Hybride deep learning met aandachtsgebaseerde interpreteerbaarheid voor PM2.5-voorspellingen in stedelijke omgevingen van Delhi

Samenvatting

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, een hybride deep learning-framework voor kortetermijn-PM₂.₅-voorspellingen in Delhi. Het model combineert CorrXGBoost-Rank featureselectie, transfer learning met langetermijngeheugennetwerken en multi-head attention voor tijds- en feature-niveau interpretatie en gebruikt luchtkwaliteit-, meteorologische en satellietgebaseerde brandtellingsgegevens om de PM_{2.5-voorspelling} te verbeteren.

Samenvatting

Kortetermijnvoorspelling van PM_2.5 is een uitdaging in Delhi omdat de concentraties van fijnstof worden beïnvloed door lokale emissies, meteorologische variatie, seizoensgebonden stagnatie en incidentele brandgerelateerde vervuiling. Deze studie presenteert CORTA-Net, een hybride deep learning-framework voor PM_{2.5-voorspellingen} met behulp van multi-source milieudata van 2012 tot 2024. De invoergegevens omvatten uurlijkse luchtkwaliteitswaarnemingen van CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee) meetstations, meteorologische variabelen van het India Meteorological Department (IMD), en satelliet-gebaseerde brandtalgegevens van MODIS (Moderate Resolution Imaging Spectroradiometer) producten. Het voorgestelde kader past eerst CorrXGBoost-Rank featureselectie toe om redundante voorspellers te verminderen en belangrijke verontreinigende stoffen, meteorologische, temporale en brandgerelateerde variabelen te behouden. De geselecteerde features worden vervolgens gerangschikt als begeleide schuifvenstersequenties en verwerkt met behulp van een transfer-learning-gebaseerde LSTM-encoder gevolgd door een multi-head attention layer. Het aandachtsmechanisme biedt een interpretatie op feature- en tijdsstapniveau van de PM_{2.5-voorspelling} . CORTA-Net werd geëvalueerd met behulp van chronologische trainings-, test- en validatiepartities, evenals kruisvalidatie. In vergelijking met random forest-, XGBoost-, LSTM- en aandacht-LSTM-baselines, verminderde het voorgestelde kader de voorspellingsfout onder de geëvalueerde Delhi-monitoringstation-setting. De nieuwigheid van CORTA-Net ligt in het combineren van expliciete CorrXGBoost-Rank feature screening, transfer-learning gebaseerde temporele codering, MODIS fire-activity integration en multi-head attention based model-behavior analyse in één reproduceerbare PM_2.5 voorspellingspijplijn. In de praktijk kan het kader kortetermijnvoorspellingen van stedelijke luchtkwaliteit ondersteunen in datarijke monitoringsomgevingen waar verontreinigingsgegevens, meteorologische waarnemingen en indicatoren voor brandactiviteit beschikbaar zijn.

Inleiding

Fijne deeltjes met een aerodynamische diameter ≤ 2,5 μm (PM_2,5) zijn een belangrijk luchtkwaliteitsprobleem in Delhi omdat het wordt beïnvloed door lokale emissies ^1,2,3, regionaal transport 4, seizoensgebonden meteorologie⁵ en episodische biomassaverbrandingsgebeurtenissen⁶. Tijdens de post-moesson- en winterperiodes⁷ kunnen lage windsnelheid⁸, ondiepe grenslaagcondities⁹ en temperatuurinversie de verspreiding van verontreinigende stoffen verminderen en de ophoping van deeltjes vergroten. Het voorspellen van kortetermijn-PM_2.5 is uitdagend vanwege het inherente niet-lineaire, seizoensgebonden en abrupte hoogvervuilde fenomeen van de tijdreeks¹⁰. Eerdere studies naar PM_{2.5-voorspellingen} maakten gebruik van statistische modellen, machine learning-modellen en recurrente neurale netwerkmodellen¹¹. Statistische methoden kunnen nuttig zijn bij het bepalen van trends en seizoensgebondenheid van data¹², maar kunnen mogelijk niet volledig rekening houden met de niet-lineaire interacties tussen verontreinigende stoffen en meteorologie¹³. Machine learning-modellen zoals random forests en XGBoost kunnen worden gebruikt om niet-lineaire relaties te modelleren¹⁴; ze hebben echter doorgaans geen temporele afhankelijkheid, tenzij er achtergestelde kenmerken worden ontworpen. Lange, kortetermijnneurale netwerken (LSTM) zijn in staat zowel temporele afhankelijkheid als niet-lineaire relaties te modelleren¹⁵.

