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 werden verwijderd vóór sequentiemodellering om onnodige inputdimensionaliteit te verminderen. CORTA-Net werd geëvalueerd met behulp van gemiddelde absolute fout, wortelgemiddelde kwadraatfout en determinatiecoëfficiënt. Op de Delhi dagelijkse dataset behaalde het model RMSE = 3,19 en R² = 0,983. Op de Daily Delhi Climate trainingspartitie behaalde het model RMSE = 4,98 en R² = 0,845. In de doel-testset scatteranalyse toonden waargenomen en voorspelde PM₂.₅-waarden Pearson r = 0,942 en R² = 0,873. Deze waarden verwijzen naar verschillende evaluatiepartities en moeten niet worden behandeld als uitwisselbare modelbrede resultaten.

Figuur 7 dient nu als een enkele geconsolideerde visuele weergave van de CORTA-Net testprestaties op de testgegevens. De tijdreekssectie toont aan dat er een uitstekende correlatie is tussen het werkelijke en het voorspelde PM_2.5-niveau op de testdataset gedurende de evaluatieperiode, inclusief episodische hoogvervuilingsgebeurtenissen zoals Diwali en verbrandingsincidenten door gewasresten. Ter ondersteuning hiervan toont de scatterplot aan dat er een sterke lineaire correlatie is tussen de werkelijke en voorspelde waarden (Pearson's r = 0,942, R² = 0,873), wat wijst op een extreem hoog niveau van voorspellende nauwkeurigheid.

Voorspelling van prestaties
De residugrafieken tonen aan dat fouten ongeveer normaal rond nul verdeeld zijn, met slechts enkele geïsoleerde fouten tijdens extreme vervuilingspieken. Dit ondersteunde sterk de statistische robuustheid en het ontbreken van bias in de CORTA-Net-modellen. CORTA-Net toonde een RMSE van 3,19 en een^R2 van 0,983 aan op de dagelijkse Delhi-dataset en een RMSE van 4,98 en een^R2 van 0,844 op de Daily Delhi Climate Train-dataset. Deze metingen, in combinatie met het bovenstaande bewijs, bevestigden dat CORTA-Net zowel geleidelijke trends als plotselinge afwijkingen in PM_2,5-niveaus nauwkeurig modelleerde.

De nauwkeurigheid van voorspellingen van PM_{2,5-concentraties} was geëvalueerd met drie methoden: een tijdgebaseerde evaluatie van de tijdsgevalideerde nauwkeurigheid van de modellenvoorspellingen van PM_{2,5-concentratie} , een tijdsgebaseerde correlatie van de voorspelde en werkelijke PM_{2,5-concentraties} , en een foutbeoordeling op basis van statistische analyse. De temporele evaluatie, waarbij PM_2,5 en temporele PM_2,5 voorspelde waarden werden vergeleken (Figuur 7A), toonde de relatie over tijd tussen de daadwerkelijk gemeten PM_{2,5-concentraties} en de door het model voorspelde PM_{2,5-concentraties} en toont enkele significante PM_{2,5-voorkomens} (bijv. het Diwali-festival en stoppelbrandperiode) die in deze periode plaatsvonden. De correlatie tussen door het model voorspelde PM_{2,5-concentraties} vergeleken met gemeten PM_{2,5-concentraties} levert bewijs van een zeer hoge correlatie (Pearson r = 0,942 en R2 = 0,873), met een zeer sterke overeenstemming tussen voorspelde PM_{2,5-concentraties} en de daadwerkelijk gemeten concentraties, wat aangeeft dat het PP-FRC-model een nauwkeurige en betrouwbare voorspeller is van PM_{2,5-concentraties} (Figuur 7B). De kurtosisverdeling van de residuen (Figuur 7C) toonde kleine fouten over de tijd met geïsoleerde dagen met hoge fouten, terwijl de residuale verdeling ongeveer normaal was (Figuur 7D), en de gemiddelde en mediane residuele fouten bijna nul waren, wat aangeeft dat de voorspellingsfouten van het model onbevooroordeeld en statistisch goed gedroegen.

Figuur 7: Voorspellende prestaties van het CORTA-Net-model op de onafhankelijke testdataset. PM₂.₅-concentraties worden gerapporteerd in μg/m³. (A) Temporele vergelijking van waargenomen en voorspelde PM₂.₅-concentraties, wat een nauwe overeenstemming toont tussen gemeten en modelvoorspelde waarden, ook tijdens grote vervuilingsperiodes. (B) Scatterplot van voorspelde versus waargenomen PM₂.₅-concentraties, met sterke voorspellende prestaties (Pearson r = 0,942; R² = 0,873). (C) Temporele verdeling van residuen (voorspellingsfout) over de testperiode, wat over het algemeen kleine fouten aangeeft met een beperkt aantal gebeurtenissen met hoge fouten. (D) Verdeling van residuen, met een ongeveer normale verdeling gecentreerd nabij nul, met gemiddelde en mediane residuen dicht bij nul, wat wijst op onbevooroordeelde en goed gedragen voorspellingsfouten. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7 toont de voorspellende prestaties van CORTA-Net op de doeltestset. De tijdreeksgrafiek toonde de overeenstemming tussen waargenomen en voorspelde PM₂.₅-waarden, inclusief perioden van verhoogde deeltjesconcentratie. De scatterplot toonde de associatie tussen voorspelde en waargenomen PM_2,5-waarden . De residuele grafieken toonden aan dat de meeste voorspellingsfouten zich nabij nul bevinden, met grotere afwijkingen tijdens periodes van hoge vervuiling.

