Deep Learning ibrido con interpretabilità basata sull'attenzione per la previsione PM2.5 negli ambienti urbani di Delhi

Sommario

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, un framework ibrido di deep learning per la previsione a breve termine PM₂.₅ a Delhi. Il modello combina la selezione delle caratteristiche CorrXGBoost-Rank, l'apprendimento per trasferimento con reti di memoria a lungo termine e un'attenzione multi-head per l'interpretazione temporale e a livello di caratteristiche, utilizzando dati sulla qualità dell'aria, meteorologici e dati di conteggio degli incendi derivati dai satelliti per migliorare la previsione del PM_2.5.

Abstract

La previsione a breve termine delle PM_2.5 è difficile a Delhi perché le concentrazioni di particolato sono influenzate dalle emissioni locali, dalle variazioni meteorologiche, dalla stagnazione stagionale e dall'inquinamento episodico causato dagli incendi. Questo studio presenta CORTA-Net, un framework ibrido di deep learning per la previsione PM_2.5 utilizzando dati ambientali multi-fonte dal 2012 al 2024. I dati di input includono osservazioni orarie sulla qualità dell'aria dalle stazioni di monitoraggio CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), variabili meteorologiche del Dipartimento Meteorologico Indiano (IMD) e informazioni satellitari sul conteggio degli incendi provenienti dai prodotti MODIS (Moderate Resolution Imaging Imaging Spectroradiometer). Il framework proposto applica innanzitutto la selezione delle caratteristiche CorrXGBoost-Rank per ridurre i predittori ridondanti e mantenere inquinanti importanti, variabili meteorologiche, temporali e legate agli incendi. Le caratteristiche selezionate vengono poi organizzate come sequenze a finestra scorrevole supervisionate e elaborate utilizzando un encoder LSTM basato su transfer learning seguito da uno strato di attenzione multi-head. Il meccanismo di attenzione fornisce un'interpretazione a livello di caratteristiche e passi temporali della previsione PM_2.5 . CORTA-Net è stato valutato utilizzando partizioni di addestramento cronologico, test e validazione, oltre a validazione incrociata. Rispetto alle basi di foresta casuale, XGBoost, LSTM e attenzione LSTM, il quadro proposto ha ridotto l'errore di previsione nell'ambito valutato della stazione di monitoraggio di Delhi. La novità di CORTA-Net risiede nella combinazione dello screening esplicito delle caratteristiche CorrXGBoost-Rank, della codifica temporale basata su transfer learning, dell'integrazione dell'attività di incendio MODIS e dell'analisi comportamentale del modello basata sull'attenzione con più teste in un'unica pipeline riproducibile di previsione PM_2.5 . Praticamente, il framework può supportare la previsione a breve termine della qualità dell'aria urbana in ambienti di monitoraggio ricchi di dati, dove sono disponibili registrazioni di inquinanti, osservazioni meteorologiche e indicatori di attività degli incendi.

Introduzione

Le particelle fini con diametro aerodinamico ≤ 2,5 μm (PM_2,5) rappresentano una preoccupazione importante per la qualità dell'aria a Delhi perché sono influenzate dalle emissioni^{locali 1,2,3}, dal trasporto^{regionale 4}, dalla meteorologia^{stagionale 5} e da eventi episodici di combustione di^{biomassa 6}. Durante i periodi post-monsonici e^{invernali 7}, bassa velocità del^{vento 8}, condizioni di strato limite poco^{profonde 9} e inversione termica possono ridurre la dispersione degli inquinanti e aumentare l'accumulo di particelle. La previsione di PM_2.5 a breve termine è difficile a causa del fenomeno intrinseco non lineare, stagionale e improvvisamente ad alto inquinamento della serie^{temporale 10}. Studi precedenti sulla previsione PM_2.5 hanno utilizzato modelli statistici, modelli di apprendimento automatico e modelli ricorrenti di reti^{neurali 11}. I metodi statistici possono essere utili per determinare le tendenze e la stagionalità dei dati¹², ma potrebbero non essere in grado di spiegare completamente le interazioni non lineari esistenti tra inquinanti e^{meteorologia 13}. Modelli di apprendimento automatico come le foreste casuali e XGBoost possono essere utilizzati per modellare relazioni non^{lineari 14}; tuttavia, di solito non hanno una dipendenza temporale a meno che non siano progettate caratteristiche con lag. Le reti neurali a lungo termine (LSTM) sono in grado di modellare sia la dipendenza temporale sia le relazioni non^{lineari 15}.

Le reti di memoria a lungo termine possono modellare schemi^{temporali 16}, ma le loro prestazioni possono essere influenzate da condizioni non stazionarie e da episodi improvvisi di^{inquinamento 17}. Approcci recenti basati sull'attenzione e basati su trasformatori migliorano la rappresentazione^{temporale 18}, ma molti di essi elaborano direttamente tutte le variabili candidate e forniscono un controllo limitato sulla ridondanza delle caratteristiche prima della modellazione della sequenza^19,20. Sebbene i modelli di deep learning basati su transformer e ibridi abbiano recentemente migliorato PM_2.5 e la previsione^{AQI 21}, i loro contributi sono spesso concentrati sull'apprendimento della rappresentazione^{temporale 22}, la costruzione di grafi^{spaziali 23}, la fusione^{di modelli 24} o l'ottimizzazione. Molti di questi modelli utilizzano direttamente il set di input multivariato disponibile e pongono il principale carico di apprendimento sul modello^{di sequenza 25}. Questo può aumentare la ridondanza degli input, ridurre l'interpretabilità e rendere difficile identificare se i miglioramenti derivino dalla modellazione temporale, dallo screening delle funzionalità, dagli indicatori ambientali esterni o dal ponderamento basato sull'attenzione. CORTA-Net è quindi posizionato come un framework di previsione a livello di workflow piuttosto che come un nuovo livello autonomo di reti^{neurali 26}. La sua particolarità risiede nell'integrazione ordinata di quattro stadi: screening delle caratteristiche CorrXGBoost-Rank prima della modellazione della sequenza, codifica LSTM per l'adattamento temporale tramite transfer learning, inclusione del conteggio dei fuoco derivata da MODIS per l'influenza episodica della combustione della biomassa, e attenzione multi-head per l'interpretazione del comportamento a livello di caratteristiche e passi temporali. Questo progetto consente al quadro di valutare sia l'accuratezza delle previsioni sia il contributo di variabili selezionate di inquinanti, meteorologiche, temporali e di attività incendiaria sotto la stessa impostazione²⁷ della stazione di monitoraggio di Delhi.

I recenti progressi nella previsione della qualità dell'aria hanno utilizzato sempre più modelli ibridi di deep learning, meccanismi di attenzione, apprendimento basato su^{grafi 28} e architetture a trasformatori per catturare dipendenze temporali e spaziali non^{lineari 29}. Questi approcci hanno migliorato le prestazioni di previsione imparando dipendenze a lungo raggio e assegnando pesi adattivi a passi temporali o variabili^{di input 30}. Tuttavia, molti modelli recenti dipendono ancora da ampi set di caratteristiche di input, non riducono esplicitamente i predittori ridondanti prima della modellazione temporale, o non includono indicatori esterni di attività incendiaria quando gli effetti episodici di combustione della biomassa sono importanti. CORTA-Net colma questa lacuna combinando lo screening delle funzionalità, la codifica LSTM per trasferimento-apprendimento, l'integrazione del conteggio dei fuoco derivata da MODIS e l'attenzione multi-head in un unico flusso di lavoro di previsione.

Questo studio presenta CORTA-Net come una pipeline ibrida riproducibile di previsione PM_2.5 piuttosto che come un nuovo livello di rete neurale. Il framework combina quattro fasi: selezione delle caratteristiche CorrXGBoost-Rank, codifica temporale LSTM basata su transfer learning, integrazione del conteggio di fuoco derivata da MODIS e analisi comportamentale del modello basata su più teste. CorrXGBoost-Rank riduce innanzitutto le variabili ridondanti di inquinanti e meteorologiche prima della modellazione delle sequenze. Le caratteristiche selezionate vengono poi organizzate in sequenze a finestre scorrevoli e elaborate utilizzando un codificatore LSTM per apprendimento tramite trasferimento. Le variabili di conteggio degli incendi MODIS sono incluse come indicatori esterni dell'attività degli incendi regionali, e lo strato di attenzione multi-teste viene utilizzato per esaminare quali passi temporali recenti e variabili di input contribuiscono maggiormente alla previsione. Il framework è adatto a contesti in cui sono disponibili osservazioni continue PM_2.5 da almeno una stazione di monitoraggio, preferibilmente con diversi anni di dati orari. Beneficia inoltre di osservazioni meteorologiche e di informazioni sul conteggio degli incendi derivate dai satelliti quando l'influenza regionale della combustione della biomassa è rilevante. Pertanto, CORTA-Net è destinato a contesti urbani ricchi di dati di previsione della qualità dell'aria e potrebbe non essere adatto a località con registrazioni di monitoraggio scarse, irregolari o a breve termine.

Delhi è stata scelta come regione di studio perché presenta livelli ricorrenti elevati di PM₂.₅ durante i periodi post-monsonici e^{invernali 31}. La città è colpita dal traffico, dall'attività industriale, dalle emissioni residenziali, dalla stagnazione meteorologica e dalle incendi agricoli regionali. Per questo studio sono state utilizzate quattro stazioni di monitoraggio: Dwarka Sector 8, Anand Vihar, Mundka-DPCC e Sonia Vihar. Ogni stazione rappresenta un diverso tipo di microambiente urbano: area residenziale, area di influenza del traffico e area con effetti industriali. Le osservazioni effettuate da ciascuna stazione di monitoraggio tra il 2012 e il 2024 sono presentate nella Figura Supplementare 1. L'addestramento del modello è stato effettuato su dati dal 2015 al 2022, e i test sui dati del 2023 sia per lo sviluppo del modello che per la validazione del modello³² effettuati sui dati raccolti nel 2024. Le variabili utilizzate come input includevano PM_2.5, PM₁₀, NO,_{NO 2}, NOx, CO, benzene, temperatura dell'aria, velocità del vento, radiazione solare e pressione barometrica, e furono determinate da ciò che era disponibile nel^{sito 33}. I dati di conteggio degli incendi derivati da MODIS sono stati utilizzati come variabile esterna rappresentativa del livello di attività incendiaria nell'area. La Tabella 1 contiene un riepilogo delle statistiche di concentrazione PM₂.₅ di ciascuna delle quattro stazioni di monitoraggio.