Langetermijngeheugennetwerken kunnen temporele patronen^{modelleren 16}, maar hun prestaties kunnen worden beïnvloed door niet-stationaire omstandigheden en abrupte vervuilingsepisodes¹⁷. Recente aandacht- en transformergebaseerde benaderingen verbeteren temporele representatie¹⁸, maar veel van hen verwerken alle kandidaatvariabelen direct en bieden beperkte controle over feature-redundantie vóór sequentiemodellering ^19,20. Hoewel transformer-gebaseerde en hybride deep-learning modellen recentelijk PM_2.5 en AQI voorspelling²¹ hebben verbeterd, zijn hun bijdragen vaak geconcentreerd op temporele representatieleer²², ruimtelijke grafiekconstructie²³, modelfusie²⁴ of optimalisatie. Veel van deze modellen gebruiken direct de beschikbare multivariate inputset en leggen de belangrijkste leerlast op het sequentiemodel²⁵. Dit kan de inputredundantie vergroten, de interpreteerbaarheid verminderen en het moeilijk maken om te bepalen of verbeteringen voortkomen uit temporele modellering, feature-screening, externe omgevingsindicatoren of aandachtgebaseerde weging. CORTA-Net is daarom gepositioneerd als een workflow-niveau voorspellingsraamwerk in plaats van een nieuw zelfstandig neuraal netwerk laag²⁶. Het onderscheid ligt in de geordende integratie van vier fasen: CorrXGBoost-Rank feature screening vóór sequence modeling, transfer-learning LSTM-codering voor temporele aanpassing, MODIS-afgeleide fire-count inclusie voor episodische biomassaverbranding, en multi-head attention voor feature- en time-step-niveau modelgedragsinterpretatie. Dit ontwerp maakt het mogelijk om zowel de voorspellingsnauwkeurigheid als de bijdrage van geselecteerde verontreinigende, meteorologische, temporale en brandactiviteitsvariabelen te evalueren onder dezelfde Delhi-monitoringstationinstelling²⁷.

Recente ontwikkelingen in luchtkwaliteitsvoorspelling hebben steeds vaker gebruik gemaakt van hybride deep learning-modellen, aandachtsmechanismen, grafgebaseerd leren²⁸ en transformerarchitecturen om niet-lineaire temporele en ruimtelijke afhankelijkheden vast te leggen²⁹. Deze benaderingen hebben de voorspellingsprestaties verbeterd door langere afhankelijkheden te leren en adaptieve gewichten toe te kennen aan tijdstappen of invoervariabelen³⁰. Veel recente modellen zijn echter nog steeds afhankelijk van grote inputfuncties, verminderen expliciet redundante voorspellers vóór temporele modellering, of bevatten externe brandactiviteitsindicatoren niet wanneer episodische biomassaverbrandingseffecten belangrijk zijn. CORTA-Net vult deze kloof door featurescreening, transfer-learning LSTM-codering, MODIS-afgeleide fire-count-integratie en multi-head attention te combineren in één prognoseworkflow.

Deze studie presenteert CORTA-Net als een reproduceerbare hybride PM_2.5 voorspellingspijplijn in plaats van als een nieuwe neurale netwerklaag. Het framework combineert vier fasen: CorrXGBoost-Rank featureselectie, transfer-learning gebaseerde LSTM-temporele codering, MODIS-afgeleide fire-count integratie en multi-head aandachtgebaseerde model-gedragsanalyse. CorrXGBoost-Rank vermindert eerst redundante verontreinigings- en meteorologische variabelen voordat sequentiemodellering wordt gemaakt. De geselecteerde features worden vervolgens gerangschikt in schuifvenstersequenties en verwerkt met behulp van een transfer-learning LSTM-encoder. MODIS-brandtellingsvariabelen worden opgenomen als externe indicatoren van regionale brandactiviteit, en de multi-head aandachtlaag wordt gebruikt om te onderzoeken welke recente tijdstappen en inputvariabelen het sterkst bijdragen aan de voorspelling. Het kader is geschikt voor situaties waarin continue PM_{2.5-waarnemingen} beschikbaar zijn vanaf ten minste één monitoringstation, bij voorkeur met meerdere jaren aan uurgegevens. Het profiteert ook van meteorologische waarnemingen en satellietgebaseerde brandtellingen wanneer regionale invloed van biomassaverbranding relevant is. Daarom is CORTA-Net bedoeld voor datarijke stedelijke luchtkwaliteitsvoorspellingsomgevingen en is het mogelijk niet geschikt voor locaties met schaarzame, onregelmatige of kortetermijnmonitoringsgegevens.

Delhi werd gekozen als studiegebied omdat het terugkerende hoge PM₂.₅-niveaus kent tijdens de post-moesson- en winterperiodes³¹. De stad wordt getroffen door verkeer, industriële activiteit, uitstoot van woningen, meteorologische stagnatie en regionale landbouwverbranding. Vier monitoringstations werden voor deze studie gebruikt: Dwarka Sector 8, Anand Vihar, Mundka-DPCC en Sonia Vihar. Elk station vertegenwoordigt een ander type stedelijke microomgeving: woongebied, verkeersbeïnvloedingsgebied en gebied met industriële invloeden. De waarnemingen van elk meetstation tussen 2012 en 2024 zijn weergegeven in Aanvullende Figuur 1. Training van het model vond plaats op data van 2015 tot 2022, en tests op data uit 2023 voor zowel modelontwikkeling als modelvalidatie³² die werd uitgevoerd op de gegevens die in 2024 zijn verzameld. De variabelen die als invoer werden gebruikt, omvatten PM_2,5, PM₁₀, NO, NO₂, NOx, CO, benzeen, luchttemperatuur, windsnelheid, zonnestraling en barometrische druk, en werden bepaald op basis van wat beschikbaar was op de^{locatie 33}. De door de MODIS afgeleide brandtellingsgegevens werden gebruikt als externe variabele die het niveau van brandactiviteit in het gebied vertegenwoordigt. Tabel 1 bevat een samenvatting van de PM₂.₅-concentratiestatistieken van elk van de vier monitoringsstations.