Kruisvalidatie
Tienvoudige kruisvalidatie toonde beperkte variatie tussen vouwen, wat robuustheid aantoonde onder niet-stationaire atmosferische omstandigheden. Het model toonde een sterke voorspellende capaciteit. Voorspelde PM₂.₅-waarden komen nauw overeen met waargenomen waarden. Residuen vertoonden minimale bias en een benaderende normaliteit. Figuur 8 gaf een overzicht van de prestaties van het model onder veel omstandigheden en in de tijd, met RMSE-, MAE- (gemiddelde absolute fout) en R2 (determinatiecoëfficiënt) in 10-weg kruisvalidatie. In panelen Figuur 8A en Figuur 8B werd aangetoond dat RMSE en MAE een lage variabiliteit vertonen over alle kruisverificatie trainings-/validatiegaten, wat wijst op stabiele voorspellende nauwkeurigheid. Paneelfiguur 8C toont consequent hoge^R2-waarden (~0,92 voor training en ~0,89 voor validatie) over alle kruisvalidaties, wat aangeeft dat het model een hoge verklarende kracht en zeer lage intra-model variantie heeft tussen de verschillende kruisvalidaties. Figuur 8D toonde aan dat de gemiddelde waarde over al deze maten weinig generalisatiekloof vertoonde, wat suggereert dat het model consequent goed presteerde ongeacht hoe de data werd verdeeld.

Figuur 8: Vouwgewijze prestaties van het CORTA-Net-model met 10-voudige kruisvalidatie. De prestaties werden geëvalueerd met behulp van de wortelgemiddelde kwadraatfout (RMSE), gemiddelde absolute fout (MAE) en de bepalingscoëfficiënt (R²). Foutbalken geven de standaardafwijking over vouwen weer waar van toepassing. (A) RMSE-waarden per vouw voor de trainings- en validatiedatasets, waarbij consequent lage voorspellingsfouten over alle vouwen worden aangetoond. (B) MAE-waarden per vouw voor de trainings- en validatiedatasets, wat stabiele voorspellende prestaties aangeeft met minimale variatie tussen vouwen. (C) Vouwgewijze ^R2-waarden voor de trainings- en validatiedatasets, die een consistent hoge verklarende kracht tonen over alle kruisvalidatievouwen. (D) Gemiddelde prestatiemetrics en generalisatiekloof tussen trainings- en validatiedatasets, waarmee consistente modelprestaties en goede generalisatie worden aangetoond ongeacht dataverdeling. Klik hier om een grotere versie van deze figuur te bekijken.

Aandacht-gebaseerde interpreteerbaarheid
Multi-head attention werd gebruikt om te onderzoeken welke recente tijdstappen en inputvariabelen het sterkst hebben bijgedragen aan de PM_{2.5-voorspelling} . Sommige aandachtshoofden benadrukten kortetermijngeheugen voor verontreinigende stoffen via vertraagde PM_2,5-waarden , terwijl anderen meer gewicht gaven aan meteorologische variabelen gerelateerd aan verspreiding, zoals windsnelheid en luchtvochtigheid. Brandaantalvariabelen kregen ook meer aandacht tijdens vervuilingsperiodes die overeenkomen met regionale biomassaverbrandingsinvloeden. Deze aandachtskaarten moeten worden geïnterpreteerd als indicatoren van modelgedrag in plaats van als causale verklaringen. De resultaten suggereerden dat het model zowel de recente vervuilingsgeschiedenis als milieucovariaten gebruikt bij het maken van voorspellingen.

Modelconfiguratie	Selectie van functies	Overdrachtsleren	Meervoudige aandacht	Vuurtelling-invoer	RMSE ↓	MAE ↓	R² ↑
LSTM-baseline	Nee	Nee	Nee	Nee	7.56	5.52	0.905
+ CorrXGBoost-Rank	Ja	Nee	Nee	Nee	4.24	3.10	0.970
+ Transfer learning	Ja	Ja	Nee	Nee	3.89	2.84	0.975
+ Aandacht met meerdere hoofden	Ja	Ja	Ja	Nee	3.48	2.54	0.980
Volledig CORTA-Net	Ja	Ja	Ja	Ja	3.19	2.33	0.983

Tabel 3: Componentgewijze ablatie-analyse van CORTA-Net. Tabel 3 evalueert elk architectonisch element binnen een systeem door één of meer componenten te verwijderen of te wijzigen en prestatiewijzigingen te meten. Dit geeft aan welke architecturale componenten het meest effectief zijn, bevestigt architecturale beslissingen en laat zien hoe de verschillende componenten met elkaar interageren om de nauwkeurigheid, robuustheid, efficiëntie en algehele effectiviteit van het netwerk te verbeteren.

Tabel 3 presenteert de componentgewijze ablatie-analyse van CORTA-Net. De LSTM-baseline werd verkregen RMSE = 7,56, MAE = 5,52 en R² = 0,905. Het toevoegen van de CorrXGBoost-Rank functieselectie verlaagde de RMSE tot 4,24, wat aangeeft dat het verwijderen van redundante en zwak relevante voorspellers de voorspellingsprestaties verbeterde. Transfer learning verlaagde RMSE verder tot 3,89, wat aangeeft dat vooraf getrainde temporepresentaties de modelstabiliteit verbeterden. Door gebruik te maken van multi-head attention werd de RMSE verlaagd van 3,48 naar 3,19, waardoor^de R2-waarde verbeterde van 0,980 naar 0,983, wat wijst op een grote verbetering in temporele voorspellingen door het gebruik van feature- en tijdstapniveaugewichten in combinatie met de andere componenten van het CORTA-Net model (d.w.z. CorrXGBoost-Rank, Transfer Learning, Multi-Head Attention en MODIS Fire Count Inputs). Al met al toonden de verbeteringen de bijdragen aan van featureselectie, temporeel overdrachtsleer, aandachtgebaseerde sequentieweging en fire-activiteit aan de implementatie en prestaties van het CORTA-Net model.

