הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר מחקר

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

206 צפיות

⸱

DOI:

10.3791/71004

⸱

7 באוגוסט 2026

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

במאמר זה

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 PM2.5.

תקציר

חיזוי PM2.5 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 PM2.5 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 PM2.5 . 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 PM2.5 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 (PM2.5) 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 PM2.5 לטווח קצר היא מאתגרת בשל התופעה הלא-ליניארית, העונתית והמזוהמת הפתאומית של סדרתהזמן 10. מחקרים קודמים על חיזוי PM2.5 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 רצף19,20. למרות שמודלים מבוססי טרנספורמרים והיברידיים ללמידה עמוקה שיפרו לאחרונה את PM2.5 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 עצמאיתחדשה 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 ניטורבדלהי 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 PM2.5 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 PM2.5 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 PM2.5, 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 נתוניםשם התחנהממוצעמחלות מיןמינימום25%50%75%מקס
1דווארקה סקטור 898.2479.127.5238.6570.83133.47588.15
2אננד ויהאר115.8789.428.9149.2884.36152.89574.92
3מונדקה-DPCC113.6291.054.2143.5886.74158.42682.31
4סוניה ויהאר101.3580.255.8042.1575.60138.75565.40

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. PM2.5 מורכב מזהמים באוויר בקוטר קטן מ-2.5 מיקרון, ולכן קטן מספיק כדי להישאף בקלות עמוק לריאות, ובכך מהווה סכנות בריאותיות שונות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

מתודולוגיה
נבנה מודל חלון הזזה מפוקח כדי לחזות את ערך PM2.5 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 PM2.5 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(xi, xj)| ≥ 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 PM2.5 . 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.

צעדהשיטה שבה נעשה שימושפרמטר / סףמטרה
חישוב ערך חסראחוז התצפיות החסרותאחוז משתנה לפי דוחכימות את שלמות הנתונים
הקצאת רווח קצראינטרפולציה ליניאריתאורך הפער ≤ 6 שעותממלא מרווחים קצרים חסרים
זיהוי חריגיםשיטת IQRQ1 − 1.5 × IQR, Q3 + 1.5 × IQRמסיר ערכים קיצוניים לא תקינים
נרמולקנה מידה מינ-מקסימינימום ומקסימום של סט אימוניםתקן את טווח התכונות
PM₂.₅ lagsמשתנים עם השהותlag₁, lag₂, lag₃לוכד התמדה זמנית
סטטיסטיקות מתגלגלותממוצעים נעים3 שעות, 6 שעות, 12 שעות, 24 שעותלוכד הצטברות לטווח קצר
תכונת ספירת אשספירת האש של מודיסספירת אותו יום / יום קודםמייצג 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 xi, מקדם המתאם של פירסון עם משתנה היעד חושב כך:

figure-protocol-1(1)

כאשר Cov(xi, y) הוא הקווריאנטיות בין תכונה xi למטרה y, ו-σxi ו-σy הם סטיות התקן שלהם. תכונות שנשמרו מספקות: |ri| ≥ τr כאשר τr = 0.30 במחקר זה.

חושבו מתאמים זוגיים בין כל features_xi, xj, ואם |corr(xi, xj)| >= τאדום, כאשר τאדום = 0.85, התכונה עם הקורלציה המוחלטת הנמוכה יותר ליעד PM2.5 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 ≥ τxgb כאשר τxgb = 0.015 נשמרו בקבוצת התכונות הסופית (S") שהוגדרה כ-Sfinal= Scorr ∪ Sxgb, 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 Sסופי=Scorr ∪ Sxgb, כאשר Scorr הן התכונות שנשמרות לאחר סינון מתאם מיותר, ו-Sxgb 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 τr = 0.30, τאדום = 0.85, ו-τxgb = 0.015.

מקורות נתונים
המחברים שילבו שלושה מערכי נתונים גדולים למחקר; אלו הם נתונים על מזהמי אוויר (PM2.5, 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 PM2.5 החזוי בשלושים עיכובים, המוצגת באיור המשלים 3, מציגה אוטוקורלציה חיובית משמעותית כמעט בכל שלושים העיכובים, מה שמאשר של-PM2.5 בדלהי יש תלות זמנית חזקה והתמדה רב-יומית.