Dataset	Stationsnaam	Gemiddeld	SOA	Min	25%	50%	75%	Max
1	Dwarka Sector 8	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

Tabel 1: Samenvattende statistieken van PM₂.₅-concentratie bij vier meetstations in Delhi. Tabel 1 toont de gemiddelde PM2,5 (fijne deeltjes) niveaus gemeten bij vier monitoren in Delhi. PM_2.5 bestaat uit luchtgedragen verontreinigingen kleiner dan 2,5 micron in doorsnee en is daardoor klein genoeg om gemakkelijk diep in de longen te worden ingeademd, wat verschillende potentiële gezondheidsrisico's met zich meebrengt.

Protocol

Methodologie
Er werd een begeleid schuifvenstermodel opgesteld om de toekomstige PM_2,5-waarde op tijd t + 1 te voorspellen op basis van voorgaande uurwaarnemingen. Kandidaat-invoervensterlengtes van 12, 24 en 48 uur per uur werden geëvalueerd met validatieprestaties, en de uiteindelijke CORTA-Net-configuratie gebruikte een invoersequentie van 24 uur. Lineaire interpolatie werd gebruikt om ontbrekende waarden op te vullen; uitschieters werden verwijderd met behulp van de IQR-methode; en alle variabelen werden geschaald met min-max normalisatie voordat vertraagde PM_2.5-features werden gegenereerd. De CorrXGBoost-Rank-procedure werd vervolgens toegepast voor de selectie van functies. Ten eerste, Pearson-correlatiefiltering behouden variabelen met |r| ≥ 0.30. Ten tweede zijn sterk redundante kenmerkparen met paargewijze correlatie |corr(x_i, x_j)| ≥ 0,85 werden gefilterd om multicollineariteit te verminderen. Ten derde werd een XGBoost-regressor getraind op de resterende variabelen, en voorspellers met op winst gebaseerde significantiescores ≥ 0,015 werden behouden voor de uiteindelijke modelinvoer. De uiteindelijke CORTA-Net-architectuur bestond uit gestapelde LSTM-lagen voor temporele codering, een multi-head attention layer voor feature- en time-step-niveau weging, en dichte regressielagen voor PM_2.5 schatting. Het model werd getraind met de Adam-optimizer met gemiddelde kwadratische foutverlies en vroegtijdige stop. Modelevaluatie werd uitgevoerd met RMSE en R² over training, validatie, testen en tienvoudige kruisvalidatiepartities. Tabel 2 geeft de data-preprocessing en feature engineering samenvatting weer.

Step	Gebruikte methode	Parameter / drempel	Doel
Berekening van ontbrekende waarden	Percentage ontbrekende waarnemingen	Rapporteer variabele-gewijze percentage	Kwantificeert de volledigheid van gegevens
Imputatie met korte gap	Lineaire interpolatie	Gaplengte ≤ 6 uur	Vult korte ontbrekende intervallen
Uitschieterdetectie	IQR-methode	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Verwijdert ongeldige extreme waarden
Normalisatie	Min-Max schaalvergroting	Trainingsset minimum en maximum	Standaardiseert het functiebereik
PM₂.₅ lags	Vertraagde variabelen	lag₁, lag₂, lag₃	Vangt temporele persistentie
Voortschrijdende statistieken	Voortschrijdende gemiddelden	3 uur, 6 uur, 12 uur, 24 uur	Vangt kortetermijnaccumulatie
Brandtelling-kenmerk	MODIS FIRECOUNT	Telling op dezelfde dag / vorige dag	Vertegenwoordigt regionale brandinvloed

Tabel 2: Gegevensvoorverwerking en feature engineering samenvatting. In Tabel 2 gebeurt gegevensverwerking op twee manieren: ten eerste door het schoonmaken en transformeren van de ruwe data (preprocessing), en ten tweede via feature engineering om kenmerken (features) te creëren/selecteren/wijzigen. Als eenheid helpen deze twee processen ruis te elimineren of te verminderen; omgaan met ontbrekende waarden; verbeter de consistentie van gegevens; en meer voorspellende modellen creëren.

De normalisatieparameters werden alleen geschat uit de trainingsset en vervolgens ongewijzigd toegepast op de test- en validatiesets om informatielekken te voorkomen.

Wiskundige formulering van CorrXGBoost-rank
Laat X = {x₁, x₂, ...,_{x n}} de verzameling kandidaat-invoervariabelen aanduiden, en y de doelconcentratie PM₂.₅. Voor elk kenmerk x_i werd de Pearson-correlatiecoëfficiënt met de doelvariabele berekend als:

(1)

waarbij cov(x_i, y) de covariantie is tussen kenmerk x_i en doel y, en σx_i en σy hun standaarddeviaties zijn. Behouden kenmerken die voldoen: |r_i| ≥ τ_r waarbij τ_r = 0,30 in deze studie.