Dataset	Nome della stazione	Mediocre	MST	min	25%	50%	75%	Max
1	Settore 8 di 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

Tabella 1: Statistiche riassuntive della concentrazione di PM₂.₅ in quattro stazioni di monitoraggio di Delhi. La Tabella 1 presenta i livelli medi di PM2.5 (particolato fine) misurati in quattro monitor a Delhi. PM_2.5 è costituito da contaminanti trasportati dall'aria di dimensioni inferiori a 2,5 micron e, in quanto tale, è abbastanza piccolo da essere facilmente inalata in profondità nei polmoni, comportando così vari potenziali pericoli per la salute.

Protocollo

Metodologia
È stato costruito un modello a finestra scorrevole supervisionata per prevedere il valore futuro di PM_2,5 al tempo t + 1 dalle osservazioni orarie precedenti. Le lunghezze candidate delle finestre di input di 12, 24 e 48 passi di tempo orari sono state valutate utilizzando le prestazioni di validazione, e la configurazione finale di CORTA-Net ha utilizzato una sequenza di input di 24 ore. L'interpolazione lineare veniva utilizzata per colmare i valori mancanti; I valori anomali venivano rimossi usando il metodo IQR; e tutte le variabili sono state scalate usando la normalizzazione min-max prima di generare funzionalità PM_2.5 con ritardi. La procedura CorrXGBoost-Rank veniva quindi applicata per la selezione delle caratteristiche. Innanzitutto, il filtraggio di correlazione di Pearson ha mantenuto le variabili con |r| ≥ 0,30. In secondo luogo, coppie di caratteristiche altamente ridondanti con correlazione a coppie |corr(_{x i}, x_j)| ≥ 0,85 sono stati filtrati per ridurre la multicollinearità. In terzo luogo, un regressore XGBoost è stato addestrato sulle variabili rimanenti e i predittori con punteggi di importanza basati sul guadagno di XGBoost ≥ 0,015 sono stati mantenuti per l'input finale del modello. L'architettura finale di CORTA-Net consisteva in strati LSTM impilati per la codifica temporale, uno strato di attenzione multi-head per la pesatura a livello di caratteristiche e passi temporali, e strati di regressione densa per la stima PM_2.5 . Il modello è stato addestrato utilizzando l'ottimizzatore Adam con perdita per errore quadratico medio e arresto precoce. La valutazione del modello è stata effettuata utilizzando RMSE e^R2 attraverso partizioni di addestramento, validazione, test e validazione incrociata a 10 volte. La Tabella 2 rappresenta il riepilogo della preprocessing e dell'ingegneria delle caratteristiche.

Passo	Metodo utilizzato	Parametro / soglia	Scopo
Calcolo del valore mancante	Percentuale di osservazioni mancanti	Riportare la percentuale variabile	Quantifica la completezza dei dati
Imputazione a gap corto	Interpolazione lineare	Lunghezza del gap ≤ 6 h	Riempie brevi intervalli mancanti
Rilevamento degli outlier	Metodo IQR	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Rimuove valori estremi invalidi
Normalizzazione	Scala Min-Max	Set di addestramento minimo e massimo	Standardizza la gamma di funzionalità
PM₂.₅ ritardi	Variabili con lag	lag₁, lag₂, lag₃	Cattura la persistenza temporale
Statistiche a rotazione	Medie mobili	3 h, 6 h, 12 h, 24 h	Cattura l'accumulo a breve termine
Funzione di conteggio degli incendi	MODIS NEL CONTEGGIO DEI FUOCO	Conteggio dello stesso giorno / giorno precedente	Rappresenta l'influenza regionale del fuoco

Tabella 2: Preprocessing dei dati e riassunto dell'ingegneria delle caratteristiche. Nella Tabella 2, l'elaborazione dei dati avviene in due modi: primo, attraverso la pulizia e la trasformazione dei dati grezzi (preprocessing), e secondo, tramite feature engineering per creare/selezionare/modificare caratteristiche (features). Come un'unità, questi due processi aiutano a eliminare o ridurre il rumore; gestire i valori mancanti; migliorare la coerenza dei dati; e creare modelli più predittivi.

I parametri di normalizzazione sono stati stimati solo dal set di addestramento e poi applicati invariati ai set di test e validazione per evitare perdite di informazioni.

Formulazione matematica del rango CorrXGBoost
Sia X = {_{x 1}, x₂, ..., x_n} l'insieme delle variabili di input candidate, e y la concentrazione target PM₂.₅. Per ogni caratteristica x_i, il coefficiente di correlazione di Pearson con la variabile target veniva calcolato come:

(1)

dove cov(_{x i}, y) è la covarianza tra la caratteristica x_i e il bersaglio y, e σx_i e σy sono le loro deviazioni standard. Caratteristiche mantenute soddisfacenti: |r_i| ≥ τ_r dove τ_r = 0,30 in questo studio.

Le correlazioni a coppie sono state calcolate tra tutte le features_x_{ritenute i}, x_j, e se |corr(_{x i},_{x j})| >= τ_rosso, dove τ_rosso = 0,85, la caratteristica con la correlazione assoluta più bassa con il target PM_2,5 viene eliminata dal set di caratteristiche. Questo processo riduce le variabili del set di caratteristiche che hanno multicollinearità. Successivamente, un modello di regressore XGBoost veniva adattato alle restanti caratteristiche, e i punteggi di importanza delle caratteristiche venivano calcolati per ciascuna caratteristica usando l'importanza XGBoost, e le caratteristiche soddisfacenti i_i ≥ τ_xgb dove τ_xgb = 0,015 venivano mantenute nel set finale di caratteristiche (S") definito come_{S finale} =_{S corr} ∪ S_xgb, cioè il set di caratteristiche definito filtrando le caratteristiche per la ridondanza rispetto alla correlazione e rimuovendo qualsiasi caratteristica basata sull'importanza della variabile XGBoost. L'approccio generale adottato nella selezione delle caratteristiche è il seguente: calcolare la correlazione Pearson target a coppia di caratteristiche, scartare le caratteristiche con |r_i|< 0,30, scartare le caratteristiche con coppie che hanno correlazioni a coppie ≥ 0,85, adattare XGBoost alle caratteristiche rimanenti, mantenere le caratteristiche con XGBoost Importance Score ≥ 0,015, definire le caratteristiche finali desiderate S_final=_{S corr} ∪ S_xgb, dove S_corr sono le caratteristiche mantenute dopo un filtraggio di correlazione ridondante, e S_xgb sono le caratteristiche selezionate usando il punteggio di importanza delle caratteristiche di XGBoost. Il flusso di lavoro CorrXGBoost-Rank è quindi: calcolare la correlazione di Pearson tra caratteristiche e obiettivi, rimuovere caratteristiche con |_{r i}| < 0,30, rimuovere caratteristiche altamente ridondanti con correlazione a coppie ≥ 0,85, addestrare XGBoost sulle restanti variabili, mantenere le variabili con punteggio di importanza XGBoost ≥ 0,015 e utilizzare l'unione delle variabili selezionate dalla correlazione e quelle selezionate da XGBoost come set di caratteristiche finale. I parametri utilizzati in questo studio sono τ_r = 0,30, τ_red = 0,85 e τ_xgb = 0,015.

Fonti dati
Gli autori hanno integrato tre grandi dataset per lo studio; questi sono dati sugli inquinanti atmosferici (PM_2.5, PM₁₀, NO₂, CO e SO₂) che gli autori hanno ottenuto tramite il monitoraggio della qualità dell'aria da CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), dati meteorologici (temperatura, umidità, velocità/direzione e pressione del vento) dal Dipartimento Meteorologico Indiano (IMD) e informazioni satellitari sugli incendi attivi dal MODIS Active Fire Products della NASA. Questi tre dataset coprono il periodo di 12 anni da gennaio 2012 a dicembre 2023 e rappresentano quindi diversi tipi di emissioni. Gli incendi contribuiscono all'inquinamento atmosferico, come illustrato nella Figura Supplementare 2, che mostra le tendenze di FIRECOUNT dal 2012 al 2024.

Tendenze a lungo termine degli inquinanti durante il periodo dello studio
La Figura 1 mostra le tendenze a lungo termine degli inquinanti negli anni di studio (2012–2024). I conteggi annuali degli incendi e le concentrazioni medie di PM₂.₅ tra il 2012 e il 2024 hanno una relazione positiva moderatamente forte (r = 0,688), indicando che un'attività incendiaria più elevata è tipicamente correlata a concentrazioni più elevate di PM₂.₅. Sia i dati misurati che quelli previsti PM₂.₅ seguono una tendenza simile, supportando l'idea che la combustione da biomassa contribuisca all'inquinamento da particelle. Sebbene vi sia una significativa variabilità interannuale, le emissioni legate all'incendio sono un fattore importante nel determinare la variabilità PM₂.₅, sottolineando la necessità di una gestione regionale degli incendi per migliorare la qualità dell'aria. L'autocorrelazione della PM_2.5 prevista a trenta lag, mostrata nella Figura Supplementare 3, presenta una notevole autocorrelazione positiva in quasi tutti i trenta lag, confermando che PM_2.5 a Delhi ha una forte dipendenza temporale e una persistenza di più giorni.

Figura 1: Tendenze a lungo termine PM₂.₅ e conteggio degli incendi dal 2012 al 2024. La Figura 1 confronta la variazione annuale del conteggio degli incendi con le concentrazioni osservate e previste di PM₂.₅. PM₂.₅ è riportato in μg/^{m 3}. FIRECOUNT rappresenta l'attività di incendi derivata dal satellite proveniente dai prodotti MODIS. Clicca qui per visualizzare una versione più grande di questa figura.

