Hybrydowe Uczenie Głębokie z Interpretowalnością Opartą na Uważności dla Prognozowania PM2.5 w Miejskich Środowiskach Delhi

Podsumowanie

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, hybrydowy framework uczenia głębokiego do prognozowania krótkoterminowych PM₂.₅ w Delhi. Model łączy selekcję cech CorrXGBoost-Rank, transfer learning z sieciami pamięci krótkotrwałej i długotrwałej oraz wielogłową uwagę na poziomie czasowym i cech do interpretacji i wykorzystuje dane dotyczące jakości powietrza, meteorologiczne i pochodzące z satelitów dane dotyczące liczby pożarów, aby poprawić prognozowanie PM_2.5 .

Streszczenie

Prognozowanie krótkoterminowe PM_2,5 w Delhi jest wyzwaniem, ponieważ stężenia cząstek zawieszonych są wpływowane przez emisje lokalne, różnice meteorologiczne, sezonowe stagnacje oraz epizodyczne zanieczyszczenie związane z pożarami. Niniejsze badanie przedstawia CORTA-Net, hybrydową sieć głębokiego uczenia się dla prognozowania PM_2,5 z wykorzystaniem danych środowiskowych z wielu źródeł od 2012 do 2024 roku. Dane wejściowe obejmują godzinowe obserwacje jakości powietrza z monitoringowych stacji CPCB (Central Pollution Control Board) /DPCC (Delhi Pollution Control Committee), zmienne meteorologiczne z Indian Meteorological Department (IMD) oraz informacje o liczbie pożarów pochodzące z satelitów, pochodzące z produktów MODIS (Moderate Resolution Imaging Spectroradiometer). Proponowana metoda najpierw stosuje wybór funkcji CorrXGBoost-Rank w celu redukcji redundancji predykcji i zachowania ważnych zanieczyszczeń, zmiennych meteorologicznych, czasowych i związanych z pożarami. Wybrane cechy są następnie ułożone jako nadzorowane sekwencje suwakowe i przetwarzane za pomocą kodera LSTM opartego na transferowaniu uczenia, następnie przez warstwę uwagi wielowątkowej. Mechanizm uwagi zapewnia interpretację na poziomie funkcji i kroków czasowych prognozy PM_2,5. CORTA-Net zostało wycenione przy użyciu chronologicznych partycji do trenowania, testowania i walidacji, a także walidacji krzyżowej. W porównaniu z lasami losowymi, XGBoost, LSTM oraz baseline attention-LSTM, zaproponowano metodę, która zmniejszyła błąd predykcji w ocenionym środowisku monitoringowym Delhi. Nowatorstwo CORTA-Net polega na połączeniu wyraźnego wyszukiwania funkcji CorrXGBoost-Rank, kodowania czasowego opartego na transferowaniu uczenia, integracji aktywności pożarów MODIS oraz analizy zachowania modelu opartego na wielowątkowej uwadze w jednej, powtarzalnej metodzie prognozowania PM_2,5. Praktycznie, metoda ta może wspierać krótkoterminowe prognozowanie jakości powietrza w mieście w bogatym w dane środowisku monitoringowym, gdzie dane o zanieczyszczeniach, obserwacje meteorologiczne i wskaźniki aktywności pożarów są dostępne.

Wprowadzenie

Drobne cząstki szczegółowe o średnicy aerodynamicznej ≤ 2,5 µm (PM_2,5) są istotnym problemem jakości powietrza w Delhi, ponieważ są one wpłynięte przez emisje lokalne^1,2,3, transport regionalny⁴, sezonowe warunki meteorologiczne⁵, i epizodyczne zdarzenia spalenia biomasy⁶. Podczas okresów po monsunie i zimy⁷, niska prędkość wiatru⁸, płytkie warunki warstwy granicznej⁹, oraz inwersja temperatury mogą zmniejszać rozproszenie zanieczyszczeń i zwiększać gromadzenie cząstek. Prognozowanie krótkoterminowe PM_2,5 jest wyzwaniem z powodu charakterystycznego nieliniowego, sezonowego i nagłego wysoko zanieczyszczonego zjawiska w szeregach czasowych¹⁰. Poprzednie badania nad prognozowaniem PM_2,5 wykorzystywały modele statystyczne, modele uczenia maszynowego i modele sieci neuronowych¹¹. Metody statystyczne mogą być przydatne w określaniu trendów i sezonowych zmian w danych¹², ale mogą nie być w stanie w pełni uwzględnić nieliniowych interakcji między zanieczyszczeniami a meteorologią¹³. Modele uczenia maszynowego, takie jak lasy losowe i XGBoost, mogą być użyte do modelowania nieliniowych relacji¹⁴; jednak, zazwyczaj nie mają zależności czasowej, chyba że zaprojektowane są opóźnione cechy. Długoterminowe sieci neuronowe (LSTM) są zdolne do modelowania zarówno zależności czasowych, jak i nieliniowych relacji¹⁵.