Paargewijze correlaties werden berekend tussen alle behouden features_x_i, x_j, en als |corr(x_i, x_j)| >= τ_rood, waarbij τ_rood = 0,85, wordt het kenmerk met de lagere absolute correlatie met het PM_2,5-doel uit de featureset verwijderd. Dit proces vermindert variabelen uit de featureset die multicollineariteit hebben. Hierna werd een XGBoost-regressormodel aangepast aan de overige features, en werden feature-importance scores voor elk feature berekend met behulp van XGBoost importance, en features die voldeden aan i_i ≥ τ_xgb waarbij τ_xgb = 0,015 werden behouden in de uiteindelijke feature set (S") gedefinieerd als S_final = S_corr ∪ S_xgb, dat wil zeggen de feature set gedefinieerd door features te filteren op redundantie met betrekking tot correlatie en het verwijderen van features gebaseerd op de waarde van de XGBoost-variabelen. De algemene aanpak bij de featureselectie is als volgt: bepaal de feature-doel-pargewijze Pearson-correlatie, verwijder features met |r_i|< 0,30, verwijder features met paren met paargewijze correlaties ≥ 0,85, pas XGBoost aan de overige features, houd features met XGBoost Importance Score ≥ 0,015, definieer de uiteindelijk gewenste features S_final=S_corr ∪ S_xgb, waarbij S_corr de features zijn die behouden zijn na redundante correlatiefiltering, en S_xgb de features zijn die geselecteerd zijn met behulp van de feature importance score van XGBoost. De CorrXGBoost-Rank-workflow is daarom: bereken feature-target Pearson-correlatie, verwijder features met |r_i| < 0,30, verwijder sterk redundante features met paargewijze correlatie ≥ 0,85, train XGBoost op de overige variabelen, behoud variabelen met de XGBoost belangrijkheidsscore ≥ 0,015, en gebruik de unie van correlatie-geselecteerde en XGBoost-geselecteerde variabelen als uiteindelijke featureset. De parameters die in deze studie worden gebruikt, zijn τ_r = 0,30, τ_rood = 0,85 en τ_xgb = 0,015.

Gegevensbronnen
De auteurs integreerden drie grote datasets voor de studie; dit zijn gegevens over luchtverontreinigende stoffen (PM_2.5, PM₁₀, NO₂, CO en SO₂) die de auteurs hebben verkregen via CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), monitoring van luchtkwaliteit, meteorologische gegevens (temperatuur, luchtvochtigheid, windsnelheid/-richting en druk) van het Indiase meteorologische departement (IMD) en satellietinformatie over actieve branden van de MODIS Active Fire Products van NASA. Deze drie datasets beslaan de 12-jarige periode januari 2012–december 2023 en vertegenwoordigen daarmee verschillende soorten emissies. Brandincidenten dragen bij aan luchtvervuiling, zoals geïllustreerd in Aanvullende Figuur 2, die de FIRECOUNT-trends van 2012 tot 2024 toont.

Langetermijntrends van verontreinigende stoffen gedurende de studieperiode
Figuur 1 toont langetermijntrends van verontreinigende stoffen gedurende de studiejaren (2012–2024). Jaarlijkse brandaantallen en gemiddelde PM₂.₅-concentraties tussen 2012 en 2024 hebben een matig sterke positieve relatie (r = 0,688), wat aangeeft dat hogere brandactiviteit doorgaans samenhangt met hogere PM₂.₅-concentraties. Zowel gemeten als voorspelde PM₂.₅-gegevens volgen een vergelijkbare trend, wat het idee ondersteunt dat biomassaverbranding bijdraagt aan deeltjesvervuiling. Hoewel er aanzienlijke interjaarlijkse variabiliteit is, zijn brandgerelateerde emissies een belangrijke factor bij het bepalen van PM₂.₅-variabiliteit, wat de noodzaak van regionale brandbeheersing onderstreept om de luchtkwaliteit te verbeteren. De autocorrelatie van voorspelde PM_2,5 bij dertig vertragingen, weergegeven in Aanvullende Figuur 3, heeft aanzienlijke positieve autocorrelatie bij bijna alle dertig vertragingen, wat bevestigt dat PM_2,5 in Delhi een sterke temporele afhankelijkheid en meerdaagse persistentie heeft.

Figuur 1: Langetermijntrends van PM₂.₅ en brandaantallen van 2012 tot 2024. Figuur 1 vergelijkt de jaarlijkse variatie in het aantal branden met waargenomen en voorspelde PM₂.₅-concentraties. PM₂.₅ wordt gerapporteerd in μg/m³. FIRECOUNT vertegenwoordigt satelliet-gebaseerde brandactiviteit van MODIS-producten. Klik hier om een grotere versie van deze figuur te bekijken.

