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 PM2.5.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Deep Learning ibrido con interpretabilità basata sull'attenzione per la previsione PM2.5 negli ambienti urbani di Delhi
In questo articolo
Sommario
Abstract
La previsione a breve termine delle PM2.5 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 PM2.5 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 PM2.5 . 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 PM2.5 . 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 (PM2,5) rappresentano una preoccupazione importante per la qualità dell'aria a Delhi perché sono influenzate dalle emissionilocali 1,2,3, dal trasportoregionale 4, dalla meteorologiastagionale 5 e da eventi episodici di combustione dibiomassa 6. Durante i periodi post-monsonici einvernali 7, bassa velocità delvento 8, condizioni di strato limite pocoprofonde 9 e inversione termica possono ridurre la dispersione degli inquinanti e aumentare l'accumulo di particelle. La previsione di PM2.5 a breve termine è difficile a causa del fenomeno intrinseco non lineare, stagionale e improvvisamente ad alto inquinamento della serietemporale 10. Studi precedenti sulla previsione PM2.5 hanno utilizzato modelli statistici, modelli di apprendimento automatico e modelli ricorrenti di retineurali 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 emeteorologia 13. Modelli di apprendimento automatico come le foreste casuali e XGBoost possono essere utilizzati per modellare relazioni nonlineari 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 nonlineari 15.
Le reti di memoria a lungo termine possono modellare schemitemporali 16, ma le loro prestazioni possono essere influenzate da condizioni non stazionarie e da episodi improvvisi diinquinamento 17. Approcci recenti basati sull'attenzione e basati su trasformatori migliorano la rappresentazionetemporale 18, ma molti di essi elaborano direttamente tutte le variabili candidate e forniscono un controllo limitato sulla ridondanza delle caratteristiche prima della modellazione della sequenza19,20. Sebbene i modelli di deep learning basati su transformer e ibridi abbiano recentemente migliorato PM2.5 e la previsioneAQI 21, i loro contributi sono spesso concentrati sull'apprendimento della rappresentazionetemporale 22, la costruzione di grafispaziali 23, la fusionedi 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 modellodi 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 retineurali 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 sugrafi 28 e architetture a trasformatori per catturare dipendenze temporali e spaziali nonlineari 29. Questi approcci hanno migliorato le prestazioni di previsione imparando dipendenze a lungo raggio e assegnando pesi adattivi a passi temporali o variabilidi 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 PM2.5 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 PM2.5 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 einvernali 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 PM2.5, 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 nelsito 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. PM2.5 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Metodologia
È stato costruito un modello a finestra scorrevole supervisionata per prevedere il valore futuro di PM2,5 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 PM2.5 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, xj)| ≥ 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 PM2.5 . 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 eR2 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, ..., xn} l'insieme delle variabili di input candidate, e y la concentrazione target PM₂.₅. Per ogni caratteristica xi, 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 xi e il bersaglio y, e σxi e σy sono le loro deviazioni standard. Caratteristiche mantenute soddisfacenti: |ri| ≥ τr dove τr = 0,30 in questo studio.
Le correlazioni a coppie sono state calcolate tra tutte le features_xritenute i, xj, e se |corr(x i,x j)| >= τrosso, dove τrosso = 0,85, la caratteristica con la correlazione assoluta più bassa con il target PM2,5 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 ≥ τxgb dove τxgb = 0,015 venivano mantenute nel set finale di caratteristiche (S") definito comeS finale =S corr ∪ Sxgb, 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 Sfinal=S corr ∪ Sxgb, dove Scorr sono le caratteristiche mantenute dopo un filtraggio di correlazione ridondante, e Sxgb 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 τr = 0,30, τred = 0,85 e τxgb = 0,015.