Selectie van functies	Temporele Sequentiemodellering	Transfer Learning	Aandachtgebaseerde modelgedragsanalyse	Brandactiviteit Input	Belangrijkste Rol in Vergelijking
Geen expliciete CorrXGBoost-Rank	Nee	Nee	Nee	Nee	Klassieke niet-lineaire machine learning-basislijn
Alleen interne boomgebaseerde belangrijkheid	Nee	Nee	Nee	Nee	Gradiëntversterkende basislijn voor tabel-voorspellers
Nee	Ja	Nee	Nee	Nee	Terugkerende temporele basislijn
Nee	Ja	Nee	Ja	Nee	Aandacht-gebaseerde terugkerende basislijn
Ja	Ja	Ja	Ja	Ja	Voorgesteld hybride voorspellingsraamwerk

Tabel 4: Belangrijke verschillen tussen CORTA-Net en baseline voorspellingsmodellen. Tabel 4 toont aan dat het huidige model dat voor voorspellingen wordt gebruikt CORTA-Net is, wat meer geavanceerde technieken mogelijk maakte om temporele kenmerken te extraheren en de mogelijkheid om adaptief te observeren op basis van wat belangrijk was om complexe temporele patronen uit tijdreeksdatasets vast te leggen. CORTA-Net leerde dynamisch hoe het veel verschillende tijdschalen kon relateren om een grotere algehele nauwkeurigheid, robuustheid en het vermogen om generalisaties te maken te realiseren dan traditionele basisvoorspellingstechnieken.

De verschillen tussen de CORTA-Net methodologieën en de vergelijkingsbaselinemodellen worden weergegeven in Tabel 4. Random Forest en XGBoost kunnen worden gebruikt om een niet-lineaire machine learning baseline-methode te bieden, maar missen de directe modellering van sequentiële afhankelijkheden. LSTM's werden gebruikt als een terugkerende temporele basislijnmethode, terwijl Attention-LSTM's aandachtgebaseerde weging boden zonder expliciet screeningsfuncties, met transfer learning of het integreren van vuuractiviteiten. Daarentegen verwerkt CORTA-Net vier aspecten van eerdere baselines in één prognosepijplijn: (1) CorrXGBoost-Rank featureselectie; (2) overdrachtsleren LSTM-coderingen; (3) aandacht met meerdere hoofden; (4) en MODIS-afgeleide branden tellen als invoergegevens.

Basisvergelijking
Naast kwantitatieve basislijnvergelijkingen (afzonderlijk aangeleverd met gemiddelde vouwverschillen, standaardfouten en 95% betrouwbaarheidsintervallen), beoordeelden de auteurs ook de interne werking van CORTA-Net via het aandachtsmechanisme. Aandachtsgewichten die aan elke invoerfunctie zijn toegekend (over tijdsstappen en meerdere aandachtshoofden) worden weergegeven in Figuur 9. In Figuur 9A toont de groep een representatieve verdeling van aandachtsgewichten die aan een van de testdataset-instanties zijn toegekend. Zoals te zien is in deze figuur, hoewel bepaalde inputkenmerken (bijv. PM2.5 bij t-1, t-2 en t-3) lagere relatieve gewichten zouden hebben dan andere voorspellers, zouden ze nog steeds de hoogste aandacht/gewichten krijgen, wat aantoont dat CORTA-Net meer aandacht besteedt aan kortetermijn-temporele afhankelijkheid dan aan langetermijngeheugen-afhankelijkheid. In Figuur 9B geven de onderzoekers geaggregeerde beoordelingen van het relatieve belang van alle inputkenmerken over alle testmonsters bij het voorspellen van PM_2,5 voor Delhi; bij vertraagde PM_2.5 worden windsnelheid, temperatuur en brandstand aangewezen als de belangrijkste voorspellende inputkenmerken. In Figuur 9C demonstreren de auteurs de multi-head attention patronen van CORTA-Net, waarbij elk hoofd verschillende, maar complementaire, temporele en/of feature-niveau relaties tussen de inputfeatures vastlegt, waardoor het een rijkere weergave van de inputfeatures kan leren. In Figuur 9D illustreren de auteurs de tijdstappende stroom van aandacht in de tijd ten opzichte van PM₁₀, waarbij wordt aangetoond hoe aandacht in de tijd varieert op basis van de PM_10-niveaus. Hoewel de aandachtsgewichten kunnen worden geïnterpreteerd als indicatoren van algemene patronen van CORTA-Nets verwerking van sequentieel verstrekte omgevingsgegevens, evenals de prioritering van elk sequentieel gegeven kenmerk, leveren de aandachtsgewichten geen direct bewijs van causale relaties. Ze gaven echter geen inzicht in hoe CORTA-Net sequentieel milieugegevens levert, wat de interpreteerbaarheid van de voorspellingen verbetert (Aanvullende Tabel 3).

