוזר
לא	כן	לא	כן	לא	קו בסיס חוזר מבוסס קשב
כן	כן	כן	כן	כן	מסגרת חיזוי היברידית מוצעת

טבלה 4: הבדלים מרכזיים בין מודלי CORTA-Net למודלים של חיזוי בסיס. טבלה 4 מראה שהמודל הנוכחי המשמש לחיזוי הוא CORTA-Net, שאיפשר טכניקות מתקדמות יותר לחילוץ תכונות זמניות וכן שימוש ביכולת להסתגל באופן אדפטיבי בהתבסס על מה שחשוב כדי ללכוד דפוסים זמניים מורכבים ממערכי נתונים בסדרות זמן. CORTA-Net למדה באופן דינמי כיצד לקשר בין סולמות זמן שונים כדי להפיק דיוק כולל גבוה יותר, עמידות ויכולת ליצור הכללות לעומת טכניקות חיזוי בסיסיות מסורתיות.

ההבדלים בין מתודולוגיות CORTA-Net למודלים הבסיסיים של ההשוואה מוצגים בטבלה 4. Random Forest ו-XGBoost יכולים לשמש לספק שיטת בסיס לא-ליניארית בלמידת מכונה, אך חסרה להם מידול ישיר של תלות רציפה. LSTMs שימשו כשיטת בסיס זמנית חוזרת, בעוד ש-Attention-LSTMs סיפקו משקל מבוסס קשב ללא תכונות סינון מפורש, באמצעות למידת העברה או שילוב פעילות אש. לעומת זאת, CORTA-Net משלב ארבעה היבטים של קווי בסיס קודמים בצינור תחזית אחד: (1) בחירת תכונות CorrXGBoost-Rank; (2) קידוד LSTM בלמידת העברה; (3) תשומת לב מרובת ראשים; (4) וספירת אש שמקורם ב-MODIS כנתוני קלט.

השוואת קו בסיס
בנוסף להשוואות בסיסיות כמותיות (שסופקו בנפרד עם הבדלי ממוצע קיפול, שגיאות סטנדרטיות ורווחי ביטחון של 95%), המחברים העריכו גם את התפקוד הפנימי של CORTA-Net באמצעות מנגנון הקשב שלו. משקלי הקשב המוקצים לכל תכונה קלט (צעדים לאורך זמן וראשי קשב מרובים) מוצגים באיור 9. באיור 9A, הקבוצה מציגה התפלגות מייצגת של משקלי קשב שהוקצו לאחד ממקרי מערכי הנתונים של הבדיקה. כפי שניתן לראות באיור זה, למרות שתכונות קלט מסוימות (למשל, PM2.5 ב-t-1, t-2 ו-t-3) יהיו בעלות משקלים יחסיים נמוכים יותר ממנבאים אחרים, הן עדיין יקבלו את תשומת הלב/משקל הגבוהה ביותר, מה שמראה ש-CORTA-Net מקדיש יותר תשומת לב לתלות זמנית קצרה טווח מאשר לתלות בזיכרון לטווח ארוך. באיור 9B, החוקרים מספקים הערכות מצטברות של החשיבות היחסית של כל מאפייני הקלט בכל דגמי הבדיקה בחיזוי PM_2.5 לדלהי; PM_2.5 עם עיכוב, מהירות רוח, טמפרטורה וספירת אש מזוהים כתכונות החיזוי החשובות ביותר. באיור 9C, המחברים מדגימים את דפוסי הקשב הרב-ראשיים של CORTA-Net, שבהם כל ראש תופס קשרים זמניים ו/או ברמת תכונה שונים, אך משלימים, בין תכונות הקלט, וכך מאפשר לו ללמוד ייצוג עשיר יותר של תכונות הקלט. באיור 9D, המחברים ממחישים את זרימת שלב הזמן של תשומת הלב לאורך זמן ביחס ל-PM₁₀, וממחישים כיצד תשומת הלב משתנה לאורך זמן בהתאם לרמות PM₁₀ . למרות שניתן לפרש את משקלי תשומת הלב כאינדיקטורים לדפוסים כלליים בעיבוד הנתונים הסביבתיים הסופקים ברצף על ידי CORTA-Net, וכן כעדיפות לכל תכונה שסופקה ברצף, משקלי תשומת הלב אינם מספקים ראיות ישירות לקשרים סיבתיים. עם זאת, הם לא סיפקו תובנות כיצד תהליכי CORTA-Net מספקים נתונים סביבתיים ברצף, מה שמשפר את יכולת הפרשנות של תחזיותיו (טבלה משלימה 3).