Decomposizione STL (Decomposizione stagionale e di tendenza usando Loess)
STL o decomposizione stagionale e di tendenza usando Loess è un algoritmo iterativo che consente la suddivisione dei dati delle serie temporali in tre componenti additive come mostrato nella Figura 2: tendenza (tendenza a lungo termine) (Figura 2A), (Figura 2D), (Figura 2G), (Figura 2J), stagionale (periodi ciclici) (Figura 2B), (Figura 2E), (Figura 2H), (Figura 2K) e residuo (rumore/residuo) (Figura 2C), (Figura 2F), (Figura 2I), (Figura 2L). STL si è dimostrato efficace nel trattare le complesse caratteristiche non lineari dei dati ambientali (come PM_2.5), per le quali molte altre tecniche analitiche sono fallite a causa delle ampiezze variabili del segnale stagionale e dell'esistenza di valori anomali. Il levigamento LOESS consente una separazione accurata di questi componenti, producendo un'interpretazione più chiara di tendenze o schemi. Attraverso l'elaborazione STL, è possibile separare le tendenze rialziste più ampie del PM_2.5 dai cicli giornalieri/stagionali più brevi e dai residui irregolari all'interno di quei cicli. Questa separazione consente di identificare quali emissioni hanno influenzato il PM_2.5, in contrapposizione ai fattori meteorologici che hanno influenzato il PM_2.5. I risultati di questa separazione aiutano a una previsione accurata delle future emissioni di PM_2.5 ; fornire dati per le decisioni normative; e conformarsi agli standard stabiliti per la rigorosa disaggregazione dei dati delle serie temporali per gli studi sulla qualità dell'aria³⁴. Le misurazioni medie giornaliere della concentrazione di PM_2,5 effettuate presso le stazioni di monitoraggio di Delhi dal 2012 al 2024 indicano cambiamenti minimi nei livelli di PM_2,5 (ovvero nessuna variazione significativa dal 2022 al 2024) complessivamente e un comportamento estremamente limitato e costante (o coerenza nei livelli di PM_2,5 tra i quattro punti di monitoraggio). I livelli di PM_2,5 nel Settore 8 di Dwarka e nel Mundka-DPCC mostrano una tendenza persistente al ribasso (cioè continua a diminuire), mentre Anand Vihar presenta una tendenza in aumento (ovvero in forte aumento) e Sonia Vihar una leggera tendenza al rialzo (da un aumento molto piccolo dal 2022). Inoltre, i residui delle concentrazioni giornaliere di PM_2,5 per ciascuna delle quattro stazioni di monitoraggio indicavano che le concentrazioni di PM_2,5 erano fortemente influenzate dai cambiamenti stagionali (meteorologici), che producevano grandi fluttuazioni nelle concentrazioni medie giornaliere di PM_2,5 per le singole stazioni. Le concentrazioni giornaliere di PM_2.5 per le Quattro Stazioni di Monitoraggio a Delhi (2012–2024) sono mostrate nella Figura 2.

Figura 2: Decomposizione STL (decomposizione stagionale e di tendenza usando Loess) delle concentrazioni giornaliere di PM₂.₅ in quattro stazioni di monitoraggio di Delhi dal 2022 al 2024. La serie temporale per ciascuna stazione di monitoraggio è scomposta in tre componenti additive: tendenza a lungo termine, variazione stagionale e residuo (residuo). (A) Componente di tendenza per il Settore 8 di Dwarka. (B) Componente stagionale per il Settore 8 di Dwarka. (C) Componente residuo per il Settore 8 di Dwarka. (D) Componente di tendenza per Anand Vihar. (E) Componente stagionale per Anand Vihar. (F) Componente residua per Anand Vihar. (G) Componente di tendenza per Mundka-DPCC. (H) Componente stagionale per Mundka-DPCC. (I) Componente residuo per Mundka-DPCC. (J) Componente di tendenza per Sonia Vihar. (K) Componente stagionale per Sonia Vihar. (L) Componente residuo per Sonia Vihar. STL, decomposizione stagionale e di tendenza usando Loess. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 2 presenta le decomposizioni temporali delle concentrazioni giornaliere di PM2.5 in quattro località di monitoraggio urbano nel 2022-2024, rivelando schemi di declino a lungo termine, aumenti graduali e grandi cambiamenti diurni. Queste differenze possono essere attribuite in gran parte agli effetti fisici del clima, cioè variazioni nell'altezza dello strato limite planetario (PBL), come l'espansione diurna che aumenta la dispersione verticale e riduce le concentrazioni, e la contrazione notturna, che lascia gli inquinanti vicino al suolo e crea un picco più elevato di notte. Altre influenze meteorologiche derivano dalle emissioni locali di attività umana legate alle ore di massimo volume (picchi mattutini/serali), dalle industrie e dalle loro interazioni con: fattori specifici del sito, come la topografia locale, la velocità del vento, l'umidità relativa e la stagione (cioè una maggiore correlazione in inverno) che generano i cambiamenti specifici della stazione e i cali complessivi a lungo termine possono essere stati influenzati dai controlli normativi sulle emissioni, portando a tendenze al ribasso complessive.

Correlazione tra le caratteristiche
La Figura 3 presenta la distribuzione di tutte le caratteristiche di input utilizzate nel modello CORTA-Net. Nei pannelli, le variabili inquinanti (PM₁₀ (Figura 3A), NO₂ (Figura 3B), CO (Figura 3C), SO₂ (Figura 3D)) mostrano distribuzioni a destra tipiche dei dati sulla qualità dell'aria urbana, mentre O₃ (Figura 3E) e pressione (Figura 3I) mostrano schemi vicini^{alla normalità 35}. La temperatura (Figura 3F) mostra una chiara struttura stagionale bimodale, l'umidità (Figura 3G) segue una distribuzione ampia e uniforme, e la velocità del vento (Figura 3H) mostra una distribuzione a coda leggera. Questi pattern evidenziano il comportamento statistico eterogeneo dei predittori e giustificano la necessità di feature engineering e normalizzazione prima dell'addestramento del modello.

Figura 3: Distribuzione delle caratteristiche di input utilizzate nel modello CORTA-Net, incluse concentrazioni di inquinanti atmosferici e variabili meteorologiche. Le distribuzioni illustrano le caratteristiche statistiche dei predittori prima della pre-elaborazione e dell'addestramento del modello. (A) PM₁₀ concentrazione. (B) Concentrazione NO₂. (C) Concentrazione CO. (D) SO₂ concentrazione. (E) O₃ concentrazione. (F) Temperatura dell'aria. (G) Umidità relativa. (H) Velocità del vento. (I) Pressione atmosferica. Le variabili inquinanti, in particolare PM₁₀, NO₂, CO e SO₂, presentano distribuzioni distorsionali a destra tipiche dei dati sulla qualità dell'aria urbana, mentre O₃ e la pressione atmosferica mostrano distribuzioni approssimativamente normali. La temperatura mostra un modello stagionale bimodale, l'umidità ha una distribuzione ampia e la velocità del vento è concentrata a valori più bassi con una distribuzione a coda leggera. Queste distribuzioni eterogenee delle caratteristiche supportano l'uso dell'ingegneria delle caratteristiche e della normalizzazione prima dello sviluppo del modello. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 4 presenta la classifica di importanza delle caratteristiche basata sul guadagno di XGBoost dopo la pre-elaborazione CorrXGBoost-Rank per la previsione PM₂.₅. L'attuale grafico di importanza delle caratteristiche mostra che il PM₂.₅ del Giorno Precedente è il predittore con il punteggio di importanza più alto con un punteggio di importanza di 0,280, seguito da PM₁₀ = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, velocità del vento = 0,070, temperatura = 0,040, umidità = 0,030 e giorno dell'anno = 0,020. La linea verticale tratteggiata rappresenta la soglia effettiva di selezione delle caratteristiche di XGBoost di 0,015. I predittori con punteggi di importanza maggiori o uguali a 0,015 sono stati mantenuti per il set finale di input CORTA-Net, mentre i predittori inferiori a questa soglia, inclusi SO₂ = 0,010, O₃ = 0,010, pressione = 0,005, precipitazione = 0,005, weekend = 0,002 e festività = 0,001, sono stati esclusi. Questi valori rappresentano punteggi di importanza delle caratteristiche basati sul guadagno di XGBoost e non devono essere interpretati come coefficienti di correlazione di Pearson o effetti causali.

Pertanto, solo le caratteristiche che hanno ricevuto un contributo superiore a questa soglia sono state incluse nel modello. I modelli XGBoost utilizzano un insieme di alberi decisionali, che costruiscono iterativamente un albero per minimizzare una funzione di perdita, nota come gradient boosting. XGBoost calcola l'importanza delle caratteristiche utilizzando una di tre metriche: guadagno (quanto la suddivisione della caratteristica migliora le prestazioni del modello), peso (quante volte la caratteristica è stata scelta come divisione per un albero) o copertura (il numero di osservazioni influenzate dalla suddivisione). Il modello XGBoost è stato costruito su dati relativi alla qualità dell'aria (inquinanti, variabili meteorologiche) e si concentra su PM_2.5 con ritardo per previsioni auto-regressive PM_2.5, cosa comune nei modelli PM_2.5 per Delhi, e aiuta a catturare la persistenza temporale di PM_2.5. Delhi_PM_2,5 è un contributo significativo a causa delle elevate caratteristiche di autocorrelazione delle particelle fini, che indicano anche la presenza di un'inerzia di inquinamento dovuta alle fonti di emissione costanti. La velocità del vento è un contributo significativo perché fornisce il meccanismo per la dispersione degli inquinanti; mentre i venti bassi permettono l'accumulo di inquinanti durante l'inverno, quando sono presenti inversioni. Il NO₂ è correlato con PM_2.5 a causa del traffico/delle emissioni, mentre il giorno dell'anno indica il ciclo annuale delle emissioni degli inquinanti (cioè, emissioni più basse nel fine settimana). A Delhi, il PM_2.5 ha un'alta auto-persistenza a causa della meteorologia invernale stagnante e delle continue emissioni di veicoli, industria e^{biomassa 28}. Il vento aiuta la dispersione degli aerosol, ma un vento debole < 2 m/s ha contribuito a un aumento dell'accumulo di PM_2,5 dovuto alle inversioni. La relazione tra NO₂ e PM_2.5 è il risultato della loro origine comune (cioè combustione) ed è soggetta a influenze temporali (ad esempio, giornaliere vs. settimanali⁾³⁶. I quattro fattori principali responsabili di spiegare il 93% o più della variazione dell'AQI sono le variazioni nelle concentrazioni di inquinanti dovute all'accumulo ritardato di PM_2,5 (93%+) e a basse velocità del vento che intrappolano le emissioni, le emissioni di NO₂/PM da veicoli e industria, e le variazioni quotidiane della quantità di^{traffico 37}. Inoltre, la geografia di Delhi è un fattore che contribuisce alla persistenza delle inversioni nell'area e quindi aggrava anche le concentrazioni di PM_2.5 . L'iper-regolarizzazione dei parametri e l'aggiunta di variabili aggiuntive (come la temperatura) aiuterebbero a limitare le probabilità di sovrafitting e migliorerebbero le prestazioni complessive del modello. L'implementazione di strategie operative per ridurre le emissioni di PM dovrebbe includere l'implementazione di limiti giornalieri alle emissioni di PM, l'uso di dispositivi che forniscano un monitoraggio in tempo reale della presenza di PM e l'utilizzo del vento per disperdere PM attraverso gli spazi verdi urbani.