Figuur 9: Aandachtsgebaseerde visualisaties van het gedrag van het CORTA-Net-model. Aandachtsgewichten worden getoond om te illustreren hoe het model focus verdeelt over inputkenmerken en tijdsstappen tijdens voorspelling, en moeten worden geïnterpreteerd als indicatoren van modelgedrag in plaats van als bewijs van causale relaties. (A) Enkelvoudige aandachtskaart die aandachtsgewichten toont die aan invoerkenmerken zijn toegekend en recente historische waarnemingen voor een individuele voorspelling. (B) Geaggregeerde feature-belangrijkheid gebaseerd op aandachtsgewichten over de testdataset, waarbij de relatieve bijdrage van elke invoervariabele aan PM₂.₅-voorspelling wordt benadrukt. (C) Meervoudige aandachtspatronen die aantonen hoe verschillende aandachtshoofden complementaire representaties op kenmerk- en temporeel niveau vastleggen. (D) Temporele aandachtsverdeling die het relatieve belang van historische tijdstappen tijdens de voorspelling aangeeft. Over het algemeen kregen achterstand PM₂.₅, FIRECOUNT, windsnelheid (WDS), luchtvochtigheid en temperatuur de hoogste aandachtgewichten, wat hun belang in het voorspellingsproces van het model aangeeft. Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullende Figuur 6A–B vergelijkt CORTA-Net met basismodellen met MAE, RMSE en R². Lagere MAE- en RMSE-waarden duiden op een lagere voorspellingsfout, terwijl hogere R² beter verklaarde variantie aangeeft. CORTA-Net vertoonde een lagere voorspellingsfout dan de geëvalueerde baselinemodellen onder dezelfde experimentele partitie. De vergelijking moet echter worden geïnterpreteerd binnen de geselecteerde Delhi-monitoringstationdataset en dezelfde pre-processing pipeline. Aanvullende Figuur 7 vat de relatieve rangorde van CORTA-Net en baselinemodellen samen over de gerapporteerde metrics. Aanvullende Figuur 8 benadrukt de belangrijkste componenten die bijdragen aan modelprestaties, waaronder featureselectie, transfer learning, temporele sequentiemodellering en multi-head attention.

De evaluatie die de prestaties van CORTA-Net vergelijkt met enkele basismodellen wordt gedaan in aanvullende figuur 7A–C met behulp van een radarkaart, die het enige model toont dat hoger (of lager dan zijn tegenhangers) meet over alle gemeten gebieden (omgekeerde RMSE, omgekeerde MAE en R^2-waarden ). CORTA-Net behaalde de beste algemene ranking in Aanvullende Figuur 7B en stond bovendien bovenaan voor verschillende andere gemeten meetpunten. Aanvullende Figuur 7C toont de prestatieverbeteringen tussen CORTA-Net en de meerdere baselines, gemeten met CORTA-Net, en toont aanzienlijke winsten ten opzichte van de baselines in deze studie. De meest significante verbetering is te zien in RMSE (22,8%), gevolgd door MAE (24,1%) en R^2-waarden (39,3 tot 72,2% stijging voor het verklaren van variantie in elk resultaat). Het samenvattingsvak van CORTA-Net geeft een overzicht van de sterke punten. Deze omvatten het vermogen om multi-headed attention toe te passen om het belang te beoordelen, temporele fusie van sensorgegevens om toekomstige verontreinigingen te voorspellen, weerstand tegen veranderingen in vervuilingsgebeurtenissen (bijvoorbeeld zware stormen) en consistente prestaties over alle succesmaatstaven in een crossfunctionele omgeving. CORTA-Net presteert beter dan alle andere huidige deep-learningmodellen op basis van zijn voorspellende vermogen.

BESCHIKBAARHEID GEGEVENS:
Gegevens over de luchtkwaliteit in deze studie zijn afkomstig uit openbaar toegankelijke monitoring door de Central Pollution Control Board en het Delhi Pollution Control Committee, waar beschikbaar. Meteorologische gegevens werden verkregen uit archieven van het India Meteorological Department of overeenkomstige bronnen van openbare meteorologische gegevens. Satelliet-gebaseerde brandtellingsgegevens zijn afgeleid van het MODIS actieve brandproduct. Voor het rapport zijn de verwerkte datasets, geselecteerde featurelijsten, normalisatieparameters en code die nodig is om de gerapporteerde experimenten te reproduceren beschikbaar via de link in de manuscriptrepository: https://github.com/saravagnamahasiva/CORTA-Net. Het manuscript benadrukt reproduceerbaarheid door duidelijke identificatie te geven van de databron(nen), preprocessingstappen, drempels voor featureselectie, modelcomponent(en), evaluatiepartitie(s) en gerapporteerde metrics. Het model wordt geëvalueerd met chronologische trainings-, test- en validatiepartitionen. Preprocessingparameters werden afgeleid uit trainingsdata en vervolgens toegepast op zowel test- als validatiegegevens. Resultaten worden gegeven als bevindingen die specifiek zijn voor hun respectievelijke verdelingen, en algemenere claims worden vermeden.

Aanvullende Figuur 1: Studiegebiedkaart van Delhi. Studiekaart van Delhi toont de locaties van de vier luchtkwaliteitsmeetstations (Dwarka Sector 8, Anand Vihar, Mundka-DPCC en Sonia Vihar) die in deze studie zijn opgenomen voor PM₂.₅ gegevensverzameling en modelontwikkeling. Klik hier om dit bestand te downloaden.