איור 9: ויזואליזציות מבוססות קשב של התנהגות מודל CORTA-Net. משקלי קשב מדגימה כיצד המודל מפזר את המיקוד בין מאפייני קלט וצעדי זמן במהלך החיזוי, ויש לפרש אותם כאינדיקטורים להתנהגות המודל ולא כהוכחה ליחסים סיבתיים. (א) מפת קשב חד-פעמית המציגה משקלי קשב שהוקצו למאפייני קלט ותצפיות היסטוריות עדכניות עבור תחזית בודדת. (ב) חשיבות תכונה מצטברת המבוססת על משקלי קשב לאורך מאגר הנתונים של הבדיקה, תוך הדגשת התרומה היחסית של כל משתנה קלט לחיזוי PM₂.₅. (ג) דפוסי קשב מרובי ראשים המדגימים כיצד ראשי תשומת לב שונים תופסים ייצוגים משלימים ברמת תכונות וזמן. (ד) התפלגות קשב זמנית המדגימה את החשיבות היחסית של צעדי זמן היסטוריים במהלך התחזית. בסך הכל, PM₂.₅ עם איחור, FIRECOUNT, מהירות רוח (WDS), לחות וטמפרטורה קיבלו את משקלי תשומת הלב הגבוהים ביותר, מה שמעיד על חשיבותם בתהליך החיזוי של המודל. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור משלים 6A–B משווה בין CORTA-Net למודלים בסיסיים המשתמשים ב-MAE, RMSE ו-R². ערכי MAE ו-RMSE נמוכים יותר הצביעו על שגיאת חיזוי נמוכה יותר, בעוד^R2 גבוה יותר מצביע על שונות מוסברת טוב יותר. CORTA-Net הראה שגיאת חיזוי נמוכה יותר מאשר מודלי הבסיס שהוערכו תחת אותה חלוקה ניסויית. עם זאת, יש לפרש את ההשוואה בתוך מאגר הנתונים הנבחר של תחנת הניטור בדלהי ובאותו צינור עיבוד מוקדם. איור משלים 7 מסכם את הדירוג היחסי של CORTA-Net ומודלי הבסיס לאורך המדדים המדווחים. איור 8 המשלים מדגיש את הרכיבים המרכזיים התורמים לביצועי המודל, כולל בחירת תכונות, למידת העברה, מידול רצף זמני ותשומת לב מרובת ראשים.

ההערכה המשווה את ביצועי CORTA-Net לבין חלק מהמודלים הבסיסיים נעשית באיור המשלים 7A–C באמצעות תרשים רדאר, שמציג את המודל היחיד שמודד גבוה יותר (או נמוך יותר) מ-מקביליו בכל האזורים שנמדדו (RMSE הפוך, MAE הפוך, וערכי R² ). CORTA-Net השיגה את הדירוג הכולל הטוב ביותר בתרשים המשלים 7B, וכן הייתה במקומות הראשונים במספר מדדים נוספים שנמדדו. איור משלים 7C מציג את שיפורי הביצועים בין CORTA-Net לבין קווי הבסיס המרובים, כפי שנמדדו על ידי CORTA-Net, ומראה שיפורים משמעותיים ביחס לקווי הבסיס במחקר זה. השיפור המשמעותי ביותר נראה ב-RMSE (22.8%), אחריו ערכי MAE (24.1%) וערכי R² (עלייה של 39.3 עד 72.2% להסבר שונות בכל תוצאה). תיבת הסיכום של CORTA-Net מספקת סקירה של החוזקות שלה. אלה כוללים את היכולת להקדיש תשומת לב רב-ראשית להערכת חשיבות, מיזוג זמני של נתוני חיישנים לחיזוי מזהמים עתידיים, עמידות לשינויים באירועי זיהום (למשל, סופות כבדות), וביצועים עקביים בכל מדדי ההצלחה בסביבה רב-תחומית. CORTA-Net עולה על כל מודלי הלמידה העמוקה הקיימים האחרים בהתבסס על יכולת החיזוי שלה.

זמינות נתונים:
הנתונים על איכות האוויר במחקר זה מגיעים ממעקב ציבורי נגיש של מועצת בקרת הזיהום המרכזית ווועדת בקרת הזיהום של דלהי, כאשר זמינים. הנתונים המטאורולוגיים התקבלו מרשומות מחלקת המטאורולוגיה של הודו או ממקורות נתונים מטאורולוגיים ציבוריים מקבילים. נתוני ספירת האש שמקורם בלוויין נגזרו ממוצר האש הפעיל של MODIS. לדוח, מערכי הנתונים המעובדים, רשימות התכונות הנבחרות, פרמטרי הנרמול והקוד הנדרש לשחזור הניסויים המדווחים זמינים דרך קישור מאגר כתב היד: https://github.com/saravagnamahasiva/CORTA-Net. המאמר מדגיש את השחזוריות על ידי מתן זיהוי ברור של מקורות הנתונים, שלבי העיבוד המוקדם, סף לבחירת תכונות, רכיבי המודל, חלוקת הערכה ומדדים מדווחים. המודל מוערך באמצעות חלוקות אימון כרונולוגיות, בדיקות ואימות. פרמטרי קדם-עיבוד נגזרו מנתוני אימון ואז יושמו הן על נתוני בדיקה והן על נתוני אימות. התוצאות מוצגות כממצאים הספציפיים לחלוקות שלהם, וטענות כלליות יותר נמנעות.