Figura 4: Ranking di importanza delle caratteristiche basato sul guadagno di XGBoost dopo lo screening delle caratteristiche CorrXGBoost-Rank per la previsione PM₂.₅. Le barre predittive sono disposte in ordine decrescente di importanza. La linea verticale tratteggiata rappresenta la soglia effettiva di selezione delle caratteristiche di XGBoost di 0,015. I predittori con punteggi ≥ 0,015 sono stati mantenuti per il set finale di input CORTA-Net, mentre quelli sotto questa soglia sono stati esclusi. La classificazione viene utilizzata per lo screening delle caratteristiche e l'interpretazione del comportamento modello e non deve essere interpretata come attribuzione causale. Clicca qui per visualizzare una versione più grande di questa figura.

Architettura del modello CORTA-net
La Figura 5 presenta un framework di previsione proposto per PM_2.5. Le Figure Supplementari 4 e 5 illustrano la disposizione interna dell'unità LSTM e una rappresentazione del diagramma a blocchi Multi-Head Attention. Tutte le fonti dati (cioè condizioni ambientali, osservazioni meteorologiche, attività degli incendi e aspetti temporali e contestuali dei dati) sono state sottoposte a pre-elaborazione per garantire che siano coerenti temporalmente, che vengano inseriti eventuali dati mancanti (se necessario) e che siano state sottoposte sia alla rimozione che alla normalizzazione degli outlier prima di impiegarle in qualsiasi processo di costruzione del modello. L'architettura del modello, l'ingegneria delle caratteristiche, la configurazione dell'addestramento, la configurazione dei dati, l'apprendimento del trasferimento, le metriche di valutazione, le previsioni future e i dettagli di implementazione sono mostrati nella Tabella Supplementare 1. Utilizzando il modulo CorrXGBoost-Rank, l'insieme ottimale di caratteristiche viene determinato prima che un sottoinsieme di queste venga inserito nell'architettura LSTM, che è stata migliorata dall'incorporazione di strati di attenzione multi-head per tenere conto del comportamento delle serie temporali durante la fase di modellazione. Sia la previsione PM_2.5 che la PM_2.5 sono state fornite come output dell'importanza delle caratteristiche di input, così come pesi di attenzione multi-head come mappe di attenzione. La struttura interna delle unità LSTM e il diagramma a blocchi di attenzione multi-testa sono stati inclusi rispettivamente come Figure Supplementari 4 e 5, mentre la Tabella Supplementare 1 fornisce i parametri architetturali per ogni tipo di livello all'interno di questa architettura.

Figura 5: Architettura complessiva del modello di previsione CORTA-Net PM₂.₅. Un processo di previsione in input include input da indicatori di qualità dell'aria, indicatori meteorologici, indicatori di orario e indicatori MODIS (Moderate Resolution Imaging Imaging Spectroradiometer) per il conteggio degli incendi. Per ciascuno di questi passaggi, l'algoritmo allineava i timestamp, gestiva i valori mancanti, filtrava gli outlieri, normalizzava i dati e ingegnerizzava le caratteristiche. I predittori finali sono stati poi selezionati utilizzando il processo CorrXGBoost-Rank. Successivamente, le caratteristiche selezionate venivano inserite in finestre scorrevoli a sequenza temporale e passate attraverso un codificatore LSTM (Long Short-Term Memory) utilizzando il transfer learning. Per ogni caratteristica e passo temporale, il meccanismo di attenzione multi-testa applica pesi prima di inviare l'output combinato allo strato finale di regressione densa per produrre la previsione PM₂.₅. Clicca qui per visualizzare una versione più grande di questa figura.

Formazione e valutazione
Un approccio a finestra scorrevole è stato utilizzato per formare sequenze di apprendimento supervisionato. L'addestramento utilizzava l'ottimizzatore Adam e la perdita per errore quadratico medio (Tabella Supplementare 2). Le prestazioni del modello sono state valutate utilizzando RMSE e^R2 tra partizioni di addestramento, validazione, test e cross-validation. L'architettura del modello, l'ingegneria delle caratteristiche, la configurazione di addestramento, la configurazione dei dati, l'apprendimento per trasferimento, le metriche di valutazione, le previsioni future e i dettagli dell'implementazione sono tabulati nella Tabella Supplementare 1. La Figura 6 rappresenta la diagnostica di addestramento per il modello di previsione CORTA-Net PM₂.₅. Nei pannelli, la Figura 6A rappresenta le curve di perdita di addestramento e validazione, mostrando la riduzione progressiva degli errori, con l'arresto ottimale all'epoca 106. L'evoluzione del gap di generalizzazione durante la valutazione di un'analisi di sovra-adattamento è illustrata dalla divergenza tra dati di validazione e addestramento nella Figura 6B. In particolare, mostra i periodi in cui la divergenza supera i limiti predefiniti; queste informazioni forniscono prove che i modelli di comportamento del tasso di apprendimento e di riduzione della perdita illustrano i benefici del decadimento del tasso di apprendimento programmato (LR) in epoche critiche come mezzo per migliorare la stabilità della convergenza, come mostrato nella Figura 6C. Collettivamente, queste figure forniscono un riassunto della dinamica di apprendimento, della capacità di generalizzazione e della configurazione di addestramento raccomandata del modello.

Figura 6: Diagnostica di addestramento per il modello di previsione CORTA-Net PM₂.₅. (A) Curve di perdita di addestramento e validazione che mostrano una riduzione progressiva dell'errore durante l'addestramento del modello, con un'interruzione anticipata all'epoca 106 in base alle prestazioni di validazione. (B) Divario di generalizzazione tra addestramento e perdita di validazione attraverso epoche, illustrando l'evoluzione della generalizzazione del modello e i periodi di maggiore divergenza indicativo di potenziale overfitting. (C) Programma del tasso di apprendimento che mostra l'effetto del decadimento del tasso di apprendimento programmato sull'ottimizzazione durante l'addestramento. (D) Riepilogo del comportamento di convergenza del modello, dimostrando l'ottimizzazione stabile e la configurazione finale di addestramento selezionata per il modello CORTA-Net. Insieme, queste diagnostiche illustrano la dinamica del modello, le caratteristiche di convergenza e le prestazioni di generalizzazione durante l'addestramento. Clicca qui per visualizzare una versione più grande di questa figura.

Risultati

Selezione delle caratteristiche e risultati di previsione
La procedura CorrXGBoost-Rank ha selezionato PM₂.₅ in ritardo, velocità del vento, umidità, temperatura, indicatori temporali e il conto di fuoco derivati da MODIS come predittori significativi della qualità dell'aria. Ognuna di queste variabili tiene conto della persistenza dell'inquinamento, della dispersione dovuta alle condizioni meteorologiche, delle differenze stagionali nei livelli di inquinamento e dell'influenza regionale degli incendi. Le variabili ridondanti sono state rimosse prima della modellazione delle sequenze per ridurre la dimensionalità di input non necessaria. CORTA-Net è stato valutato utilizzando l'errore assoluto medio, l'errore quadratico medio e il coefficiente di determinazione. Nel dataset giornaliero di Delhi, il modello ha raggiunto RMSE = 3,19 e R² = 0,983. Nella partizione Daily Delhi Climate Training, il modello ha raggiunto RMSE = 4,98 e R² = 0,845. Nell'analisi di scatter del set di test target, i valori PM₂.₅ osservati e previsti mostravano Pearson r = 0,942 e R² = 0,873. Questi valori si riferiscono a diverse partizioni di valutazione e non devono essere trattati come risultati intercambiabili a livello di modello.

La Figura 7 ora funge da unica rappresentazione visiva consolidata delle prestazioni di test CORTA-Net sui dati di test. La sezione della serie temporale mostra che esiste un'eccellente correlazione tra il livello attuale e quello previsto di PM_2.5 nel set di dati di test durante tutto il periodo di valutazione, inclusi eventi episodici di alto inquinamento come Diwali e eventi di combustione dei residui agricoli. A sostegno di ciò, il diagramma di scatter mostra che esiste una forte correlazione lineare tra i valori reali e previsti (Pearson's r = 0,942, R² = 0,873), indicando un livello estremamente alto di accuratezza predittiva.

Prestazioni di previsione
I grafici residui mostrano che gli errori sono distribuiti approssimativamente normalmente intorno a zero, con solo pochi errori isolati durante picchi estremi di inquinamento. Questo ha fortemente supportato la robustezza statistica e l'assenza di bias nei modelli CORTA-Net. CORTA-Net ha dimostrato un RMSE di 3,19 e un R² di 0,983 sul dataset giornaliero di Delhi, un RMSE di 4,98 e un^{R 2} di 0,844 nel dataset Daily Delhi Climate Train. Queste misurazioni, insieme alle evidenze sopra elencate, hanno confermato che CORTA-Net ha modellato con precisione sia tendenze graduali sia deviazioni improvvise nei livelli di PM_2.5 .

L'accuratezza delle previsioni delle concentrazioni di PM_2.5 è stata valutata utilizzando tre metodi: una valutazione basata sul tempo della precisione validata nel tempo delle previsioni dei modelli sulla concentrazione di PM_2.5 , una correlazione temporale tra le concentrazioni previste e reali di PM_2.5 , e una valutazione dell'errore basata sull'analisi statistica. La valutazione temporale, confrontando i valori previsti di PM_2.5 e PM_2.5 temporali (Figura 7A), ha mostrato la relazione nel tempo tra le concentrazioni effettivamente misurate di PM_2.5 rispetto alle concentrazioni di PM_2.5 previste dal modello e mostra alcune occorrenze significative di PM_2.5 (ad esempio, la festa di Diwali e il periodo di combustione della barba) che si sono verificate in questo periodo. La correlazione tra le concentrazioni di PM_2.5 previste dal modello e quelle misurate di PM_2.5 fornisce prove di una correlazione molto alta (Pearson r = 0.942 e R2 = 0.873), con un forte accordo tra le concentrazioni previste di PM_2.5 e le concentrazioni effettivamente misurate, indicando che il modello PP-FRC è un predittore accurato e affidabile delle concentrazioni di PM_2.5 (Figura 7B). La distribuzione della kurtosi dei residui (Figura 7C) ha mostrato piccoli errori nel tempo con giorni isolati di alto errore, mentre la distribuzione dei residui era approssimativamente normale (Figura 7D), e gli errori residui medi e mediani erano molto vicini a zero, indicando che gli errori di previsione del modello erano imparziali e statisticamente ben comportati.