Aanvullende figuur 2: Jaarlijkse trend van FIRECOUNT-cijfers (2012–2024). Brandincidenten dragen bij aan luchtvervuiling, zoals blijkt uit de FIRECOUNT-trends van 2012 tot en met 2024. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 3: Autocorrelatiefunctie (ACF) plot voor uurlijkse PM₂.₅. De autocorrelatie van voorspelde PM_2,5 bij 30 vertragingen toont een sterke positieve autocorrelatie bij bijna alle vertragingen, wat bevestigt dat PM2,5 in Delhi een sterke temporele afhankelijkheid en meerdaagse persistentie vertoont. Klik hier om dit bestand te downloaden.

Aanvullende figuur 4: Interne structuur van een LSTM-eenheid. Een LSTM (Long Short-Term Memory) netwerk lost het langetermijnafhankelijkheidsprobleem van standaard Recurrent Neural Networks (RNN's) op door de informatiestroom te reguleren via een toegewijde celtoestand die fungeert als een geheugentransportband. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 5: Multi-Head Attention blokdiagram. Multi-head attention verlengt zelf-aandacht door de input op te splitsen in meerdere heads, waardoor het model diverse relaties en patronen kan vastleggen. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 6: Algehele prestatievergelijking van CORTA-Net en basisvoorspellingsmodellen. De modelprestaties werden geëvalueerd met behulp van gemiddelde absolute fout (MAE), wortelgemiddelde kwadratische fout (RMSE) en de determinatiecoëfficiënt (R²). Lagere MAE- en RMSE-waarden duiden op een lagere voorspellingsfout, terwijl hogere ^R2-waarden beter verklaarde variantie aangeven. (A) Vergelijkende prestaties van CORTA-Net en de geëvalueerde baselinemodellen gebaseerd op MAE-, RMSE- en R 2-metrieken. (B) Algemene vergelijking die de relatieve voorspellende prestaties van de geëvalueerde modellen onder dezelfde experimentele datapartitie benadrukt. CORTA-Net behaalde lagere voorspellingsfouten en betere verklarende prestaties dan de geëvalueerde basismodellen. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 7: Vergelijkende prestatie-analyse van CORTA-Net en baselinemodellen met behulp van meerdere evaluatiemetrics. (A) Radargrafiek die genormaliseerde modelprestaties vergelijkt op basis van omgekeerde RMSE, inverted MAE en R², en de algehele superioriteit van CORTA-Net over de geëvalueerde metrics aantoont. (B) Relatieve prestatierangschikking van CORTA-Net ten opzichte van basismodellen, waarmee de consequent toppositie wordt benadrukt. (C) Procentuele verbetering van CORTA-Net ten opzichte van de geëvalueerde basismodellen voor MAE, RMSE en R², met aanzienlijke verbeteringen in voorspellende nauwkeurigheid en verklaarde variantie. (D) Samenvatting van de belangrijkste kenmerken van CORTA-Net, met nadruk op het multi-head attention mechanisme, temporele featurefusie, robuustheid tegen vervuilingsgebeurtenissen en consequent superieure voorspellende prestaties over alle evaluatiemetrics. Klik hier om dit bestand te downloaden.

Aanvullende Figuur 8: Vergelijking van trainings- en validatieverlies over tijdperken heen. Dit toont progressieve modelconvergentie en stabiele generalisatie aan met minimale overfitting. Klik hier om dit bestand te downloaden.

Aanvullende Tabel 1: Architectuur van het voorgestelde CORTA-Net model. Overzicht van de CORTA-Net-architectuur, inclusief elk netwerkcomponent, laagspecificaties, activatiefuncties en het bijbehorende aantal trainbare parameters dat wordt gebruikt voor PM₂.₅-voorspellingen. Klik hier om dit bestand te downloaden.

Aanvullende Tabel 2: Hyperparameterinstellingen en trainingsconfiguratie van het voorgestelde CORTA-Net model. Samenvatting van het architecturale ontwerp, hyperparameterinstellingen, trainingsconfiguratie, feature engineeringstrategie, datapreprocessing, transfer learning-setup en evaluatieparameters die zijn gebruikt om het voorgestelde model te ontwikkelen en te optimaliseren. Klik hier om dit bestand te downloaden.

Aanvullende Tabel 3: Prestatievergelijking van het voorgestelde model met basisvoorspellingsmethoden. Vergelijking van conventionele machine learning- en deep learning-modellen met het voorgestelde kader op het gebied van featureselectie, aandachtsmechanisme, transfer learning en voorspellende prestaties, gemeten met RMSE, MAE en R². Klik hier om dit bestand te downloaden.

Aanvullende tabel 4: Vergelijking van eerdere PM₂.₅ voorspellingsstudies en de voorgestelde aanpak. Samenvatting van representatieve PM₂.₅ voorspellingsstudies, waarin hun methodologieën, datasets, belangrijke inputkenmerken, inclusie van brandactiviteit, voorspellende prestaties, interpreteerbaarheid, gerapporteerde beperkingen en hoe het voorgestelde CORTA-Net-kader deze beperkingen aanpakt, worden benadrukt. Klik hier om dit bestand te downloaden.

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-output (met de bijbehorende aandachtsgewichten) als onderdeel van de laatste stap van het CORTA-Net hybride sequentiemodel; verbetert de interpreteerbaarheid van de uiteindelijke output zonder de rol van de primaire LSTM-backbone⁴⁰ te vervangen. De LSTM-encoder leert temporele afhankelijkheden uit de geselecteerde schuifvenstersequentie. De CORTA-Net is ontworpen om een hybride sequentiemodelleringsbenadering te bieden waarbij CorrXGBoost-Rank redundante voorspellers snoeit. De Multi-Head Attention Layer bood een gewogen aggregatie van alle LSTM-outputs en produceerde zowel de PM_{2.5-voorspellingen} als de bijbehorende aandachtsgewichten. De drie componenten van CORTA-Net verschillen aanzienlijk van pure transformatorarchitectuur, terwijl CORTA-Net LSTM (recurrent) netwerken gebruikt om sequentie-leren te modelleren, recurrente netwerken de belangrijkste basis vormen voor sequentiële leermethoden en aandacht fungeert als een verklarend mechanisme.