Fonti dati
Gli autori hanno integrato tre grandi dataset per lo studio; questi sono dati sugli inquinanti atmosferici (PM2.5, 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 PM2.5 prevista a trenta lag, mostrata nella Figura Supplementare 3, presenta una notevole autocorrelazione positiva in quasi tutti i trenta lag, confermando che PM2.5 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 PM2.5), 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 PM2.5 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 PM2.5, in contrapposizione ai fattori meteorologici che hanno influenzato il PM2.5. I risultati di questa separazione aiutano a una previsione accurata delle future emissioni di PM2.5 ; 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 PM2,5 effettuate presso le stazioni di monitoraggio di Delhi dal 2012 al 2024 indicano cambiamenti minimi nei livelli di PM2,5 (ovvero nessuna variazione significativa dal 2022 al 2024) complessivamente e un comportamento estremamente limitato e costante (o coerenza nei livelli di PM2,5 tra i quattro punti di monitoraggio). I livelli di PM2,5 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 PM2,5 per ciascuna delle quattro stazioni di monitoraggio indicavano che le concentrazioni di PM2,5 erano fortemente influenzate dai cambiamenti stagionali (meteorologici), che producevano grandi fluttuazioni nelle concentrazioni medie giornaliere di PM2,5 per le singole stazioni. Le concentrazioni giornaliere di PM2.5 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 vicinialla 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 PM2.5 con ritardo per previsioni auto-regressive PM2.5, cosa comune nei modelli PM2.5 per Delhi, e aiuta a catturare la persistenza temporale di PM2.5. Delhi_PM2,5 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 PM2.5 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 PM2.5 ha un'alta auto-persistenza a causa della meteorologia invernale stagnante e delle continue emissioni di veicoli, industria ebiomassa 28. Il vento aiuta la dispersione degli aerosol, ma un vento debole < 2 m/s ha contribuito a un aumento dell'accumulo di PM2,5 dovuto alle inversioni. La relazione tra NO2 e PM2.5 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 PM2,5 (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 ditraffico 37. Inoltre, la geografia di Delhi è un fattore che contribuisce alla persistenza delle inversioni nell'area e quindi aggrava anche le concentrazioni di PM2.5 . 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 PM2.5. 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 PM2.5 che la PM2.5 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 eR2 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
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...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
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 fasetemporale di modellazione 38. LSTM Encoder: Utilizza strati LSTM impilati per catturare dipendenze temporali a breve e lungo termine nella sequenza di input selezionatadi 24 ore 39. Multi-head Attention Layer: Appl...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
Gli autori non hanno conflitti di interesse.
Ringraziamenti
Progetto di supporto della Principessa Nourah bint Abdulrahman University (PNURSP2026R300), Principessa Nourah bint Abdulrahman University, Riyadh, Arabia Saudita.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| 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. |
Riferimenti
- AlShafeey M. Unraveling climate trends in the mediterranean: a hybrid machine learning and statistical approach. Model Earth Syst Environ. 2024;10:6255-6277.
- Li B, Qian Y. Weather prediction using CNN-LSTM for time series analysis: a case study on Delhi temperature data. arXiv:2409.09414. 2024.
- Bashardoost A, Mesgari MS, Karimi M. Quantifying uncertainty in the spatial prediction of PM2.5 using a deep learning algorithm. Ann GIS. 2025;31(4):679-712.
- Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature. 2023;619:533-538.
- Xu C, Liu J, Han S, Duan X, Xiang L, Zhang T. FourCastLSTM: a precipitation nowcasting model integrating global and local spatiotemporal features. Comput Geosci. 2025;204:105966.
- Damkliang K, Chumnaul J. Deep learning and statistical approaches for area-based PM2.5 forecasting in Hat Yai, Thailand. J Big Data. 2025;12:36.
- Elabd E, Hamouda HM, Ali MAM, et al. Climate change prediction in Saudi Arabia using a CNN GRU LSTM hybrid deep learning model in al Qassim region. Sci Rep. 2025;15:16275.
- Guo Q, He Z, Wang Z. Monthly climate prediction using deep convolutional neural network and long short-term memory. Sci Rep. 2024;14(1):17748.
- Zhang H, Jin Y, Shi J, Zhang S. Predicting PM2.5 concentrations using stacking-based ensemble model. Appl Comput Math. 2021;10(6):156-162.
- Şener İF, Tuğal İ. Optimized CNN-LSTM with hybrid metaheuristic approaches for solar radiation forecasting. Case Stud Therm Eng. 2025;72:106356.
- Shen J, Wu W, Xu Q. Accurate prediction of temperature indicators in Eastern China using a multi-scale CNN-LSTM-Attention model. arXiv:2412.07997. 2024.
- Karimian H, Li Q, Wu C, et al. Evaluation of different machine learning approaches to forecasting PM2.5 mass concentrations. Aerosol Air Qual Res. 2019;19:1400-1410.
- Kumar S, Mishra S, Singh SK. A machine learning-based model to estimate PM2.5 concentration levels in Delhi's atmosphere. Heliyon. 2020;6(11):e05618.
- Ladjal B, Nadour M, Bechouat M, et al. Hybrid deep learning CNN-LSTM model for forecasting direct normal irradiance: a study on solar potential in Ghardaia, Algeria. Sci Rep. 2025;15:15404.
- Lakshmi S, Krishnamoorthy A. Deep transfer learning and attention based PM2.5 forecasting in Delhi using a decade of winter season data. Sci Rep. 2025;15:31787.
- Lan R, Eastham SD, Liu T, et al. Air quality impacts of crop residue burning in India and mitigation alternatives. Nat Commun. 2022;13:6537.
- Lütjens B, Ferrari R, Watson-Parris D, Selin NE. The impact of internal variability on benchmarking deep learning climate emulators. J Adv Model Earth Syst. 2025;17:e2024MS004619.
- Suleman MAR, Shridevi S. Short-term weather forecasting using spatial feature attention-based LSTM model. IEEE Access. 2022;10:82456-82468.