איור משלים 1: מפת אזור מחקר של דלהי. מפת אזורי המחקר של דלהי המציגה את מיקומם של ארבע תחנות ניטור איכות האוויר (דווארקה סקטור 8, אנאנד ויהאר, מונדקה-DPCC וסוניה ויהאר) שנכללו במחקר זה לאיסוף נתוני PM₂.₅ ופיתוח מודלים. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 2: מגמת ספירת האש השנתית (2012–2024). אירועי שריפות תורמים לזיהום אוויר, כפי שמודגם במגמות FIRECOUNT בין 2012 ל-2024. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 3: גרף פונקציית אוטוקורלציה (ACF) עבור PM₂₅ שעתי. האוטוקורלציה של PM_2.5 החזוי ב-30 עיכובים מראה אוטוקורלציה חיובית חזקה כמעט בכל ההשהייות, מה שמאשר כי PM2.5 בדלהי מציג תלות זמנית חזקה והתמדה רב-יומית. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 4: מבנה פנימי של יחידת LSTM. רשת LSTM (זיכרון ארוך וקצר טווח) פותרת את בעיית התלות לטווח ארוך של רשתות עצביות חוזרות (RNNs) סטנדרטיות על ידי ויסות זרימת מידע דרך מצב תא ייעודי הפועל כמסוע זיכרון. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 5: דיאגרמת בלוקים של ריכוז רב-ראשי. קשב רב-ראשי מרחיב את תשומת הלב העצמית על ידי חלוקת הקלט למספר ראשים, ומאפשר למודל ללכוד מערכות יחסים ודפוסים מגוונים. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 6: השוואת ביצועים כוללת של מודלים של CORTA-Net ומודלי תחזית בסיס. ביצועי המודל הוערכו באמצעות שגיאת ממוצעת מוחלטת (MAE), שגיאת ממוצע ריבועי שורש (RMSE) ומקדם קביעה (R²). ערכי MAE ו-RMSE נמוכים יותר מצביעים על שגיאת חיזוי נמוכה יותר, בעוד ערכי R2 גבוהים יותר מצביעים על שונות מוסברת טוב יותר. (א) ביצועים השוואתיים של CORTA-Net והמודלים הבסיסיים שהוערכו בהתבסס על מדדי MAE, RMSE ו-R². (ב) השוואה כוללת המדגישה את הביצועים החיזויים היחסיים של המודלים המוערכים תחת אותה חלוקת נתונים ניסויית. CORTA-Net השיגה שגיאות חיזוי נמוכות יותר וביצועים הסבריים גבוהים יותר מאשר מודלי הבסיס שנבדקו. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 7: ניתוח ביצועים השוואתי של מודלים של CORTA-Net ומודלים בסיסיים באמצעות מדדי הערכה מרובים. (A) תרשים רדאר המשווה ביצועי מודל מנורמל בהתבסס על RMSE הפוך, MAE הפוך ו-R², המדגים את העליונות הכוללת של CORTA-Net על פני המדדים המוערכים. (ב) דירוג ביצועים יחסי של CORTA-Net מול מודלים בסיסיים, המדגיש את ביצועיה המדורגים בראש באופן עקבי. (ג) שיפור אחוזי CORTA-Net לעומת מודלים בסיסיים שנערכו עבור MAE, RMSE ו-R², והראה שיפורים משמעותיים בדיוק חיזוי ושונות מוסברת. (ד) סיכום המאפיינים המרכזיים של CORTA-Net, המדגיש את מנגנון הקשב הרב-ראשי שלה, מיזוג תכונות זמניות, עמידות בפני אירועי זיהום, וביצועים חיזויים עדיפים בעקביות בכל מדדי ההערכה. אנא לחצו כאן להורדת הקובץ הזה.