Er zijn vier hoofdbeperkingen van het CORTA-Net framework. Ten eerste was de evaluatie van het model gebaseerd op verschillende meetstations in heel Delhi, waardoor prestaties mogelijk niet worden gegeneraliseerd naar steden met verschillende emissiebronnen, klimaatomstandigheden of monitoringsdichtheid/configuratie/etc. Ten tweede, hoewel brandtellingen uit satellietgegevens een proxy bieden voor brandvariabelen, geven ze mogelijk geen volledige weergave van brandintensiteit, pluimtransport of chemische transformaties. Ten derde kunnen unidirectionele sensoren, ontbrekende gegevens en veranderingen bij individuele meetstations of predisponerende monitoringsnetwerken de kwaliteit/betrouwbaarheid van tijdreeksgegevens beïnvloeden. Ten vierde, hoewel aandacht informatief is, impliceert het geen causaal verband. Verdere evaluatie vereist het gebruik van CORTA-Net binnen andere onafhankelijke steden en aanvullende monitoringsnetwerken. In een poging de nauwkeurigheid van schattingen van regionale luchtvervuilingstransporten te verbeteren door gebruik te maken van nieuwe technologieën, hebben onderzoekers een vervoerbewust kader ontwikkeld. Het framework integreert aanvullende data zoals feature-extractie uit meteorologische en remote sensing-datasets, kwaliteitscontrole van data, bijna realtime data-opname, onzekerheidsschatting en frequente modelkalibratie⁴¹. Het onderzoeksteam heeft een uitgebreide reeks computationele tools ontwikkeld om deze problemen aan te pakken, waaronder adaptieve optimizers voor modeltraining en parameterafstemming, transfer learning om bestaande data te benutten om de voorspellende capaciteit te verbeteren, sequentiële tijdreeksmodelleringstechnieken, aandachtgebaseerde modellering en modelinterpretatie. Daarnaast maakt de integratie van verklaarbare AI in het CORTA-Net-framework het mogelijk om voorspellingen direct te koppelen aan wetenschappelijke kennis over de belangrijkste bijdragende factoren aan luchtvervuiling. Zo maakt verklaarbare AI het mogelijk om brandactiviteit in de post-moessonperiode te identificeren als een belangrijke bijdrage aan luchtvervuiling. Kruisvalidatie van modelprestaties (Delhi RMSE = 3,19, R² = 0,983) bevestigt de effectiviteit van CORTA-Net, terwijl aandachtsgebaseerde visualisaties van modeloutput aangeven dat patronen van belang voor besluitvormers en volksgezondheidsprofessionals kunnen worden waargenomen. Ten slotte zou het gebruik van brandtellingen en niet-gecontroleerde emissiegegevens als input in het CORTA-Net-kader inherent de generaliseerbaarheid van de resultaten naar andere regio's verminderen, aangezien het gebruik van snel of slecht gemonitorde bronnen de implementatie van het CORTA-Net-raamwerk⁴² ernstig kan verstoren.

De grafische weergave in Figuur 10 stelt besluitvormers en onderzoekers in staat de relaties tussen modellen/systemen die zijn ontwikkeld met verschillende methodologieën voor PM₂.₅-voorspellingen te visualiseren, waarbij kleurgecodeerde balken RMSE (kortere balken = grotere nauwkeurigheid) en R² (langere balken = grotere variabiliteit meegenomen) vertegenwoordigen, met modellen georganiseerd op benadering (stadsaggregatie, stationspecifiek, multivariate reeksen). De grafische weergaven van diepte tonen aan dat geen enkel model voorspelbaar presteert boven alle categorieën; CORTA-Net presteerde consequent beter dan vergelijkbare modellen op stedelijke, hoge ruis, stationniveau-datasets met aanzienlijke lokale variabiliteit, terwijl MxConnect over het algemeen superieure regionale gemiddelde resultaten leverde over ruimtelijk grovere datasets, wat het belang illustreert van het selecteren van modellen op basis van de schaal van de te analyseren data (d.w.z. grootte van datasets) ruimtelijke resolutie van datasets (d.w.z. congestieniveau) ruisniveaus in datasets (d.w.z. nauwkeurigheid) of lokale variantie. In feite is de uniciteit van CORTA-Net het gebruik van adaptieve featureweging, ingebed in een recurrente sequentiële aandachtmechanisme, om redundante inputs of inputs met hoge willekeurige ruis tijdens temporele verwerking dynamisch te deweighten. Dit wordt bereikt door adaptieve feature-weging in een op maat gemaakt aandachtsgebaseerd gatingontwerp in te sluiten, in tegenstelling tot de meeste benaderingen die tegenwoordig worden gebruikt, die sterk hebben vertrouwd op statische heuristische benaderingen (d.w.z. correlatie of PCA-drempels) vóór de toepassing van een model als preprocessingstap (Figuur 10A). Deze adaptieve, contextgevoelige prioriteringsbenadering die in CORTA-Net wordt gebruikt, biedt de mogelijkheid om realtime aanpassingen te maken ten opzichte van lokale dynamiek in stedelijk weefsel, waar eenvoudigere en minder complexe modellen ontworpen met globaal getrainde datasets betere prognoseresultaten voor landniveaugemiddelden kunnen opleveren. De vergelijkende grafische weergaven in Figuur 10B identificeren gezamenlijk de relatie tussen modelbenchmarking en geven onderzoekers en besluitvormers richting bij het selecteren van modellen voor hun specifieke toepassing (d.w.z. kunnen aanvullende onderzoeksmogelijkheden identificeren met betrekking tot kortetermijnvoorspellingen van PM₂.₅)