STL (Seasonal and Trend decomposition using Loess) decompositie
STL of Seasonal and Trend decompositie met behulp van Loess is een iteratief algoritme dat tijdreeksgegevens kan opsplitsen in drie additieve componenten zoals weergegeven in Figuur 2: trend (langetermijntrend) (Figuur 2A), (Figuur 2D), (Figuur 2G), (Figuur 2J), seizoensgebonden (cyclische perioden) (Figuur 2B), (Figuur 2E), (Figuur 2H), (Figuur 2K), en rest (ruis/residu) (Figuur 2C), (Figuur 2F), (Figuur 2I), (Figuur 2L). STL heeft bewezen succesvol te zijn in het omgaan met de complexe niet-lineaire kenmerken van omgevingsgegevens (zoals PM_2.5), waarvoor veel andere analysetechnieken faalden door variabele amplitudes in het seizoenssignaal en door het bestaan van uitschieters. LOESS-gladmaking maakt een nauwkeurige scheiding van deze componenten mogelijk, wat een duidelijkere interpretatie van trends of patronen oplevert. Door STL-verwerking is het mogelijk om de bredere opwaartse PM_2.5-trends te scheiden van de kortere dagelijkse/seizoenscycli en van de grillige residuen binnen die cycli. Deze scheiding maakt het mogelijk te identificeren welke emissies PM_2,5 hebben beïnvloed, in tegenstelling tot welke meteorologische factoren PM_2,5 hebben beïnvloed. De resultaten van deze scheiding helpen bij het nauwkeurig voorspellen van toekomstige PM_2.5-uitstoot ; gegevens verstrekken voor regelgevende beslissingen; en voldoen aan de normen die zijn vastgesteld voor rigoureuze ontleding van tijdreeksgegevens voor luchtkwaliteitsstudies³⁴. Gemiddelde dagelijkse PM_{2,5-concentratiemetingen} bij meetstations in Delhi van 2012–2024 geven minimale veranderingen in PM_2,5-niveaus aan (d.w.z. geen significante verandering van 2022–24) en uiterst beperkt consistent gedrag (of consistentie in PM_2,5-niveaus tussen de vier meetlocaties). De PM_2,5-niveaus in Dwarka Sector 8 en Mundka-DPCC laten een aanhoudende neerwaartse trend zien (d.w.z. blijven dalen), terwijl Anand Vihar een stijgende trend vertoont (d.w.z. aanzienlijk toenemend), en Sonia Vihar een lichte opwaartse trend vertoont (van een zeer kleine stijging sinds 2022). Daarnaast gaven de residuen van de dagelijkse PM_{2,5-concentraties} voor elk van de vier meetstations aan dat de PM_{2,5-concentraties} sterk werden beïnvloed door seizoensgebonden (meteorologische) veranderingen, wat leidde tot grote schommelingen in de gemiddelde dagelijkse PM_{2,5-concentraties} voor individuele stations. Dagelijkse PM_{2,5-concentraties} voor de vier monitoringstations in Delhi (2012–2024) worden weergegeven in Figuur 2.

Figuur 2: STL (Seasonal and Trend decomposition using Loess) decompositie van dagelijkse PM₂.₅-concentraties op vier meetstations in Delhi van 2022–2024. De tijdreeks voor elk meetstation is verdeeld in drie additieve componenten: langetermijntrend, seizoensvariatie en residu (rest). (A) Trendcomponent voor Dwarka Sector 8. (B) Seizoenscomponent voor Dwarka Sector 8. (C) Restcomponent voor Dwarka Sector 8. (D) Trendcomponent voor Anand Vihar. (E) Seizoenscomponent voor Anand Vihar. (F) Restcomponent voor Anand Vihar. (G) Trendcomponent voor Mundka-DPCC. (H) Seizoenscomponent voor Mundka-DPCC. (I) Restcomponent voor Mundka-DPCC. (J) Trendcomponent voor Sonia Vihar. (K) Seizoenscomponent voor Sonia Vihar. (L) Restcomponent voor Sonia Vihar. STL, seizoensgebonden en trenddecompositie met behulp van Loess. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2 toont de temporele ontbindingen van dagelijkse PM2,5-concentraties op vier stedelijke meetlocaties in 2022-2024, en toont patronen van langdurige dalingen, geleidelijke stijgingen en grote dagelijkse veranderingen. Deze verschillen kunnen grotendeels worden toegeschreven aan de fysieke effecten van het weer, d.w.z. veranderingen in de hoogte van de planetaire grenslaag (PBL), zoals uitzetting overdag die verticale spreiding verhoogt en concentraties verlaagt, en nachtelijke contractie, waardoor verontreinigende stoffen dicht bij de grond blijven en 's nachts een hogere piek ontstaan. Andere meteorologische invloeden komen van lokale menselijke activiteitemissies gerelateerd aan hun grootste uren (ochtend-/avondpieken), industrieën en hun interacties met: locatie-specifieke factoren, zoals lokale topografie, windsnelheid, relatieve luchtvochtigheid en seizoen (d.w.z. grotere correlatie in de winter) die de stationspecifieke veranderingen veroorzaken en de algehele langetermijndalingen kunnen zijn beïnvloed door regelgevende controles op emissies, wat leidt tot neerwaartse trends in het algemeen.

Correlatie tussen de kenmerken
Figuur 3 toont de verdeling van alle invoerfuncties die in het CORTA-Net-model worden gebruikt. In panelen tonen verontreinigingsvariabelen (PM₁₀ (Figuur 3A), NO₂ (Figuur 3B), CO (Figuur 3C), SO₂ (Figuur 3D)) rechtsgetrokken verdelingen die typisch zijn voor stedelijke luchtkwaliteitsgegevens, terwijl O₃ (Figuur 3E) en druk (Figuur 3I) bijna normale patronen^{vertonen 35}. Temperatuur (Figuur 3F) toont een duidelijke bimodale seizoensstructuur, de luchtvochtigheid (Figuur 3G) volgt een brede, uniforme spreiding, en windsnelheid (Figuur 3H) toont een lichtstaartverdeling. Deze patronen benadrukken het heterogene statistische gedrag van de voorspellers en rechtvaardigen de noodzaak van feature engineering en normalisatie vóór modeltraining.