figure-protocol-2
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 במיקרוגרםלמטר 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 PM2.5), 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 PM2.5 למחזורים יומיים/עונתיים קצרים ומהשאריות הלא יציבות בתוך אותם מחזורים. הפרדה זו מאפשרת זיהוי אילו פליטות השפיעו על PM2.5, בניגוד לאילו גורמים מטאורולוגיים השפיעו על PM2.5. תוצאות הפרדה זו מסייעות בחיזוי מדויק של פליטות PM2.5 עתידיות; לספק נתונים להחלטות רגולטוריות; ולעמוד בסטנדרטים שנקבעו לפירוק קפדני של נתוני סדרות זמן למחקרי איכות אוויר34. מדידות ריכוז יומיות ממוצעות של PM2.5 שנערכו בתחנות ניטור בדלהי בין השנים 2012–2024 מצביעות על שינויים מינימליים ברמת PM2.5 (כלומר, ללא שינוי משמעותי בין 2022–24) באופן כללי והתנהגות עקבית מוגבלת מאוד (או עקביות ברמות PM2.5 בין ארבעת אתרי המעקב). רמות PM2.5 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 PM2.5 בכל אחת מארבע תחנות הניטור הצביעו על כך שריכוזי PM2.5 הושפעו מאוד משינויים עונתיים (מטאורולוגיים), שגרמו לתנודות גדולות בריכוזי PM2.5 היומיים הממוצעים עבור תחנות בודדות. ריכוזי PM2.5 היומיים בארבע תחנות הניטור בדלהי (2012–2024) מוצגים באיור 2.

figure-protocol-3
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.

figure-protocol-4
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-PM2.5 עם איחור כדי לחזות אוטומטית את PM2.5, דבר נפוץ במודלים של PM2.5 בדלהי, ועוזר ללכוד את ההתמדה הזמנית של PM2.5. Delhi_PM2.5 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-PM2.5 בשל התנועה/פליטות, בעוד שיום השנה הוא אינדיקציה למחזור הפליטה השנתי של מזהמים (כלומר, פליטות נמוכות יותר בסופי שבוע). בדלהי, ל-PM2.5 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 PM2.5 עקב היפוכים. הקשר בין NO2 ל-PM2.5 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 PM2.5 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 PM2.5 . 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.

figure-protocol-5
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 PM2.5 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 PM2.5 וגם תכונות PM2.5 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.

figure-protocol-6
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.

figure-protocol-7
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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

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 דל...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

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 ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין ניגודי עניינים.

תודות

פרויקט תמיכה לחוקרים מאוניברסיטת הנסיכה נורא בינת עבדולרחמן מספר פרויקט (PNURSP2026R300), אוניברסיטת הנסיכה נורא בינת עבד אלרחמן, ריאד, ערב הסעודית.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Calibri fontMicrosoft CorporationURL: https://learn.microsoft.com/en-us/typography/font-list/calibriמשמש כטיפוגרפיה הבסיסית המבוקשת עבור דיאגרמות ותוויות מתוקנות בנתונים ותרשימים.
CORTA-Net figure-generation scriptsסקריפטים מותאמים אישית לפרויקט ה-CORTA-Net זהURL: https://github.com/saravagnamahasiva/CORTA-Netמשמשים להפקה מחדש של קובצי PDF של איור ברמת פרסום עם תוויות וסדר מתוקנים.
CORTA_Net_High_Resolution_Images.zipארכיון תמונות של פרויקט שנמסר על ידי המשתמשמספר קטלוג/RRID: לא חל; ארכיון מקור מקומימשמש כמערכת התמונות המקורית/הפנייה וכדי לקבוע את זהות התרשים.
GitHubGitHub, Inc.URL: https://github.com/משמש כמארח המיועד למאגר הקוד ולקבצי יצירת התרשים של הפרויקט.
Matplotlibצוות הפיתוח של MatplotlibRRID: SCR_008624; URL: https://matplotlib.org/משמש לציור מחדש של תרשימים, דיאגרמות, תוויות, סימני פאנל ותרשימי PDF וקטוריים.
NumPyמפתחי NumPyRRID: SCR_008633; URL: https://numpy.org/משמש למערכים דטרמיניסטיים וערכים מדמים בפאנלים של תרשימים שנוצרו מחדש.
OpenAI CodexOpenAIURL: https://openai.com/codexמשמש לסיוע בעריכת קוד, יצירת תרשים מחדש, אריזת PDF ואימות.
Pillowתורמי PillowURL: https://python-pillow.org/משמש לבדיקה, שינוי גודל, תצוגה מקדימה ואימות של פלט תמונות רסטריות.
Popplerמפתחי Poppler / freedesktop.orgURL: https://poppler.freedesktop.org/משמש לעיבוד PDFs שנוצרו לתצוגות מקדימות PNG לבדיקות איכות ויזואלית.
pypdfתורמי pypdfURL: https://pypdf.readthedocs.io/משמש לאישור שכל קובץ PDF סופי מכיל עמוד תקף אחד.
Pythonקרן התוכנה של PythonRRID: SCR_008394; URL: https://www.python.org/משמש כסביבת התכנות ליצירת תרשים ועיבוד PDF.
ReportLabReportLab Inc.URL: https://www.reportlab.com/משמש ליצירת הטבלה החובה/הכלים/התוכנה כמפרט PDF.
Windows PowerShellMicrosoft CorporationURL: https://learn.microsoft.com/en-us/powershell/משמש לתזמור קבצים, חילוץ ארכיון ופקודות אריזת ZIP סופית.

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

234234
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.