Figuur 10: Vergelijking van de voorspellende prestaties van CORTA-Net en basisvoorspellingsmodellen. De modelprestaties werden geëvalueerd met behulp van gemiddelde absolute fout (MAE), wortelgemiddelde kwadratische fout (RMSE) en de determinatiecoëfficiënt (R²). Lagere MAE- en RMSE-waarden duiden op een betere voorspellende nauwkeurigheid, terwijl hogere ^R2-waarden een grotere verklaarde variantie aangeven. (A) Vergelijkende prestaties van alle geëvalueerde modellen gebaseerd op MAE, RMSE en R², met een algemene beoordeling van voorspellende nauwkeurigheid en modelfit. (B) Prestatievergelijking van de best presterende modellen, waarbij de relatieve sterke en beperkte punten van CORTA-Net en benchmarkbenaderingen worden benadrukt. Al met al toont de vergelijking de concurrentieprestaties van CORTA-Net aan, terwijl het intuïtieve evaluatie van verschillende modelarchitecturen voor PM₂.₅-voorspellingen faciliteert. Klik hier om een grotere versie van deze figuur te bekijken.

De vergelijking toont aan dat CORTA-Net een hybride PM₂.₅ prognoseworkflow is in plaats van een zelfstandige transformatorarchitectuur (aanvullende tabel 4). Nieuwe transformatorarchitecturen hebben aangetoond dat ze aanzienlijk kunnen leren langeafstands-temporele afhankelijkheden, maar hybride CNN-RNN en transformer-LSTM-architecturen verhogen de voorspellingsefficiëntie door de sterke punten van elke neurale architectuur te benutten (zoals weergegeven in Tabel 5). In tegenstelling tot CORTA-Net vertrouwen veel bestaande hybride CNN-RNN en transformer-LSTM modellen op het sequentiemodel om te leren van de volledige invoerfunctie in plaats van expliciete feature-screening uit te voeren vóór temporele modellering, terwijl CORTA-Net externe MODIS-brandtalgegevens gebruikt om biomassaverbrandingsinvloeden te modelleren. Het gebruik van aandachtsgewichten door CORTA-Net om te beoordelen hoe elke voorspeller meespeelt in de cumulatieve bijdrage van de voorspellers, in relatie tot tijd (d.w.z. tijdsgeaggregeerde weging), en de drie verschillende fasen dragen allemaal bij aan de totale fout die bij CORTA-Net geassocieerd is, waarbij de combinatie van alle drie de laagste fout heeft gemeten ten opzichte van de Delhi-monitoringsstationdataset onder evaluatie⁴³. Samenvattend integreren de praktische bijdragen van CORTA-Net reproduceerbaar vier relevante gebieden van kortetermijnvoorspelling van PM₂.₅: featureselectie, temporele overdrachtsleer, externe vuuractiviteitsverrijking en aandacht-gebaseerde interpretatie. Groepeer resultaten per model en databron (ERA5 reanalyse wereldwijd naar multivariabele sted-specifieke stedelijkheid) (Figuur 10), waarbij onderzoekers gemakkelijk kunnen vergelijken hoe de prestaties van elk model zich verhouden tot elk van de acht belangrijkste variabelen die verband houden met de algehele goedheid van hoe goed elk model PM₂.₅-concentraties voorspelt.