איור משלים 8: השוואת אימון ואובדן אימות בין תקופות. זה מדגים התכנסות מתקדמת של מודלים והכללה יציבה עם התאמה יתר מינימלית. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 1: ארכיטקטורה של מודל CORTA-Net המוצע. סקירה של ארכיטקטורת CORTA-Net, כולל כל רכיב רשת, מפרטי שכבה, פונקציות הפעלה, ומספר הפרמטרים הניתנים לאימון המתאים לחיזוי PM₂.₅. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 2: הגדרות היפרפרמטרים ותצורת ההכשרה של מודל CORTA-Net המוצע. סיכום העיצוב האדריכלי, הגדרות ההיפרפרמטרים, תצורת ההדרכה, אסטרטגיית הנדסת תכונות, קדם-עיבוד נתונים, הגדרת למידת העברה ופרמטרי הערכה ששימשו לפיתוח ואופטימיזציה של המודל המוצע. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 3: השוואת ביצועים של המודל המוצע עם שיטות חיזוי בסיס. השוואה בין מודלים קונבנציונליים של למידת מכונה ולמידה עמוקה למסגרת המוצעת מבחינת בחירת תכונות, מנגנוני קשב, למידת העברה וביצועים חיזויים שנמדדו באמצעות RMSE, MAE ו-R2. אנא לחצו כאן להורדת הקובץ הזה.

טבלה משלימה 4: השוואה בין מחקרי חיזוי PM₂.₅ קודמים לבין הגישה המוצעת. סיכום מחקרי חיזוי מייצגים של PM₂.₅, המדגים את המתודולוגיות, מערכי הנתונים, תכונות הקלט המרכזיות, הכללת פעילות האש, ביצועים חיזויים, פרשנות עצמית, מגבלות מדווחות, וכיצד מסגרת CORTA-Net המוצעת מתמודדת עם מגבלות אלו. אנא לחצו כאן להורדת הקובץ הזה.

דיון

CORTA-Net משלבת שלושה רכיבים מרכזיים ברצף ליצירת ארכיטקטורה היברידית. CorrXGBoost-Rank: רכיב בחירת תכונות מותאם אישית שמבטל מנבאים מיותרים לפני שלב המידול הזמני³⁸. מקודד LSTM: משתמש בשכבות LSTM מוערמות כדי ללכוד תלות זמן קצרה וארוכת טווח ברצף הקלט³⁹ שנבחר ל-24 שעות. שכבת קשב רב-ראשית: מוחלת על פלט ה-LSTM (עם משקלי הקשב הנלווים) כחלק מהשלב האחרון של מודל הרצף ההיברידי CORTA-Net; משפר את יכולת הפרשנות של הפלט הסופי מבלי להחליף את תפקיד עמוד השדרה הראשי^{של LSTM 40}. מקודד ה-LSTM לומד תלויות זמניות מרצף החלון הגלוי שנבחר. ה-CORTA-Net נועד לספק גישה היברידית למידול רצפים שבה CorrXGBoost-Rank מפחית את החיזויים המיותרים. שכבת הקשב הרב-ראשית סיפקה אגרגציה משוקללת של כל פלטי ה-LSTM ומפיקה הן את תחזיות PM_2.5 והן את משקלי הקשב הנלווים. שלושת הרכיבים של CORTA-Net שונים באופן משמעותי מארכיטקטורת הטרנספורמרים טהורה, בעוד ש-CORTA-Net עושה שימוש ברשתות LSTM (recurrent) למידול למידת רצפים, רשתות חוזרות מספקות את הבסיס העיקרי ללמידה רציפה, וקשב משמש כמנגנון הסבר.