- Mansfield LA, Nowack PJ, Kasoar M, et al. Predicting global patterns of long-term climate change from short-term simulations using machine learning. npj Clim Atmos Sci. 2020;3:44.
- Masood A, Ahmad K. Data-driven predictive modeling of PM2.5 concentrations using machine learning and deep learning techniques: a case study of Delhi, India. Environ Monit Assess. 2022;195(1):60.
- Duan J, Gong Y, Luo J, Zhao Z. Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer. Sci Rep. 2023;13:12127.
- Liu X, Su K, Wang S, et al. Intelligent prediction of air quality index based on the transformer-BiLSTM model. Sci Rep. 2025;15:41838.
- Liu Z, Fang Z, Hu Y. A deep learning-based hybrid method for PM₂.₅ prediction in central and western China. Sci Rep. 2025;15:10080.
- Hu Y, Ding Y, Jiang W. Geographically aware air quality prediction through CNN-LSTM-KAN hybrid modeling with climatic and topographic differentiation. Atmosphere. 2025;16(5):513.
- Makhdoomi A, Sarkhosh M, Ziaei S. PM₂.₅ concentration prediction using machine learning algorithms: an approach to virtual monitoring stations. Sci Rep. 2025;15:8076.
- Jiang Z, Nie Y, Gong W. Enhanced PM₂.₅ forecasting via bio-inspired hybrid LSTM optimization for high-precision results. AIP Adv. 2025;15:075346.
- Pan P, Malarvizhi AS, Yang C. Data augmentation strategies for improved PM₂.₅ forecasting using transformer architectures. Atmosphere. 2025;16(2):127.
- Masood A, Hameed MM, Srivastava A, et al. Improving PM2.5 prediction in New Delhi using a hybrid extreme learning machine coupled with snake optimization algorithm. Sci Rep. 2023;13:21057.
- Meng X, Xie C, Tang X, et al. Prediction of particulate matter 2.5 concentration based on attention mechanism and convolutional BiLSTM network. Discov Appl Sci. 2025;7:1372.
- Mohammadi F, Teiri H, Hajizadeh Y, Abdolahnejad A, Ebrahimi A. Prediction of atmospheric PM2.5 level by machine learning techniques in Isfahan, Iran. Sci Rep. 2024;14(1):2109.
- Mutinda JK, Langat AK, Mwalili SM. Forecasting temperature time series data using combined statistical and deep learning methods: a case study of Nairobi County daily temperature. Int J Math Math Sci. 2025;2025:4795841.
- Nath P, Saha P, Middya AI, Roy S. Long-term time-series pollution forecast using statistical and deep learning methods. Neural Comput Appl. 2021;33(19):12551–12570.
- Patel P, Patel S, Shah K, Desai K, Patel S, Shah M, Patel S. A systematic study on PM2.5 and PM10 concentration prediction in air pollution using machine learning and deep learning model. Environ Chem Ecotoxicol. 2025;7:1401-1415.
- Li Q, Zhang C, Shangguan W, et al. LandBench 1.0: a benchmark dataset and evaluation metrics for data-driven land surface variables prediction. Expert Syst Appl. 2024;243:122917.
- Mojgani R, Waelchli D, Guan Y, Koumoutsakos P, Hassanzadeh P. Extreme event prediction with multi-agent reinforcement learning-based parametrization of atmospheric and oceanic turbulence. arXiv:2312.00907v1. 2023.
- Yu S, White BL, Bhiwandiwalla A, et al. ClimDetect: a benchmark dataset for climate change detection and attribution. arXiv:2408.15993. 2024.
- Li T, Hua M, Wu X. A hybrid CNN-LSTM model for forecasting particulate matter (PM2.5). IEEE Access. 2020.
- Farhangmehr V, Imanian H, Mohammadian A, Cobo JH, Shirkhani H, Payeur P. A spatiotemporal CNN-LSTM deep learning model for predicting soil temperature in diverse large-scale regional climates. Sci Total Environ. 2025;968:178901.
- Wu C, Wang R, Lu S, Tian J, Yin L, Wang L, Zheng W. Time-series data-driven PM2.5 forecasting: from theoretical framework to empirical analysis. Atmosphere. 2025;16:292.
- Wu Y, Wang X, Wang M, Liu X, Zhu S. Time-series forecasting of PM2.5 and PM10 concentrations based on the integration of surveillance images. Sensors. 2025;25:95.
- Gong Y, Zhang Y, Wang F, Lee C-H. Deep learning for weather forecasting: a CNN-LSTM hybrid model for predicting historical temperature data. arXiv:2410.14963. 2024.
- Zhou S, Wang W, Zhu L, Qiao Q, Kang Y. Deep-learning architecture for PM2.5 concentration prediction: a review. Environ Sci Ecotechnol. 2024;21:100400.
- Zhang Z, Dey S, Lee K, et al. Temporal difference-based graph transformer networks for air quality PM₂.₅ prediction. Front Environ Sci. 2022;10:924986
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.