Figuur 3: Verdeling van inputkenmerken gebruikt in het CORTA-Net model, inclusief concentraties luchtverontreiniging en meteorologische variabelen. De verdelingen illustreren de statistische kenmerken van de voorspellers voorafgaand aan preprocessing en modeltraining. (A) PM₁₀ concentratie. (B) NO₂ concentratie. (C) CO-concentratie. (D) SO₂ concentratie. (E) O₃ concentratie. (F) Luchttemperatuur. (G) Relatieve luchtvochtigheid. (H) Windsnelheid. (I) Atmosferische druk. Verontreinigingsvariabelen, met name PM₁₀, NO₂, CO en SO₂, vertonen rechts vertekende verdelingen zoals typisch voor stedelijke luchtkwaliteitsgegevens, terwijl O₃ en atmosferische druk ongeveer normale verdelingen tonen. De temperatuur vertoont een bimodaal seizoenspatroon, de luchtvochtigheid is breed verdeeld en de windsnelheid concentreert zich op lagere waarden met een lichtstaartverdeling. Deze heterogene feature-verdelingen ondersteunen het gebruik van feature engineering en normalisatie vóór modelontwikkeling. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4 toont de winst-gebaseerde feature-importance-rangschikking van XGBoost Rank na CorrXGBoost-Rank preprocessing voor PM₂.₅ voorspelling. De huidige feature-importance grafiek toont aan dat de vorige dag PM₂.₅ de hoogst gerangschikte voorspeller is met een belangrijkheidsscore van 0,280, gevolgd door PM₁₀ = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, windsnelheid = 0,070, temperatuur = 0,040, luchtvochtigheid = 0,030 en dag van het jaar = 0,020. De gestippelde verticale lijn geeft de werkelijke XGBoost-functieselectiedrempel van 0,015 aan. Voorspellers met belangrijkheidsscores hoger dan of gelijk aan 0,015 werden behouden voor de definitieve CORTA-Net invoerset, terwijl voorspellers onder deze drempel, waaronder SO₂ = 0,010, O₃ = 0,010, druk = 0,005, neerslag = 0,005, weekend = 0,002 en feestdag = 0,001, werden uitgesloten. Deze waarden vertegenwoordigen de op winst gebaseerde feature-importance scores van XGBoost en moeten niet worden geïnterpreteerd als Pearson-correlatiecoëfficiënten of causale effecten.

Daarom werden alleen de kenmerken die een bijdrage boven deze drempel ontvingen, in het model opgenomen. XGBoost-modellen gebruiken een ensemble van beslissingsbomen, die iteratief een boom bouwen om een verliesfunctie te minimaliseren, bekend als gradient boosting. XGBoost berekent het belang van features met behulp van een van drie meetpunten: gain (hoeveel de splitsing van de feature de modelprestaties verbetert), gewicht (hoe vaak de functie als splitsing voor een boom is gekozen), of dekking (het aantal waarnemingen dat door de splitsing wordt beïnvloed). Het XGBoost-model is gebaseerd op gegevens met betrekking tot luchtkwaliteit (verontreinigingen, meteorologische variabelen) en richt zich op achtergebleven PM_2.5 om PM_2.5 automatisch regressief te voorspellen, wat gebruikelijk is in PM_2.5-modellen voor Delhi, en helpt de temporele persistentie van PM_2.5 vast te leggen. Delhi_PM_2.5 is een belangrijke factor vanwege de hoge autocorrelatiekenmerken van fijne deeltjes, die ook wijzen op de aanwezigheid van een traagheid van vervuiling door de consistente emissiebronnen. Windsnelheid is een belangrijke factor omdat het het mechanisme biedt voor de verspreiding van de verontreinigende stoffen; terwijl lage wind ervoor zorgt dat verontreinigende stoffen zich in de winter ophopen wanneer inversies aanwezig zijn. NO₂ is gecorreleerd met PM_2.5 vanwege het verkeer/de uitstoot, terwijl de dag van het jaar een indicatie is van de jaarlijkse emissiecyclus van verontreinigende stoffen (d.w.z. lagere uitstoot in het weekend). In Delhi heeft PM_2.5 een hoge zelfpersistentie door de stagnerende wintermeteorologie en voortdurende emissies van voertuigen, industrie en biomassa²⁸. Wind helpt bij de verspreiding van aerosolen, maar zwakke wind < 2 m/s droeg bij aan een toename van de opbouw van PM_2,5 door inversies. De relatie tussen NO₂ en PM_2.5 is het gevolg van hun gemeenschappelijke oorsprong (d.w.z. verbranding) en is onderhevig aan temporele invloeden (bijv. dagelijks versus wekelijks)³⁶. De vier belangrijkste factoren die 93% of meer van de variatie in AQI verklaren, zijn variaties in de concentraties van verontreinigende stoffen door vertraagde ophoping van PM_2,5 (93%+) en lage windsnelheden die de uitstoot vasthouden, de uitstoot van NO₂/PM van voertuigen en industrie, en dagelijkse variaties in de hoeveelheid verkeer³⁷. Daarnaast is de geografie van Delhi een bijdragende factor aan het aanhouden van inversies in het gebied en verergert daardoor ook de concentraties PM_2,5 . Hyperparameterafstemming, regularisatie en het toevoegen van extra variabelen (zoals temperatuur) zouden helpen de kans op overfitting te beperken en de algehele modelprestaties verbeteren. Het implementeren van operationele strategieën om PM-emissies te verminderen zou het dagelijks vaststellen van PM-emissies, het gebruik van apparaten die realtime monitoring van PM mogelijk maken, en het gebruik van wind om PM door de stedelijke groene ruimte te verspreiden, moeten omvatten.