ישנן ארבע מגבלות עיקריות למסגרת CORTA-Net. ראשית, הערכת המודל התבססה על תחנות ניטור שונות ברחבי דלהי, ולכן הביצועים עשויים שלא להכליל לערים עם מקורות פליטה שונים, תנאי אקלים, או ניטור צפיפות/תצורה וכו'. שנית, למרות שספירות אש מנתוני לוויין מספקות תחליף למשתני אש, הן לא בהכרח מספקות ייצוג מלא של עוצמת האש, העברת עמודות או טרנספורמציות כימיות. שלישית, חיישנים חד-כיווניים, נתונים חסרים ושינויים בתחנות ניטור בודדות או ברשתות ניטור מועדות יכולים להשפיע על איכות/אמינות נתוני סדרות זמן. רביעית, למרות שתשומת לב היא אינפורמטיבית, היא אינה מרמזת על קשר סיבתי. הערכה נוספת תדרוש שימוש ב-CORTA-Net בערים עצמאיות נוספות וברשתות ניטור נוספות. במאמץ לשפר את דיוק ההערכות של העברת זיהום אוויר אזורית באמצעות טכנולוגיות חדשות, חוקרים פיתחו מסגרת מודעת לתחבורה. המסגרת משלבת נתונים נוספים כגון חילוץ תכונות ממאגרי מידע מטאורולוגיים וחישה מרחוק, בקרת איכות נתונים, קליטת נתונים כמעט בזמן אמת, הערכת אי-ודאות, וכיול תדיר של מודלים⁴¹. צוות המחקר פיתח חבילת כלים חישוביים מקיפה לטיפול בבעיות אלו, כולל אופטימייזרים אדפטיביים לאימון מודלים וכיוון פרמטרים, למידת העברה לניצול נתונים קיימים לשיפור יכולת החיזוי, טכניקות מידול סדרות זמן רציפות, מידול מבוסס קשב ויכולת פרשנות מודל. בנוסף, שילוב בינה מלאכותית מוסברת במסגרת CORTA-Net מאפשר קישור ישיר בין תחזיות לבין ידע מדעי על הגורמים המרכזיים לזיהום האוויר. לדוגמה, בינה מלאכותית ניתנת להסבר מאפשרת זיהוי פעילות אש המתרחשת בתקופה שלאחר המונסון כגורם משמעותי לזיהום האוויר. אימות צולב של ביצועי המודל (Delhi RMSE = 3.19, R² = 0.983) מאשר את יעילות CORTA-Net, בעוד שהדמיות מבוססות קשב של תוצרי המודל מצביעות על כך שניתן לצפות בדפוסים שמעניינים את מקבלי ההחלטות ואנשי בריאות הציבור. לבסוף, השימוש בספירות אש ונתוני פליטה לא מבוקרים כקלטים למסגרת CORTA-Net יפחית באופן מהותי את הכללת התוצאות לאזורים אחרים, שכן שימוש במקורות מנוטרים במהירות או בצורה לקויה עלול להפריע קשות ליישום מסגרת CORTA-Net⁴².

הייצוג הגרפי המוצג באיור 10 מאפשר למקבלי החלטות וחוקרים להמחיש את הקשרים בין מודלים/מערכות שפותחו באמצעות מתודולוגיות שונות לחיזוי PM₂.₅, כאשר פסים מקודדים בצבע מייצגים RMSE (פסים קצרים יותר = דיוק גבוה יותר) ו-R² (פסים ארוכים = שונות גדולה יותר נלקחה בחשבון), כאשר מודלים מאורגנים לפי גישה (אגרגציה של עיר, תחנה ספציפית, סדרות רב-משתניות). הייצוגים הגרפיים של עומק מראים שאף מודל יחיד לא מצליח באופן צפוי בכל הקטגוריות; CORTA-Net הצטיינה בעקביות על מודלים דומים במאגרי נתונים עירוניים עם רעש גבוה ברמת תחנה שהפגינו שונות מקומית משמעותית, בעוד ש-MxConnect בדרך כלל הפיקה תוצאות ממוצעות אזוריות עליונות על פני מערכי נתונים מרחביים גסים יותר, מה שממחיש את חשיבות בחירת מודלים בהתבסס על קנה המידה של הנתונים המנותחים (כלומר, גודל מערכי הנתונים), רזולוציה מרחבית של מערכי נתונים (כלומר, רמת העומס), רמות הרעש במאגרי נתונים (כלומר, דיוק) או שונות מקומית. למעשה, הייחודיות של CORTA-Net היא השימוש במשקל תכונות אדפטיבי המוטמע במנגנון תשומת לב רציף חוזר, כדי להפחית דינמית משקל של קלטים או קלטים מיותרים עם רעש אקראי גבוה במהלך עיבוד זמן. זה מושג על ידי הטמעת משקל תכונות אדפטיבי בתוך עיצוב שער מותאם אישית מבוסס קשב, בניגוד לרוב הגישות הנהוגות כיום, שהסתמכו רבות על שימוש בגישות היוריסטיות סטטיות (כלומר, קורלציה או ספי PCA) לפני יישום המודל כשלב קדם-עיבוד (איור 10A). גישה אדפטיבית ורגישה להקשר, המשתמשת ב-CORTA-Net, מספקת יכולת לבצע התאמות בזמן אמת ביחס לדינמיקה המקומית ברקמות עירוניות, שבהן מודלים פשוטים ופחות מורכבים שתוכננו באמצעות מערכי נתונים גלובליים עשויים להניב תוצאות תחזיות טובות יותר לממוצעים ברמת המדינה. התצוגות הגרפיות ההשוואתיות המוצגות באיור 10B מזהות יחד את הקשר בין הבנצ'מרקינג של המודלים, ומספקות לחוקרים ולמקבלי החלטות כיוון בבחירת מודלים ליישום הספציפי שלהם (כלומר, עשויות לזהות דרכי מחקר נוספות הקשורות לחיזוי קצר טווח של PM₂.₅)