Figura 7: Prestazioni predittive del modello CORTA-Net sul dataset di test indipendente. Le concentrazioni di PM₂.₅ sono riportate in μg/m³. (A) Confronto temporale tra concentrazioni osservate e previste di PM₂.₅, dimostrando una stretta concordanza tra valori misurati e previsti dal modello, anche durante episodi di inquinamento maggiori. (B) Diagramma a scatter delle concentrazioni PM₂.₅ previste rispetto a quelle osservate, mostrando una forte performance predittiva (Pearson r = 0,942; R² = 0,873). (C) Distribuzione temporale dei residui (errore di previsione) durante il periodo di test, indicando generalmente piccoli errori con un numero limitato di eventi ad alto errore. (D) Distribuzione dei residui, che mostra una distribuzione approssimativamente normale centrata vicino a zero, con residui medi e mediani vicini a zero, indicando errori di previsione non distorti e ben comportati. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura 7 presenta le prestazioni predittive di CORTA-Net sul set di test target. Il grafico delle serie temporali ha mostrato l'accordo tra i valori osservati e previsti di PM₂.₅, inclusi i periodi di concentrazione elevata di particelle. Il diagramma a scatter ha mostrato l'associazione tra i valori previsti e osservati di PM_2.5. I grafici residui hanno mostrato che la maggior parte degli errori di previsione è centrata vicino a zero, con deviazioni maggiori durante episodi di alto inquinamento.

Validazione incrociata
La validazione incrociata dieci volte ha mostrato una varianza limitata tra le pieghe, dimostrando robustezza in condizioni atmosferiche non stazionarie. Il modello dimostrò una forte capacità predittiva. I valori previsti PM₂.₅ corrispondono strettamente ai valori osservati. I residui hanno mostrato un bias minimo e una normalità approssimativa. La Figura 8 ha fornito una panoramica delle prestazioni del modello in molte condizioni e nel tempo, utilizzando misure RMSE, MAE (errore assoluto medio) e R2 (coefficiente di determinazione) nella validazione incrociata a 10 vie. Nei pannelli Figura 8A e Figura 8B, RMSE e MAE hanno mostrato una bassa variabilità in tutte le lacune di addestramento/validazione incrociata, indicando una precisione predittiva stabile. La Figura del pannello 8C mostra valori costantemente alti di R² (~0,92 per l'addestramento e ~0,89 per la validazione) in tutte le convalidazioni incrociate, indicando che il modello ha un alto potere esplicativo e una varianza intra-modello molto bassa tra le diverse validazioni incrociate. La Figura 8D ha dimostrato che il valore medio di tutte queste misure mostrava poco gap di generalizzazione, suggerendo che il modello abbia sempre funzionato bene indipendentemente da come i dati venivano suddivisi.

Figura 8: Prestazioni pieghevoli del modello CORTA-Net utilizzando la validazione incrociata a 10 volte. Le prestazioni sono state valutate utilizzando l'errore quadratico medio (RMSE), l'errore assoluto medio (MAE) e il coefficiente di determinazione (R²). Le barre di errore rappresentano la deviazione standard tra le pieghe, dove applicabile. (A) Valori RMSE piegato per i dataset di addestramento e validazione, dimostrando un errore di previsione costantemente basso su tutte le pieghe. (B) Valori MAE pieghe per pieghe per i dataset di addestramento e validazione, indicando prestazioni predittive stabili con minima variazione tra i fold. (C) Valori di R² piegate per pieghe per i dataset di addestramento e validazione, mostrando un potere esplicativo costantemente elevato su tutte le pieghe di validazione incrociata. (D) Metriche medie di performance e divario di generalizzazione tra dataset di addestramento e validazione, dimostrando prestazioni coerenti del modello e buona generalizzazione indipendentemente dalla partizione dei dati. Clicca qui per visualizzare una versione più grande di questa figura.

Interpretabilità basata sull'attenzione
L'attenzione multi-head è stata utilizzata per esaminare quali passi temporali recenti e variabili di input hanno contribuito maggiormente alla previsione di PM_2.5 . Alcuni responsabili dell'attenzione hanno enfatizzato la memoria degli inquinanti a breve termine attraverso valori di PM_2,5 in ritardo, mentre altri hanno attribuito un peso maggiore alle variabili meteorologiche legate alla dispersione, come la velocità del vento e l'umidità. Le variabili di conteggio degli incendi hanno ricevuto maggiore attenzione anche durante gli episodi di inquinamento coerenti con l'influenza regionale della combustione della biomassa. Queste mappe di attenzione dovrebbero essere interpretate come indicatori del comportamento del modello piuttosto che come spiegazioni causali. I risultati suggeriscono che il modello utilizza sia la storia recente degli inquinanti sia le covarie ambientali nella produzione delle previsioni.

Configurazione del modello	Selezione delle caratteristiche	Apprendimento tramite trasferimento	Attenzione multi-testa	Input per il conteggio del fuoco	RMSE ↓	MAE ↓	R² ↑
Base LSTM	No	No	No	No	7.56	5.52	0.905
+ Grado CorrXGBoost	Sì	No	No	No	4.24	3.10	0.970
+ Apprendimento tramite trasferimento	Sì	Sì	No	No	3.89	2.84	0.975
+ Attenzione multi-testa	Sì	Sì	Sì	No	3.48	2.54	0.980
Rete CORTA Completa	Sì	Sì	Sì	Sì	3.19	2.33	0.983

Tabella 3: Analisi di ablazione componente per componente di CORTA-Net. La Tabella 3 valuta ogni elemento architettonico all'interno di un sistema rimuovendo o modificando uno o più componenti e misurando i cambiamenti nelle prestazioni. Questo indica quali componenti architettonici sono più efficaci, conferma le decisioni architettoniche e mostra come i vari componenti interagiscono per migliorare accuratezza, robustezza, efficienza ed efficacia complessiva della rete.

La Tabella 3 presenta l'analisi di ablazione componente per componente di CORTA-Net. La linea di base LSTM ha ottenuto RMSE = 7,56, MAE = 5,52 e R² = 0,905. L'aggiunta della selezione delle caratteristiche CorrXGBoost-Rank ha ridotto l'RMSE a 4,24, indicando che rimuovere predittori ridondanti e debolmente rilevanti migliora le prestazioni di previsione. L'apprendimento per trasferimento ridusse ulteriormente l'RMSE a 3,89, indicando che rappresentazioni temporali pre-addestrate miglioravano la stabilità del modello. Utilizzando l'attenzione multi-testa, l'RMSE è stato abbassato da 3,48 a 3,19, migliorando così il valore di^R2 da 0,980 a 0,983, indicando un grande miglioramento nelle previsioni temporali grazie all'uso di pesi a livello di caratteristiche e passi temporali in combinazione con gli altri componenti del modello CORTA-Net (cioè CorrXGBoost-Rank, Transfer Learning, Multi-Head Attention e MODIS Fire Count Inputs). Nel complesso, i miglioramenti hanno dimostrato i contributi della selezione delle caratteristiche, dell'apprendimento tramite trasferimento temporale, della pesatura delle sequenze basata sull'attenzione e dell'attività di incendio all'implementazione e alle prestazioni del modello CORTA-Net.

Selezione delle funzionalità	Modellazione delle sequenze temporali	Apprendimento tramite trasferimento	Analisi comportamentale dei modelli basati sull'attenzione	Input di attività incendio	Ruolo principale nel confronto
Nessun CorrXGBoost-Rank esplicito	No	No	No	No	Base classica non lineare per il machine learning
Importanza interna basata solo su alberi	No	No	No	No	Base di incremento del gradiente per i predittori tabulari
No	Sì	No	No	No	Base temporale ricorrente
No	Sì	No	Sì	No	Base ricorrente basata sull'attenzione
Sì	Sì	Sì	Sì	Sì	Quadro proposto per la previsione ibrida

Tabella 4: Differenze chiave tra CORTA-Net e i modelli di previsione di base. La Tabella 4 mostra che il modello attuale utilizzato per la previsione è CORTA-Net, che ha permesso tecniche più avanzate per estrarre le caratteristiche temporali e l'uso della capacità di assistere in modo adattivo in base a ciò che era importante per catturare schemi temporali complessi da set di dati di serie temporali. CORTA-Net ha imparato dinamicamente a collegare molte scale temporali diverse per produrre maggiore accuratezza complessiva, robustezza e capacità di creare generalizzazioni rispetto alle tecniche tradizionali di previsione di base.

Le differenze tra le metodologie CORTA-Net e i modelli di riferimento comparativo sono fornite nella Tabella 4. Random Forest e XGBoost possono essere utilizzati per fornire un metodo di base non lineare di apprendimento automatico, ma mancano della modellazione diretta delle dipendenze sequenziali. Gli LSTM venivano usati come metodo di riferimento temporale ricorrente, mentre gli Attention-LSTM fornivano un pesaggio basato sull'attenzione senza schermare esplicitamente le caratteristiche, utilizzando l'apprendimento per trasferimento o l'integrazione dell'attività del fuoco. Al contrario, CORTA-Net incorpora quattro aspetti delle precedenti linee di riferimento in un'unica pipeline di previsione: (1) selezione delle caratteristiche CorrXGBoost-Rank; (2) codifica LSTM con apprendimento tramite trasferimento; (3) attenzione a più teste; (4) e il fuoco derivato dal MODIS contano come dati di input.