Figuur 4: XGBoost gain-based feature-importance ranking na CorrXGBoost-Rank feature screening voor PM₂.₅ forecasting. De voorspellerstaven zijn in aflopende volgorde van belangrijkheid gerangschikt. De gestippelde verticale lijn geeft de werkelijke XGBoost-functieselectiedrempel van 0,015 aan. Voorspellers met scores ≥ 0,015 werden behouden voor de definitieve CORTA-Net invoerset, terwijl voorspellers onder deze drempel werden uitgesloten. De rangschikking wordt gebruikt voor feature-screening en interpretatie van modelgedrag en moet niet worden geïnterpreteerd als causale toeschrijving. Klik hier om een grotere versie van deze figuur te bekijken.

CORTA-net modelarchitectuur
Figuur 5 presenteert een voorgestelde PM_2.5 voorspellingskader. Aanvullende Figuren 4 en 5 illustreren de interne indeling van de LSTM-eenheid en een weergave van het Multi-Head Attention blokdiagram. Alle databronnen (d.w.z. omgevingsomstandigheden, meteorologische waarnemingen, brandactiviteit en zowel temporele als contextuele aspecten van data) zijn voorbewerkt om te waarborgen dat ze tijdelijk overeenkomen, ontbrekende gegevens worden toegerekend (indien nodig), en zijn onderworpen aan zowel verwijdering als normalisatie van uitschieters voordat ze worden ingezet in modelbouwprocessen. De architectuur van het model, feature engineering, trainingsconfiguratie, dataconfiguratie, transfer learning, evaluatiemetrics, toekomstvoorspellingen en implementatiedetails worden weergegeven in Aanvullende Tabel 1. Met behulp van de CorrXGBoost-Rank-module wordt de optimale set kenmerken bepaald voordat een deelverzameling hiervan wordt ingevoerd in de LSTM-architectuur, die is verbeterd door de toevoeging van multi-head aandachtslagen om rekening te houden met tijdreeksgedrag tijdens de modelleringsfase. Zowel de PM_2.5 voorspelling als PM_2.5 kenmerken het belang van de inputfuncties, evenals meervoudige hoofd aandachtsgewichten als aandachtkaarten, werden als output geleverd. De interne LSTM-eenheidsstructuur en het multi-head aandachtsblokdiagram zijn respectievelijk opgenomen als aanvullende figuren 4 en 5, terwijl aanvullende tabel 1 de architectuurparameters voor elk laagtype binnen deze architectuur weergeeft.

Figuur 5: Algemene architectuur van het CORTA-Net PM₂.₅ prognosemodel. Een invoervoorspellingsproces omvat invoer van luchtkwaliteitsindicatoren, weerindicatoren, tijdindicatoren en MODIS (Moderate Resolution Imaging Spectroradiometer) brandtellingsindicatoren. Voor elk van deze stappen stemde het algoritme tijdstempels uit, behandelde ontbrekende waarden, filterde uitschieters, normaliseerde data en engineerde functies. De uiteindelijke voorspellers werden vervolgens geselecteerd met behulp van het CorrXGBoost-Rank-proces. Vervolgens werden de geselecteerde functies geplaatst in tijdsequentie-schuifvensters en door een LSTM (Long Short-Term Memory) encoder gestuurd met behulp van transfer learning. Voor elke feature en tijdstap past het multi-head aandachtmechanisme gewichten toe voordat de gecombineerde output naar de laatste regressiedichte laag wordt gestuurd om de PM₂.₅-voorspelling te produceren. Klik hier om een grotere versie van deze figuur te bekijken.

Training en evaluatie
Een schuifvensterbenadering werd gebruikt om begeleide leersequenties te vormen. Training gebruikte Adam-optimizer en gemiddeld kwadratisch foutverlies (Aanvullende Tabel 2). De modelprestaties werden geëvalueerd met RMSE en R² over trainings-, validatie-, test- en crossvalidatiepartities. De architectuur van het model, feature engineering, trainingsconfiguratie, dataconfiguratie, transfer learning, evaluatiemetrics, toekomstvoorspellingen en implementatiedetails zijn in tabellen weergegeven in aanvullende tabel 1. Figuur 6 stelt de trainingsdiagnostiek voor het CORTA-Net PM₂.₅ voorspellingsmodel. In panelen toont Figuur 6A de trainings- en validatieverliescurves, met progressieve foutreductie, met optimale stoptijd bij epoch 106. De evolutie van de generalisatiekloof tijdens een evaluatie van een overfit-analyse wordt geïllustreerd door de divergentie tussen validatie- en trainingsdata in Figuur 6B. In het bijzonder toont het periodes waarin de divergentie vooraf gedefinieerde limieten overschrijdt; deze informatie levert bewijs dat het leergedrags- en verliesreductiepatronen de voordelen van geplande leersnelheid (LR) afname op kritieke tijdperken illustreren als middel om convergentiestabiliteit te verbeteren, zoals weergegeven in Figuur 6C. Gezamenlijk geven deze figuren een samenvatting van de leerdynamiek, generalisatiecapaciteit en aanbevolen trainingsconfiguratie van het model.