איור 10: השוואה בין ביצועי החיזוי של CORTA-Net למודלים של חיזוי בסיסי. ביצועי המודל הוערכו באמצעות שגיאת ממוצעת מוחלטת (MAE), שגיאת ממוצע ריבועי שורש (RMSE) ומקדם קביעה (R²). ערכי MAE ו-RMSE נמוכים מצביעים על דיוק חיזוי טוב יותר, בעוד ערכי R2 גבוהים יותר מצביעים על שונות מוסברת גבוהה יותר. (א) ביצועים השוואתיים של כל המודלים שהוערכו בהתבסס על MAE, RMSE ו-R², המספקים הערכה כוללת של דיוק חיזוי והתאמה למודל. (ב) השוואת ביצועים של המודלים המובילים, תוך הדגשת החוזקות והמגבלות היחסיות של CORTA-Net וגישות הבנצ'מרק. בסך הכל, ההשוואה מדגימה את הביצועים התחרותיים של CORTA-Net תוך הקלה על הערכה אינטואיטיבית של ארכיטקטורות מודל שונות לחיזוי PM₂.₅. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

ההשוואה מראה ש-CORTA-Net הוא תהליך חיזוי היברידי PM₂.₅ ולא ארכיטקטורת שנאי עצמאית (טבלה משלימה 4). ארכיטקטורות טרנספורמטור חדשות הוכיחו יכולת משמעותית ללמוד תלות זמן לטווח ארוך, אך ארכיטקטורות היברידיות של CNN-RNN וטרנספורמר-LSTM מגבירות את יעילות החיזוי על ידי ניצול החוזקות של כל ארכיטקטורה עצבית (כפי שמוצג בטבלה 5). בניגוד ל-CORTA-Net, רבים מהמודלים ההיברידיים הקיימים של CNN-RNN ו-Transformer LSTM מסתמכים על מודל הרצף כדי ללמוד ממערך התכונות המלא של הקלט במקום לבצע סינון תכונות מפורש לפני מידול זמני, בעוד ש-CORTA-Net משתמש בנתוני ספירת אש חיצוניים של MODIS כדי למודל השפעות שריפת ביומסה. השימוש של CORTA-Net במשקלי קשב להערכת האופן שבו כל מנבא משפיע על תרומת המנבא המצטברת, ביחס לזמן (כלומר, משקל מצטבר בזמן), ושלושת שלביו השונים תורמים כולם לשגיאה הכוללת הקשורה ל-CORTA-Net, כאשר השילוב של שלושתם הוא עם השגיאה הנמוכה ביותר שנמדדה מול מערך הנתונים של תחנת הניטור בדלהי תחת הערכה⁴³. לסיכום, התרומות המעשיות של CORTA-Net הן שילוב רב-שכפול של ארבעה תחומים רלוונטיים של חיזוי PM₂ לטווח קצר: בחירת תכונות, למידת העברה זמנית, העשרת פעילות אש חיצונית, ופרשנות מבוססת קשב. קבץ תוצאות לפי מודל ומקור נתונים (ניתוח מחדש של ERA5 גלובלי לעיר עירונית מרובת משתנים) (איור 10), כאשר החוקרים יכולים להשוות בקלות כיצד ביצועי כל מודל קשורים לכל אחד משמונה המשתנים המרכזיים הקשורים לאיכות הכוללת של כמה כל מודל חוזה ריכוזי PM₂₅.