Confronto di base
Oltre ai confronti quantitativi di base (forniti separatamente con differenze medie di piegatura, errori standard e intervalli di confidenza al 95%), gli autori hanno anche valutato il funzionamento interno di CORTA-Net attraverso il suo meccanismo di attenzione. I pesi di attenzione assegnati a ciascuna caratteristica di input (passi di tempo e teste di attenzione multiple) sono mostrati nella Figura 9. Nella Figura 9A, il gruppo mostra una distribuzione rappresentativa dei pesi di attenzione assegnati a una delle istanze del dataset di test. Come si vede in questa figura, sebbene alcune caratteristiche di input (ad esempio, PM2.5 a t-1, t-2 e t-3) avrebbero pesi relativi inferiori rispetto ad altri predittori, riceverebbero comunque la maggiore attenzione/pesi, dimostrando che CORTA-Net presta più attenzione alla dipendenza temporale a breve termine rispetto alla dipendenza della memoria a lungo termine. Nella Figura 9B, i ricercatori forniscono valutazioni aggregate dell'importanza relativa di tutte le caratteristiche di input in tutti i campioni di test nella previsione di PM_2.5 per Delhi; PM_2,5 in ritardo, velocità del vento, temperatura e conteggio degli incendi sono identificati come le caratteristiche predittive di input più importanti. Nella Figura 9C, gli autori mostrano i modelli di attenzione multi-head di CORTA-Net, dove ogni head cattura diverse, ma complementari, relazioni temporali e/o a livello di caratteristiche tra le caratteristiche di input, permettendole così di apprendere una rappresentazione più ricca delle caratteristiche di input. Nella Figura 9D, gli autori illustrano il flusso di attenzione a passo di tempo, nel tempo, rispetto a PM₁₀, illustrando come l'attenzione vari nel tempo in base ai livelli di PM₁₀ . Sebbene i pesi di attenzione possano essere interpretati come indicatori dei modelli generali di elaborazione da parte di CORTA-Net dei dati ambientali forniti sequencialmente, così come della priorità di ciascuna caratteristica fornita sequencialmente, i pesi di attenzione non forniscono prove dirette di relazioni causali. Tuttavia, non hanno fornito informazioni su come i processi CORTA-Net forniscano sequencialmente dati ambientali, il che migliora l'interpretabilità delle sue previsioni (Tabella Supplementare 3).

Figura 9: Visualizzazioni basate sull'attenzione del comportamento del modello CORTA-Net. I pesi di attenzione sono mostrati come illustrano come il modello distribuisce l'attenzione tra le caratteristiche di input e i passi temporali durante la previsione e dovrebbero essere interpretati come indicatori del comportamento del modello piuttosto che come evidenza di relazioni causali. (A) Mappa dell'attenzione a singola istanza che mostra i pesi di attenzione assegnati alle caratteristiche di input e le osservazioni storiche recenti per una singola previsione. (B) Importanza aggregata delle caratteristiche basata sui pesi di attenzione nel dataset di test, evidenziando il contributo relativo di ciascuna variabile di input alla previsione PM₂.₅. (C) Schemi di attenzione multi-teste che dimostrano come diverse teste di attenzione catturano rappresentazioni complementari a livello di caratteristiche e temporali. (D) Distribuzione temporale dell'attenzione che mostra l'importanza relativa dei passi storici durante la previsione. Nel complesso, PM₂.₅, FIRECOUNT, velocità del vento (WDS), umidità e temperatura con ritardo hanno ricevuto i pesi di attenzione più elevati, indicando la loro importanza nel processo di previsione del modello. Clicca qui per visualizzare una versione più grande di questa figura.

La Figura Supplementare 6A–B confronta CORTA-Net con i modelli di base che utilizzano MAE, RMSE e^{R 2}. Valori più bassi di MAE e RMSE indicavano un errore di previsione inferiore, mentre un R² più alto indica una varianza meglio spiegata. CORTA-Net ha mostrato un errore di previsione inferiore rispetto ai modelli di base valutati sotto la stessa partizione sperimentale. Tuttavia, il confronto dovrebbe essere interpretato all'interno del dataset selezionato delle stazioni di monitoraggio di Delhi e della stessa pipeline di pre-elaborazione. La Figura Supplementare 7 riassume la classifica relativa dei modelli CORTA-Net e di base tra le metriche riportate. La Figura Supplementare 8 evidenzia i principali componenti che contribuiscono alle prestazioni del modello, tra cui la selezione delle caratteristiche, l'apprendimento per trasferimento, la modellazione delle sequenze temporali e l'attenzione multi-testa.

La valutazione che confronta le prestazioni di CORTA-Net con alcuni modelli di base è effettuata nella Figura Supplementare 7A–C utilizzando una tabella radar, che mostra l'unico modello a misurare più alto (o inferiore) dei suoi corrispettivi in tutte le aree misurate (valori RMSE invertiti, MAE invertiti e valori R² ). CORTA-Net ha ottenuto la migliore classifica complessiva nella Figura Supplementare 7B, oltre a posizionarsi tra le prime posizioni per diverse altre metriche misurate. La Figura Supplementare 7C presenta i miglioramenti delle prestazioni tra CORTA-Net e le linee di base multiple, misurati da CORTA-Net, mostrando guadagni sostanziali rispetto ai valori di riferimento di questo studio. Il miglioramento più significativo si osserva nel RMSE (22,8%), seguito dai valori MAE (24,1%) e R² (aumento dal 39,3 al 72,2% per spiegare la varianza in ciascun esito). Il riassunto di CORTA-Net offre una panoramica dei suoi punti di forza. Questi includono la capacità di applicare attenzione multi-teste per valutare l'importanza, la fusione temporale dei dati dei sensori per prevedere futuri inquinanti, la resistenza ai cambiamenti negli eventi di inquinamento (ad esempio, forti tempeste) e una performance costante su tutte le misure di successo in un contesto trasversale. CORTA-Net supera tutti gli altri modelli di deep learning attuali in base alla sua capacità predittiva.

DISPONIBILITÀ DEI DATI:
I dati sulla qualità dell'aria in questo studio provengono da monitoraggi accessibili al pubblico effettuati dal Central Pollution Control Board e dal Delhi Pollution Control Committee, dove disponibili. I dati meteorologici sono stati ottenuti dai registri del Dipartimento Meteorologico Indiano o da fonti corrispondenti di dati meteorologici pubblici. I dati di conteggio degli incendi derivati dal satellite sono stati derivati dal prodotto attivo di fuoco MODIS. Per il rapporto, i dataset elaborati, le liste di funzionalità selezionate, i parametri di normalizzazione e il codice necessario per riprodurre gli esperimenti riportati sono disponibili tramite il link al repository dei manoscritti: https://github.com/saravagnamahasiva/CORTA-Net. Il manoscritto evidenzia la riproducibilità fornendo un'identificazione chiara della sorgente/delle dati/i, dei passaggi di pre-elaborazione, delle soglie per la selezione delle caratteristiche, dei componenti del modello/i, delle partizioni di valutazione e delle metriche riportate. Il modello viene valutato con partizioni cronologiche di addestramento, test e validazione. I parametri di preprocessing sono stati derivati dai dati di addestramento e poi applicati sia ai dati di test che a quelli di validazione. I risultati sono forniti come risultati specifici per le rispettive partizioni, e si evitano affermazioni più generali.

Figura supplementare 1: Mappa dell'area di studio di Delhi. Mappa dell'area di studio di Delhi che mostra le posizioni delle quattro stazioni di monitoraggio della qualità dell'aria (Dwarka Sector 8, Anand Vihar, Mundka-DPCC e Sonia Vihar) incluse in questo studio per la raccolta dati PM₂.₅ e lo sviluppo del modello. Clicca qui per scaricare questo file.

Figura supplementare 2: Tendenza annuale di FIRECOUNT (2012–2024). Gli incendi contribuiscono all'inquinamento atmosferico, come illustrato dalle tendenze FIRECOUNT dal 2012 al 2024. Clicca qui per scaricare questo file.

Figura supplementare 3: Grafico della funzione di autocorrelazione (ACF) per PM₂.₅ orario. L'autocorrelazione tra le predette PM_2.5 a 30 lag mostra una forte autocorrelazione positiva in quasi tutti i lag, confermando che PM2.5 a Delhi mostra una forte dipendenza temporale e una persistenza di più giorni. Clicca qui per scaricare questo file.

Figura supplementare 4: Struttura interna di un'unità LSTM. Una rete LSTM (Long Short-Term Memory) risolve il problema di dipendenza a lungo termine delle reti neurali ricorrenti standard (RNN) regolando il flusso di informazioni attraverso uno stato cellulare dedicato che funge da nastro trasportatore di memoria. Clicca qui per scaricare questo file.

Figura supplementare 5: Diagramma a blocchi dell'attenzione multi-testa. L'attenzione multi-head estende l'autoattenzione dividendo l'input in più head, permettendo al modello di catturare relazioni e pattern diversi. Clicca qui per scaricare questo file.

Figura supplementare 6: Confronto delle prestazioni complessive tra i modelli di previsione CORTA-Net e quelli di base. Le prestazioni del modello sono state valutate utilizzando l'errore assoluto medio (MAE), l'errore quadratico medio radice (RMSE) e il coefficiente di determinazione (R²). Valori più bassi di MAE e RMSE indicano un errore di previsione più basso, mentre valori di R² più alti indicano una varianza meglio spiegata. (A) Prestazioni comparative di CORTA-Net e dei modelli di base valutati basati su metriche MAE, RMSE e R2. (B) Confronto complessivo che evidenzia la performance predittiva relativa dei modelli valutati sotto la stessa partizione dei dati sperimentali. CORTA-Net ha ottenuto errori di previsione inferiori e prestazioni esplicative superiori rispetto ai modelli di base valutati. Clicca qui per scaricare questo file.

Figura supplementare 7: Analisi comparative delle prestazioni di CORTA-Net e modelli di base utilizzando più metriche di valutazione. (A) Tabella radar che confronta le prestazioni del modello normalizzato basandosi su RMSE invertito, MAE invertita e R², dimostrando la superiorità complessiva di CORTA-Net tra le metriche valutate. (B) Classifica relativa delle prestazioni di CORTA-Net rispetto ai modelli di base, evidenziando la sua costantemente migliore performance. (C) Miglioramento percentuale di CORTA-Net rispetto ai modelli di base valutati per MAE, RMSE e R², mostrando notevoli progressi nell'accuratezza predittiva e nella varianza spiegata. (D) Sintesi delle caratteristiche chiave di CORTA-Net, evidenziando il suo meccanismo di attenzione multi-testa, la fusione temporale delle caratteristiche, la robustezza agli eventi di inquinamento e una performance predittiva costantemente superiore su tutte le metriche di valutazione. Clicca qui per scaricare questo file.

Figura supplementare 8: Confronto tra addestramento e validazione delle perdite tra epoche. Questo dimostra una convergenza progressiva del modello e una generalizzazione stabile con un sovrafitting minimo. Clicca qui per scaricare questo file.

Tabella supplementare 1: Architettura del modello CORTA-Net proposto. Panoramica dell'architettura CORTA-Net, includendo ogni componente di rete, specifiche dei livelli, funzioni di attivazione e il corrispondente numero di parametri addestrabili utilizzati per la previsione PM₂.₅. Clicca qui per scaricare questo file.