Figuur 6: Trainingsdiagnostiek voor het CORTA-Net PM₂.₅ voorspellingsmodel. (A) Trainings- en validatieverliescurves die een progressieve afname van fouten tijdens modeltraining tonen, met vroege stopzetten bij epoch 106 op basis van validatieprestaties. (B) Generalisatiekloof tussen trainings- en validatieverlies over tijdperken heen, wat de evolutie van modelgeneralisatie en periodes van verhoogde divergentie illustreert die wijzen op mogelijke overfitting. (C) Leersnelheidsschema dat het effect van geplande leersnelheidsafname op optimalisatie gedurende de training toont. (D) Samenvatting van modelconvergentiegedrag, waarbij stabiele optimalisatie wordt aangetoond en de uiteindelijke trainingsconfiguratie die voor het CORTA-Net model is gekozen. Samen illustreren deze diagnostiek de dynamiek, convergentiekenmerken en generalisatieprestaties van het model tijdens de training. Klik hier om een grotere versie van deze figuur te bekijken.

Resultaten

Kenmerken selectie en prognoseresultaten
De CorrXGBoost-Rank-procedure koos vertraagde PM₂.₅, windsnelheid, luchtvochtigheid, temperatuur, temporele indicatoren en MODIS-afgeleide brandtelling als significante voorspellers van luchtkwaliteit. Elk van deze variabelen houdt rekening met het voortbestaan van vervuiling, verspreiding door meteorologische omstandigheden, seizoensverschillen in vervuilingsniveaus en regionale invloed van branden. Redundante variabelen werde...

Discussie

CORTA-Net combineert drie kerncomponenten in een reeks om een hybride architectuur te vormen. CorrXGBoost-Rank: Een aangepaste feature-selectiecomponent die redundante voorspellers elimineert vóór de temporele modelleringsfase³⁸. LSTM-encoder: Gebruikt gestapelde LSTM-lagen om korte- en langetermijn-temporele afhankelijkheden vast te leggen in de geselecteerde 24-uurs invoersequentie³⁹. Multi-head Attention Layer: Toegepast op de LSTM-outpu...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Calibri-lettertype	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	Gebruikt als de gevraagde basistypografie voor gecorrigeerde figuurdiagrammen en labels.
CORTA-Net figuur-generatie scripts	Aangepaste scripts voor dit CORTA-Net project	URL: https://github.com/saravagnamahasiva/CORTA-Net	Gebruikt om publicatiekwaliteit figuur PDF's opnieuw te genereren met gecorrigeerde labels en volgorde.
CORTA_Net_High_Resolution_Images.zip	Door de gebruiker verstrekte project afbeeldingsarchieven	Catalogusnummer/RRID: Niet van toepassing; lokale bronarchieven	Gebruikt als de bron-/referentie-afbeeldingsset en om de figuuridentiteit te bepalen.
GitHub	GitHub, Inc.	URL: https://github.com/	Gebruikt als de beoogde repository-host voor projectcode en figuur-generatiebestanden.
Matplotlib	Matplotlib Development Team	RRID: SCR_008624; URL: https://matplotlib.org/	Gebruikt om grafieken, diagrammen, labels, paneelmarkeringen en vector PDF-figuren opnieuw te tekenen.
NumPy	NumPy ontwikkelaars	RRID: SCR_008633; URL: https://numpy.org/	Gebruikt voor deterministische arrays en gesimuleerde waarden in gegenereerde figuurpanelen.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Gebruikt om te assisteren bij code-bewerkingen, figuurregeneratie, PDF-verpakking en verificatie.
Pillow	Pillow bijdragers	URL: https://python-pillow.org/	Gebruikt om rasterafbeeldingen te inspecteren, verkleinen, voorbeeldweergaven te maken en te valideren.
Poppler	Poppler ontwikkelaars / freedesktop.org	URL: https://poppler.freedesktop.org/	Gebruikt om gegenereerde PDF's weer te geven naar PNG-voorbeelden voor visuele kwaliteitscontroles.
pypdf	pypdf bijdragers	URL: https://pypdf.readthedocs.io/	Gebruikt om te verifiëren dat elke definitieve figuur PDF één geldige pagina bevat.
Python	Python Software Foundation	RRID: SCR_008394; URL: https://www.python.org/	Gebruikt als programmeeromgeving voor figuurgeneratie en PDF-verwerking.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Gebruikt om de verplichte materialen/tools/software-tabel als een PDF-artefact te maken.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	Gebruikt voor bestandsorchestratie, archiefextractie en definitieve ZIP-verpakkingscommando's.