רכיבי המודל העיקריים	תוצאות מספריות מיטביות מדווחות	הבדל מרכזי מ-CORTA-Net
ARIMA לרכיב ליניארי, CNN-LSTM לרכיב לא ליניארי, אופטימייזר חיפושיות זבל לכיוון היפרפרמטרים	RMSE = 7.594, 14.940, 7.841 ו-5.496; MAE = 5.285, 10.839, 5.120 ו-3.770; R² = 0.989, 0.962, 0.953 ו-0.953 בארבע ערים	מודל AQI היברידי חזק, אך מתמקד ב-AQI ואופטימיזציה של המודלים; הוא אינו כולל סינון מפורש של CorrXGBoost-Rank או אינטגרציה של ספירת אש MODIS
מקודד טרנספורמר, מפענח BiLSTM, פרשנות מבוססת SHAP	בייג'ינג: RMSE = 3.0012, MAE = 1.7928, R² = 0.9694; טיאנג'ין: RMSE = 4.4785, MAE = 3.1614, R² = 0.9621; שיג'יאג'ואנג: RMSE = 5.1646, MAE = 3.4057, R² = 0.9324	לוכד תלות ב-AQI לטווח ארוך וקצר, אך בעיקר משתמש בנתוני ריכוז מזהמים ואינו משתמש במשתני ספירת אש MODIS או הפחתת דירוג CorrXGBoost לפני רצף
LSTM, ריכוז עצמי של טרנספורמר, אופטימיזציה של להקת חלקיקים	ההגדרה העונתית הטובה ביותר: R² = 0.98745 ו-0.95655 לשתי ערים; ערכי שגיאה נמוכים מדווחים כוללים MAE = 0.83363 ו-RMSE = 1.0176 בהגדרה הטובה ביותר	מודל Transformer-LSTM אופטימלי חזק, אך החידוש העיקרי שלו הוא אופטימיזציה מבוססת PSO ולא הסרת יתירות תכונות והעשרת פעילות אש
CNN-LSTM עם רכיבי רשת קולמוגרוב-ארנולד ומודעות גאוגרפית	שנגחאי: RMSE = 1.9222 ו-R² = 0.9832; בייג'ינג: RMSE = 2.5213, עם RMSE נמוך ב-59.6% מ-LSTM בסיסי	מודל AQI חזק ומודע גאוגרפית, אך אינו מתייחס ספציפית לחיזוי PM₂.₅ של דלהי או כולל קלט של ספירת שריפות MODIS לפרקי שריפת ביומסה
רגרסורים קלאסיים בלמידת מכונה עם אופטימיזציה של חיפוש רשת	GBR: RMSE = 2.31; RF: MAE = 0.47 ו-RMSE = 2.95; XGBR: R² = 0.9781	מדד שימושי ללמידת מכונה, אך מודלים אינם מייצגים במפורש תלות זמנית רציפה דרך LSTM או תשומת לב
LSTM מותאם באמצעות אלגוריתם חיפוש ספארו; בהשוואה ל-CNN-LSTM, CNN-BiLSTM ו-PSO-LSTM	SSA-LSTM: RMSE = 8.601, MAE = 6.317, R² = 0.946; PSO-LSTM: RMSE = 8.860, R² = 0.944; LSTM בסיסי: RMSE = 12.481, R² = 0.884	מראה ערך של LSTM אופטימלי, אך אינו משתמש במשתני ריבוי ראשים, התאמת למידת העברה או משתני פעילות אש לוויינים
מודל טרנספורמר עם תת-דגימה מבוססת אשכולות לאירועים לא מאוזנים עם זיהום גבוה	התצורה הטובה ביותר: RMSE = 2.080, MAE = 1.386, R² = 0.914	חזק לחיזוי PM₂₅ באירועים גבוהים, אך הדגש הוא על טיפול בחוסר איזון ולא על בחירת תכונות משולבת, למידת העברה, העשרת ספירת אש ופרשנות מבוססת קשב
מקודד זמן של LSTM בלבד	RMSE = 7.56, MAE = 5.52, R² = 0.905	משמש כבסיס זמני פנימי תחת אותו מסגרת ניסוי בדלהי
LSTM עם בחירת תכונות מבוססות קורלציה ו-XGBoost	RMSE = 4.24	מדגים שהסרת מנבאים מיותרים וחלשים משפרת את החיזוי לפני למידת רצף
בחירת תכונות, LSTM בלמידת העברה, ותשומת לב מרובת ראשים	RMSE = 3.48, R² = 0.980	מראה את הערך המוסף של משקל זמני ותכונות מבוסס קשב

טבלה 5: השוואה מתודולוגית של CORTA-Net לבין מודלים עדכניים וקיימים לחיזוי PM₂.₅/AQI. המסגרת המוצעת שונה באופן מהותי משיטות חיזוי עדכניות מבוססות טרנספורמרים או היברידיות PM₂.₅. השוואה חזקה יותר למצב הטכנולוגי האחרון.