Tabella supplementare 2: Impostazioni degli iperparametri e configurazione di addestramento del modello CORTA-Net proposto. Riepilogo del design architettonico, impostazioni degli iperparametri, configurazione di addestramento, strategia di feature engineering, preprocessing dei dati, configurazione dell'apprendimento per trasferimento e parametri di valutazione utilizzati per sviluppare e ottimizzare il modello proposto. Clicca qui per scaricare questo file.

Tabella supplementare 3: Confronto delle prestazioni del modello proposto con i metodi di previsione di base. Confronto tra modelli convenzionali di machine learning e deep learning con il framework proposto in termini di selezione delle caratteristiche, meccanismo di attenzione, transfer learning e prestazioni predittive misurate utilizzando RMSE, MAE e^R2. Clicca qui per scaricare questo file.

Tabella supplementare 4: Confronto tra precedenti studi di previsione PM₂.₅ e l'approccio proposto. Riepilogo degli studi rappresentativi di previsione PM₂.₅, evidenziando le loro metodologie, dataset, caratteristiche chiave di input, inclusione dell'attività degli incendi, prestazioni predittive, interpretabilità, limitazioni riportate e come il framework CORTA-Net proposto affronti tali limitazioni. Clicca qui per scaricare questo file.

Discussione

CORTA-Net combina tre componenti chiave in una sequenza per formare un'architettura ibrida. CorrXGBoost-Rank: Un componente personalizzato per la selezione delle caratteristiche che elimina i predittori ridondanti prima della fase^{temporale di modellazione 38}. LSTM Encoder: Utilizza strati LSTM impilati per catturare dipendenze temporali a breve e lungo termine nella sequenza di input selezionata^{di 24 ore 39}. Multi-head Attention Layer: Applicato all'output LSTM (con i relativi pesi di attenzione) come parte dell'ultimo passaggio del modello di sequenza ibrida CORTA-Net; migliora l'interpretabilità dell'output finale senza sostituire il ruolo della principale spina dorsale⁴⁰ dell'LSTM. L'encoder LSTM apprende le dipendenze temporali dalla sequenza selezionata della finestra scorrevole. CORTA-Net è progettato per fornire un approccio ibrido di modellazione delle sequenze in cui CorrXGBoost-Rank pota i predittori ridondanti. Il Multi-Head Attention Layer forniva un'aggregazione ponderata di tutti i prodotti LSTM e produceva sia le previsioni PM_2.5 sia i relativi pesi di attenzione. I tre componenti di CORTA-Net sono significativamente diversi dall'architettura pura a trasformer, mentre CORTA-Net impiega reti LSTM (ricorrenti) per modellare l'apprendimento delle sequenze, le reti ricorrenti costituiscono la base principale per l'apprendimento sequenziale e l'attenzione funge da meccanismo esplicativo.

Ci sono quattro principali limitazioni del framework CORTA-Net. Innanzitutto, la valutazione del modello si basava su varie stazioni di monitoraggio in tutta Delhi, quindi le prestazioni potrebbero non generalizzare a città con fonti di emissioni, condizioni climatiche o densità/configurazione/monitoraggio differenti. In secondo luogo, sebbene i conteggi degli incendi provenienti dai dati satellitari forniscano un indicatore delle variabili di fuoco, potrebbero non fornire una rappresentazione completa dell'intensità del fuoco, del trasporto della colonna o delle trasformazioni chimiche. In terzo luogo, sensori unidirezionali, dati mancanti e cambiamenti nelle singole stazioni di monitoraggio o nelle reti di monitoraggio predisponenti possono influenzare la qualità/affidabilità dei dati delle serie temporali. Quarto, sebbene l'attenzione sia informativa, non implica una relazione causale. Ulteriori valutazioni richiederanno l'uso di CORTA-Net all'interno di altre città indipendenti e di ulteriori reti di monitoraggio. Nel tentativo di migliorare l'accuratezza delle stime del trasporto regionale di inquinamento atmosferico attraverso l'uso di nuove tecnologie, i ricercatori hanno sviluppato un quadro consapevole dei trasporti. Il framework integra dati aggiuntivi come l'estrazione di caratteristiche da dataset meteorologici e di telerilevamento, il controllo della qualità dei dati, l'ingestione di dati quasi in tempo reale, la stima dell'incertezza e la frequente ricalibrazione^{del modello 41}. Il team di ricerca ha sviluppato una suite completa di strumenti computazionali per affrontare questi problemi, tra cui ottimizzatori adattivi per l'addestramento del modello e la sintonia dei parametri, transfer learning per sfruttare i dati esistenti al fine di migliorare la capacità predittiva, tecniche di modellazione delle serie temporali sequenziali, modellazione basata sull'attenzione e interpretabilità del modello. Inoltre, l'integrazione dell'IA spiegabile nel framework CORTA-Net consente il collegamento diretto delle previsioni con la conoscenza scientifica dei principali fattori che contribuiscono all'inquinamento atmosferico. Ad esempio, l'IA spiegabile consente di identificare l'attività di incendi che si verifica nel periodo post-monsonico come un contributo significativo all'inquinamento atmosferico. La validazione incrociata delle prestazioni del modello (Delhi RMSE = 3,19, R² = 0,983) conferma l'efficacia di CORTA-Net, mentre visualizzazioni basate sull'attenzione dei risultati del modello indicano che si possono osservare schemi di interesse per i decisori e i professionisti della sanità pubblica. Infine, l'uso di conteggi incendi e dati sulle emissioni non controllate come input nel framework CORTA-Net ridurrebbe intrinsecamente la generalizzabilità dei risultati ad altre regioni, poiché l'uso di fonti monitorate rapidamente o male potrebbe gravemente disturbare l'implementazione del framework^{CORTA-Net 42}.

La rappresentazione grafica presentata nella Figura 10 permette ai decisori e ai ricercatori di visualizzare le relazioni tra modelli/sistemi sviluppati utilizzando diverse metodologie per la previsione PM₂.₅, dove le barre colorate rappresentano RMSE (barre più corte = maggiore accuratezza) e R² (barre più lunghe = maggiore variabilità considerata), con modelli organizzati per approccio (aggregazione della città, serie specifiche per stazione, serie multivariata). Le rappresentazioni grafiche della profondità mostrano che nessun singolo modello sovrappone prevedibilmente tutte le categorie; CORTA-Net ha costantemente superato modelli simili su dataset urbani ad alto rumore, a livello di stazione, che mostrano una significativa variabilità locale, mentre MxConnect ha generalmente prodotto risultati medi regionali superiori su dataset spazialmente più grossolani, illustrando l'importanza di selezionare modelli in base alla scala dei dati analizzati (cioè la dimensione dei dataset), alla risoluzione spaziale dei dataset (cioè al livello di congestione) e ai livelli di rumore nei dataset (cioè, accuratezza) o variazione locale. In effetti, l'unicità di CORTA-Net è l'utilizzo di una ponderazione adattativa delle caratteristiche incorporata in un meccanismo di attenzione sequenziale ricorrente per ridurre dinamicamente il peso degli input ridondanti o degli input con alto rumore casuale durante l'elaborazione temporale. Ciò si ottiene incorporando la ponderazione adattiva delle caratteristiche all'interno di un design di gating personalizzato basato sull'attenzione, a differenza della maggior parte degli approcci attualmente utilizzati, che si sono basati fortemente sull'uso di approcci euristici statici (cioè soglie di correlazione o PCA) prima dell'applicazione di un modello come fase di preelaborazione (Figura 10A). Questo approccio adattivo e sensibile al contesto di prioritizzazione, utilizzato in CORTA-Net, consente di effettuare aggiustamenti in tempo reale rispetto alle dinamiche locali nei tessuti urbani, dove modelli più semplici e meno complessi progettati utilizzando dataset addestrati globalmente possono fornire risultati di previsione superiori per le medie a livello nazionale. Le visualizzazioni grafiche comparative presentate nella Figura 10B identificano collettivamente la relazione tra il benchmarking dei modelli, fornendo a ricercatori e decisori una direzione nella selezione dei modelli per la loro applicazione specifica (cioè, possono individuare ulteriori vie di ricerca legate alla previsione a breve termine di PM₂.₅)

Figura 10: Confronto tra le prestazioni predittive dei modelli di previsione CORTA-Net e quelli di base. Le prestazioni del modello sono state valutate utilizzando l'errore assoluto medio (MAE), l'errore quadratico medio radice (RMSE) e il coefficiente di determinazione (R²). Valori più bassi di MAE e RMSE indicano una migliore accuratezza predittiva, mentre valori più alti di R² indicano una maggiore varianza spiegata. (A) Prestazioni comparative di tutti i modelli valutati basati su MAE, RMSE e R², fornendo una valutazione complessiva dell'accuratezza predittiva e dell'adattamento del modello. (B) Confronto delle prestazioni dei modelli di alto livello, evidenziando i punti di forza e i limiti relativi degli approcci CORTA-Net e benchmark. Nel complesso, il confronto dimostra le prestazioni competitive di CORTA-Net, facilitando al contempo una valutazione intuitiva delle diverse architetture di modelli per la previsione PM₂.₅. Clicca qui per visualizzare una versione più grande di questa figura.

Il confronto mostra che CORTA-Net è un flusso di lavoro ibrido di previsione PM₂.₅ piuttosto che un'architettura di trasformatore autonoma (Tabella Supplementare 4). Le nuove architetture a transformer hanno dimostrato una notevole capacità di apprendere dipendenze temporali a lungo raggio, ma le architetture ibride CNN-RNN e transformer-LSTM aumentano l'efficienza di previsione sfruttando i punti di forza di ciascuna architettura neurale (come mostrato nella Tabella 5). A differenza di CORTA-Net, molti modelli ibridi CNN-RNN e transformer-LSTM esistenti si basano sul modello di sequenza per apprendere dall'intero set di funzionalità di input invece di effettuare uno screening esplicito delle caratteristiche prima della modellazione temporale, mentre CORTA-Net utilizza dati esterni di conteggio degli incendi MODIS per modellare le influenze della combustione della biomassa. L'uso da parte di CORTA-Net dei pesi di attenzione per valutare come ciascun predittore influisce nel contributo cumulativo del predittore, in relazione al tempo (cioè la ponderazione aggregata nel tempo), e le sue tre diverse fasi contribuiscono tutti all'errore totale associato a CORTA-Net, con la combinazione di tutti e tre che ha l'errore più basso misurato rispetto al dataset delle stazioni di monitoraggio di Delhi sotto valutazione⁴³. In sintesi, i contributi pratici di CORTA-Net sono l'integrazione riproducibile di quattro aree rilevanti della previsione a breve termine PM₂.₅: selezione delle caratteristiche, apprendimento tramite trasferimento temporale, arricchimento dell'attività di incendi esterno e interpretabilità basata sull'attenzione. Raggruppare i risultati per modello e fonte di dati (rianalisi ERA5 globalmente a urbana specifica per città a più variabili) (Figura 10), con i ricercatori in grado di confrontare facilmente come la performance di ciascun modello si relaziona a ciascuna delle otto variabili chiave legate alla qualità complessiva di quanto bene ciascun modello prevede le concentrazioni PM₂.₅.