Belangrijkste modelcomponenten	Gerapporteerde beste numerieke resultaten	Belangrijk verschil met CORTA-Net
ARIMA voor lineaire component, CNN-LSTM voor niet-lineaire component, mestkeveroptimaliseerder voor hyperparameterafstemming	RMSE = 7,594, 14,940, 7,841 en 5,496; MAE = 5,285, 10,839, 5,120 en 3,770; R² = 0,989, 0,962, 0,953 en 0,953 in vier steden	Sterk hybride AQI-model, maar het richt zich op AQI- en modeloptimalisatie; het bevat geen expliciete CorrXGBoost-Rank screening of MODIS-vuurtellingintegratie
Transformatorencoder, BiLSTM-decoder, SHAP-gebaseerde interpretatie	Beijing: 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	Legt kort- en langetermijnafhankelijkheden van AQI vast, maar gebruikt voornamelijk gegevens over de concentratie van verontreinigende stoffen en gebruikt geen MODIS fire-count variabelen of pre-sequence CorrXGBoost-Rank reductie
LSTM, transformator-zelfaandacht, deeltjeszwermoptimalisatie	Beste seizoensgebonden instelling: R² = 0,98745 en 0,95655 voor twee steden; gerapporteerde low-error waarden omvatten MAE = 0,83363 en RMSE = 1,0176 in de beste instelling	Sterk geoptimaliseerd Transformer-LSTM-model, maar de belangrijkste nieuwigheid is PSO-gebaseerde optimalisatie in plaats van het verwijderen van feature-redundantie en verrijking door brandactiviteit
CNN-LSTM met Kolmogorov-Arnold Netwerkcomponenten en geografisch bewustzijn	Shanghai: RMSE = 1,9222 en R² = 0,9832; Beijing: RMSE = 2,5213, met 59,6% lager RMSE dan de basis LSTM	Sterk geografisch bewust AQI-model, maar het behandelt niet specifiek Delhi PM₂.₅ voorspellingen en neemt geen MODIS-brandtelling toe voor biomassaverbrandingsperiodes
Klassieke machine-learning regressoren met grid-search optimalisatie	GBR: RMSE = 2,31; RF: MAE = 0,47 en RMSE = 2,95; XGBR: R² = 0,9781	Nuttige machine learning-benchmark, maar modellen vertegenwoordigen niet expliciet sequentiële temporele afhankelijkheid via LSTM of aandacht
LSTM geoptimaliseerd met behulp van het Sparrow Search Algorithm; vergeleken met CNN-LSTM, CNN-BiLSTM en PSO-LSTM	SSA-LSTM: RMSE = 8,601, MAE = 6,317, R² = 0,946; PSO-LSTM: RMSE = 8,860, R² = 0,944; basislijn LSTM: RMSE = 12,481, R² = 0,884	Toont de waarde van geoptimaliseerde LSTM, maar gebruikt geen multi-head attention, transfer-learning adaptation of satellietvuuractiviteitsvariabelen
Transformatormodel met clustergebaseerde onderbemonstering voor onevenwichtige hoogvervuilingsgebeurtenissen	Beste configuratie: RMSE = 2,080, MAE = 1,386, R² = 0,914	Sterk voor high-event PM₂.₅ voorspelling, maar de nadruk ligt op onevenwichtigheidsbeheer in plaats van geïntegreerde featureselectie, transfer learning, fire-count verrijking en aandachtgebaseerde interpretatie
Alleen LSTM-temporele encoder	RMSE = 7,56, MAE = 5,52, R² = 0,905	Gebruikt als de interne temporele basislijn onder dezelfde experimentele setting in Delhi
LSTM met correlatie- en XGBoost-gebaseerde functieselectie	RMSE = 4,24	Toont aan dat het verwijderen van redundante en zwakke voorspellers de voorspelling vóór sequentielering verbetert.
Functieselectie, transfer-learning LSTM en multi-head aandacht	RMSE = 3,48, R² = 0,980	Toont de toegevoegde waarde van op aandacht gebaseerde temporele en feature-weging

Tabel 5: Methodologische vergelijking van CORTA-Net met recente en bestaande PM₂.₅/AQI-voorspellingsmodellen. Het voorgestelde kader verschilt fundamenteel van recente transformatorgebaseerde of hybride PM₂.₅ voorspellingsmethoden. Een sterkere vergelijking met de recente stand van de techniek.

De belangrijkste bijdrage van deze studie is een hybride deep-learningbenadering genaamd CORTA-Net, die een geïntegreerde methode biedt voor het voorspellen van kortetermijnconcentraties van PM_2,5 in New Delhi, India, dat een complexe gebouwde omgeving kent. In plaats van te vertrouwen op gesplitste modellen die bestaan uit drie zelfstandige componenten (een feature-selectiemodule gebaseerd op CorrXGBoost-Rank om redundantie te minimaliseren; een LSTM versterkt door transfer learning om de niet-stationariteit van temporele afhankelijkheden te coderen; en een multi-head attention-mechanisme om interpreteerbare, lange- en kortetermijnvoorspellingen te bereiken), gebruikt CORTA-Net een pijplijn-gebaseerde aanpak om deze componenten synergetisch te integreren. Dit kader verwerkt de invoer van meteorologische variabelen, MODIS-brandtellingen en gegevens over de omgevingsluchtkwaliteit in een poging een meer uitgebreide weergave te creëren van de factoren die bijdragen aan PM_{2.5-vervuiling} . CORTA-Net presteerde significant beter dan gevestigde baselines (Random Forest, XGBoost, LSTM en aandachtgebaseerde LSTM) met behulp van rigoureuze evaluatiemetrics, waaronder^hoge R2-waarden (0,983) en lage RMSE-waarden (3,19). Deze studies toonden aan dat alle elementen van CORTA-Net significant bijdroegen aan de modelprestaties. Het multi-head attention-mechanisme van CORTA-Net leverde extra waarde aan deze studie, omdat het liet zien dat de belangrijkste voorspellers recente PM_2.5-metingen , brandtellingen en meteorologische metingen waren, wat goed aansluit bij bekende atmosferische processen en ook een betekenisvolle mate van interpreteerbaarheid aan dit model biedt.

Ondanks de veelbelovende resultaten erkennen de auteurs dat er enkele beperkingen zijn, waaronder een geografische beperking (alleen New Delhi) en een uitsluitend afhankelijkheid van MODIS-brandtellingen als thermische proxy voor RS-gegevens. Toekomstig onderzoek zal zich richten op het valideren van de prestaties van CORTA-Net in diverse stedelijke locaties, evenals op het integreren van vervoersbewustzijnskenmerken, zoals grenslaaghoogtes en windtrajecten, in het modelleringsproces om de generaliseerbaarheid te vergroten. Desalniettemin geloven de auteurs dat CORTA-Net een zeer levensvatbaar, reproduceerbaar en interpreteerbaar kader is ter ondersteuning van datagedreven beleidsvorming en vroegtijdige waarschuwingssystemen. Het vermogen van CORTA-Net om sterke prestaties te behalen in een datarijke maar complexe stedelijke omgeving, New Delhi, suggereert dat CORTA-Net klaar is om breed geïmplementeerd te worden, waarmee de basis ligt voor het ontwikkelen van een nieuwe standaard in stedelijke luchtkwaliteitsvoorspelling.

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.