התרומה המרכזית של מחקר זה היא גישת למידה עמוקה היברידית הנקראת CORTA-Net, המספקת שיטה משולבת לחיזוי ריכוזי PM_2.5 לטווח קצר בניו דלהי, הודו, שמתאפיינת בסביבה בנויה מורכבת. במקום להסתמך על מודלים מפוצלים המורכבים משלושה רכיבים עצמאיים (מודול בחירת תכונות המבוסס על CorrXGBoost-Rank למזעור יתירות; LSTM משודרג על ידי למידת העברה לקידוד אי-סטציונריות של תלות זמנית; ומנגנון קשב רב-ראשי להשגת תחזיות פרשנות, ארוכות וקצרות טווח), CORTA-Net משתמשת בגישה מבוססת צינור לשילוב סינרגטי של רכיבים אלו. מסגרת זו משלבת קלט של משתנים מטאורולוגיים, ספירות שריפות MODIS ונתוני איכות אוויר סביבתיים בניסיון ליצור ייצוג מקיף יותר של הגורמים התורמים לזיהום PM_2.5 . CORTA-Net הציג ביצועים טובים משמעותית מקווי בסיס מוכרים (Random Forest, XGBoost, LSTM ו-LSTM מבוסס קשב) באמצעות מדדי הערכה קפדניים, שכללו ערכי R² גבוהים (0.983) וערכי RMSE נמוכים (3.19). מחקרים אלו הראו שכל מרכיבי CORTA-Net תרמו משמעותית לביצועי המודלים. מנגנון הקשב הרב-ראשי של CORTA-Net העניק ערך נוסף למחקר זה, שכן הראה כי המנבאים העיקריים היו מדידות PM_2.5 עדכניות, ספירת שריפות ומדידות מטאורולוגיות, מה שמתאים היטב לתהליכים אטמוספריים ידועים וגם מספק רמת פרשנות משמעותית למודל זה.

למרות התוצאות המבטיחות, המחברים מכירים בכך שישנן מגבלות מסוימות, כולל הגבלה גאוגרפית (רק ניו דלהי) והסתמכות בלעדית על ספירת שריפות MODIS כפרוקסי תרמיים לנתוני RS. המחקר העתידי יתמקד באימות ביצועי CORTA-Net במגוון אתרים עירוניים, וכן בשילוב מאפייני מודעות תחבורתית, כגון גובה שכבת הגבול ומסלולי רוח, בתהליך המידול כדי להגדיל את ההכללה. עם זאת, המחברים סבורים ש-CORTA-Net היא מסגרת ישימה, ניתנת לשחזור ופרשנות גבוהה לתמיכה בקביעת מדיניות מונעת נתונים ובמערכות התרעה מוקדמת. היכולת של CORTA-Net להשיג ביצועים חזקים בסביבה עירונית עשירה בנתונים אך מורכבת, ניו דלהי, מצביעה על כך ש-CORTA-Net מוכן ליישום נרחב, ובכך להניח את היסודות לפיתוח תקן חדש בחיזוי איכות אוויר עירונית.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה

שם	חברה	מספר קטלוג	הערות
Calibri font	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	משמש כטיפוגרפיה הבסיסית המבוקשת עבור דיאגרמות ותוויות מתוקנות בנתונים ותרשימים.
CORTA-Net figure-generation scripts	סקריפטים מותאמים אישית לפרויקט ה-CORTA-Net זה	URL: https://github.com/saravagnamahasiva/CORTA-Net	משמשים להפקה מחדש של קובצי PDF של איור ברמת פרסום עם תוויות וסדר מתוקנים.
CORTA_Net_High_Resolution_Images.zip	ארכיון תמונות של פרויקט שנמסר על ידי המשתמש	מספר קטלוג/RRID: לא חל; ארכיון מקור מקומי	משמש כמערכת התמונות המקורית/הפנייה וכדי לקבוע את זהות התרשים.
GitHub	GitHub, Inc.	URL: https://github.com/	משמש כמארח המיועד למאגר הקוד ולקבצי יצירת התרשים של הפרויקט.
Matplotlib	צוות הפיתוח של Matplotlib	RRID: SCR_008624; URL: https://matplotlib.org/	משמש לציור מחדש של תרשימים, דיאגרמות, תוויות, סימני פאנל ותרשימי PDF וקטוריים.
NumPy	מפתחי NumPy	RRID: SCR_008633; URL: https://numpy.org/	משמש למערכים דטרמיניסטיים וערכים מדמים בפאנלים של תרשימים שנוצרו מחדש.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	משמש לסיוע בעריכת קוד, יצירת תרשים מחדש, אריזת PDF ואימות.
Pillow	תורמי Pillow	URL: https://python-pillow.org/	משמש לבדיקה, שינוי גודל, תצוגה מקדימה ואימות של פלט תמונות רסטריות.
Poppler	מפתחי Poppler / freedesktop.org	URL: https://poppler.freedesktop.org/	משמש לעיבוד PDFs שנוצרו לתצוגות מקדימות PNG לבדיקות איכות ויזואלית.
pypdf	תורמי pypdf	URL: https://pypdf.readthedocs.io/	משמש לאישור שכל קובץ PDF סופי מכיל עמוד תקף אחד.
Python	קרן התוכנה של Python	RRID: SCR_008394; URL: https://www.python.org/	משמש כסביבת התכנות ליצירת תרשים ועיבוד PDF.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	משמש ליצירת הטבלה החובה/הכלים/התוכנה כמפרט PDF.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	משמש לתזמור קבצים, חילוץ ארכיון ופקודות אריזת ZIP סופית.