Componenti principali del modello	Risultati numerici migliori riportati	Differenza chiave rispetto a CORTA-Net
ARIMA per la componente lineare, CNN-LSTM per la componente non lineare, ottimizzatore per coleottero stercorale per la regolazione degli iperparametri	RMSE = 7,594, 14,940, 7,841 e 5,496; MAE = 5.285, 10.839, 5.120 e 3.770; R² = 0,989, 0,962, 0,953 e 0,953 in quattro città	Modello AQI ibrido forte, ma si concentra su AQI e ottimizzazione del modello; non include uno screening esplicito CorrXGBoost-Rank né l'integrazione MODIS nel conteggio dei fuoco
Codificatore di trasformatore, decodificatore BiLSTM, interpretazione basata su SHAP	Pechino: RMSE = 3,0012, MAE = 1,7928, R² = 0,9694; Tianjin: RMSE = 4,4785, MAE = 3,1614, R² = 0,9621; Shijiazhuang: RMSE = 5,1646, MAE = 3,4057, R² = 0,9324	Cattura dipendenze a lungo e breve termine da AQI, ma utilizza principalmente dati sulla concentrazione degli inquinanti e non utilizza variabili di conteggio incendi MODIS né riduzione CorrXGBoost-Rank pre-sequenza
LSTM, autoattenzione con Transformer, ottimizzazione dello sciame di particelle	Miglior ambientazione stagionale: R² = 0,98745 e 0,95655 per due città; i valori di basso errore riportati includono MAE = 0,83363 e RMSE = 1,0176 nell'impostazione migliore	Modello Transformer-LSTM altamente ottimizzato, ma la sua principale novità è l'ottimizzazione basata su PSO piuttosto che la rimozione della ridondanza delle caratteristiche e l'arricchimento dell'attività di fuoco
CNN-LSTM con componenti della rete Kolmogorov-Arnold e consapevolezza geografica	Shanghai: RMSE = 1,9222 e R² = 0,9832; Pechino: RMSE = 2,5213, con un RMSE inferiore del 59,6% rispetto al LSTM base	Modello AQI fortemente geograficamente consapevole, ma non affronta specificamente la previsione PM₂.₅ di Delhi né include input sul conteggio degli incendi MODIS per episodi di combustione da biomassa
Regressori classici di apprendimento automatico con ottimizzazione per la ricerca a griglia	GBR: RMSE = 2,31; RF: MAE = 0,47 e RMSE = 2,95; XGBR: R² = 0,9781	Benchmark utile per il machine learning, ma i modelli non rappresentano esplicitamente la dipendenza temporale sequenziale tramite LSTM o attenzione
LSTM ottimizzato utilizzando l'algoritmo di ricerca Sparrow; rispetto a CNN-LSTM, CNN-BiLSTM e PSO-LSTM	SSA-LSTM: RMSE = 8,601, MAE = 6,317, R² = 0,946; PSO-LSTM: RMSE = 8,860, R² = 0,944; LSTM di base: RMSE = 12,481, R² = 0,884	Mostra il valore di LSTM ottimizzato, ma non utilizza attenzione multi-testa, adattamento di trasferimento-apprendimento o variabili di attività di incendio satellitare
Modello di trasformatore con sottocampionamento basato su cluster per eventi di alto inquinamento squilibrati	Configurazione migliore: RMSE = 2,080, MAE = 1,386, R² = 0,914	Forte per la previsione PM₂.₅ ad alto evento, ma l'enfasi è sulla gestione dello squilibrio piuttosto che sulla selezione integrata delle caratteristiche, l'apprendimento per trasferimento, l'arricchimento del conteggio dei fuoco e l'interpretazione basata sull'attenzione
Solo codificatore temporale LSTM	RMSE = 7,56, MAE = 5,52, R² = 0,905	Utilizzato come base temporale interna nello stesso contesto sperimentale di Delhi
LSTM con selezione delle caratteristiche basata su correlazione e XGBoost	RMSE = 4,24	Dimostra che rimuovere predittori ridondanti e deboli migliora la previsione prima dell'apprendimento delle sequenze
Selezione delle funzionalità, transfer learning LSTM e attenzione multi-head	RMSE = 3,48, R² = 0,980	Mostra il valore aggiunto della ponderazione temporale e delle caratteristiche basata sull'attenzione

Tabella 5: Confronto metodologico di CORTA-Net con i modelli di previsione PM₂.₅/AQI recenti ed esistenti. Il framework proposto differisce fondamentalmente dai recenti metodi di previsione basati su trasformatori o ibridi PM₂.₅. Un confronto più forte con lo stato dell'arte recente.

Il contributo chiave di questo studio è un approccio ibrido di deep learning chiamato CORTA-Net, che fornisce un metodo integrato per prevedere concentrazioni a breve termine di PM_2.5 a Nuova Delhi, India, che ha un ambiente costruito complesso. Invece di affidarsi a modelli biforcati che consistono in tre componenti autonomi (un modulo di selezione delle caratteristiche basato su CorrXGBoost-Rank per minimizzare la ridondanza; un LSTM potenziato dall'apprendimento per trasferimento per codificare la non stazionarità delle dipendenze temporali; e un meccanismo di attenzione multi-head per ottenere previsioni interpretabili a breve e lungo termine), CORTA-Net adotta un approccio basato su pipeline per integrare questi componenti in modo sinergico. Questo quadro incorpora l'input di variabili meteorologiche, conteggi degli incendi MODIS e dati sulla qualità dell'aria ambiente nel tentativo di creare una rappresentazione più completa dei fattori che contribuiscono all'inquinamento da PM_2.5 . CORTA-Net ha ottenuto risultati significativamente migliori rispetto alle basi consolidate (Random Forest, XGBoost, LSTM e LSTM basata sull'attenzione) utilizzando metriche di valutazione rigorose, che includevano valori alti di^R2 (0,983) e bassi valori RMSE (3,19). Questi studi hanno dimostrato che tutti gli elementi di CORTA-Net contribuivano in modo significativo alle prestazioni del modello. Il meccanismo di attenzione multi-teste di CORTA-Net ha fornito un valore aggiuntivo a questo studio, poiché ha mostrato che i principali predittori erano le recenti misurazioni di PM_2.5 , i conteggi degli incendi e le misurazioni meteorologiche, che si allineano bene ai processi atmosferici noti e offrono anche un significativo grado di interpretabilità a questo modello.

Nonostante i risultati promettenti, gli autori riconoscono che esistono alcune limitazioni, tra cui una restrizione geografica (solo Nuova Delhi) e la dipendenza esclusiva dagli incendi MODIS che sono considerate proxy termiche per i dati RS. Le ricerche future si concentreranno sulla validazione delle prestazioni di CORTA-Net in diverse località urbane, nonché sull'incorporazione di caratteristiche di consapevolezza dei trasporti, come altezze dello strato di confine e traiettorie del vento, nel processo di modellazione per aumentare la generalizzabilità. Tuttavia, gli autori ritengono che CORTA-Net sia un framework altamente valido, riproducibile e interpretabile per supportare la formulazione di politiche basate sui dati e i sistemi di allerta precoce. La capacità di CORTA-Net di ottenere forti prestazioni in un ambiente urbano ricco di dati ma complesso, Nuova Delhi, suggerisce che CORTA-Net sia pronto per essere ampiamente implementato, ponendo così le basi per lo sviluppo di un nuovo standard nella previsione della qualità dell'aria urbana.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Calibri font	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	Utilizzato come tipografia base richiesta per i diagrammi e le etichette delle figure corrette.
CORTA-Net figure-generation scripts	Scripts personalizzati per questo progetto CORTA-Net	URL: https://github.com/saravagnamahasiva/CORTA-Net	Usato per rigenerare figure PDF di qualità pubblicabile con etichette e ordine corretti.
CORTA_Net_High_Resolution_Images.zip	Archivio di immagini del progetto fornito dall'utente	Numero di catalogo/RRID: Non applicabile; archivio di origine locale	Utilizzato come set di immagini di riferimento/di origine e per determinare l'identità della figura.
GitHub	GitHub, Inc.	URL: https://github.com/	Utilizzato come host del repository previsto per il codice del progetto e i file di generazione delle figure.
Matplotlib	Matplotlib Development Team	RRID: SCR_008624; URL: https://matplotlib.org/	Usato per ridisegnare grafici, diagrammi, etichette, indicatori di pannello e figure PDF vettoriali.
NumPy	NumPy Developers	RRID: SCR_008633; URL: https://numpy.org/	Usato per array deterministici e valori simulati nei pannelli delle figure rigenerati.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Usato per assistere nella modifica del codice, nella rigenerazione delle figure, nel confezionamento dei PDF e nella verifica.
Pillow	Pillow Contributors	URL: https://python-pillow.org/	Usato per ispezionare, ridimensionare, visualizzare in anteprima e validare le uscite delle immagini raster.
Poppler	Poppler Developers / freedesktop.org	URL: https://poppler.freedesktop.org/	Usato per renderizzare i PDF generati in anteprime PNG per controlli di qualità visiva.
pypdf	pypdf Contributors	URL: https://pypdf.readthedocs.io/	Usato per verificare che ogni PDF di figura finale contenga una pagina valida.
Python	Python Software Foundation	RRID: SCR_008394; URL: https://www.python.org/	Usato come ambiente di programmazione per la generazione delle figure e l'elaborazione dei PDF.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Usato per creare la tabella dei materiali/strumenti/software obbligatori come artefatto PDF.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	Usato per l'orchestrazione dei file, l'estrazione degli archivi e i comandi di confezionamento ZIP finali.