Długoterminowe sieci neuronowe z pamięcią krótkoterminową mogą modelować wzorce czasowe¹⁶, ale ich wydajność może być ograniczona przez warunki niewspółmierne i nagłe epizody zanieczyszczenia¹⁷. Ostatnie podejścia oparte na uważności i transformatorach poprawiają reprezentację czasową¹⁸, ale wiele z nich przetwarza wszystkie zmienne kandydackiej bezpośrednio i zapewnia ograniczoną kontrolę nad redundancją cech przed modelowaniem sekwencji^19,20. Chociaż modele oparte na transformatorach i hybrydowe modele uczenia głębokiego ostatnio poprawiły prognozowanie PM_2,5 oraz AQI²¹, ich wkłady często koncentrują się na uczeniu się reprezentacji czasowych²², budowie grafu przestrzennego²³, fuzji modeli²⁴, lub optymalizacji. Wiele takich modeli bezpośrednio wykorzystuje dostępny wielowymiarowy zestaw wejściowy i kładzie główne obciążenie uczenia na modelu sekwencji²⁵. Może to zwiększyć redundancję wejścia, zmniejszyć interpretowalność i utrudnić identyfikację, czy poprawy pochodzą z modelowania czasowego, przesiewania cech, zewnętrznych wskaźników środowiskowych, czy uwzględnienia wag opartych na uważności. CORTA-Net jest zatem pozycjonowany jako ramowy system prognozowania na poziomie przepływu pracy, a nie nowa samodzielna warstwa sieci neuronowej²⁶. Jego różnica polega na uporządkowanej integracji czterech etapów: przesiewanie cech CorrXGBoost-Rank przed modelowaniem sekwencji, kodowanie LSTM oparte na uczeniu przenoszeniu dla adaptacji czasowej, uwzględnienie liczby pożarów MODIS dla wpływu epizodycznego spalenia biomasy, oraz wielogłowa uwaga dla interpretacji zachowania modelu na poziomie cech i kroków czasowych. Ta konstrukcja pozwala ramowym systemom oceniać zarówno dokładność prognozowania, jak i wkład wybranych zmiennych zanieczyszczeń, meteorologicznych, czasowych i aktywności pożarów w tym samym otoczeniu stacji monitorującej Delhi²⁷.

Ostatnie osiągnięcia w prognozowaniu jakości powietrza coraz częściej wykorzystują hybrydowe modele uczenia głębokiego, mechanizmy uważności, uczenie oparte na grafie²⁸, i architektury transformatorów, aby uchwycić nieliniowe zależności czasowe i przestrzenne²⁹. Podejścia te poprawiły wydajność prognozowania poprzez uczenie się dłuższych zależności czasowych i przypisywanie adaptacyjnych wag kрокam czasowym lub zmiennym wejściowym³⁰. Jednak wiele ostatnich modeli nadal zależy od dużych zestawów cech wejściowych, nie zmniejsza wyraźnie redundancji predyktory przed modelowaniem czasowym, lub nie uwzględnia zewnętrznych wskaźników aktywności pożarów, gdy epizodyczne efekty spalenia biomasy są istotne. CORTA-Net radzi sobie z tą luką poprzez łączenie przesiewania cech, kodowania LSTM opartego na uczeniu przenoszeniu, integracji liczby pożarów MODIS, i wielogłowej uwagi w jednym przepływie prognozowania.

To badanie przedstawia CORTA-Net jako powtarzalny hybrydowy system prognozowania PM_2,5 zamiast nowej warstwy sieci neuronowej. Ramowy system łączy cztery etapy: selekcję cech CorrXGBoost-Rank, enkodowanie czasowe LSTM oparte na uczeniu przenoszeniu, integrację liczby pożarów MODIS i analizę zachowania

Protokół

Methodologia
Zbudowano nadzorowany model przesuwnej okna, aby przewidzieć przyszłą wartość PM_2.5 w momencie t + 1 na podstawie poprzednich godzinowych obserwacji. Ocena wyników walidacji wykazała, że oceniane długości okien wejściowych kandydatów wynosiły 12, 24 i 48 godzinnych kroków czasowych, a ostateczna konfiguracja CORTA-Net korzystała z 24-godzinnej sekwencji wejściowej. Do wypełnienia brakujących wartości użyto interpolacji liniowej; wartości skrajne usunięto za pomocą metody IQR; a wszystkie zmienne były skalowane za pomocą normalizacji min-max przed wygenerowaniem opóźnionych cech PM_2.5 . Następnie zastosowano procedurę CorrXGBoost-Rank do wyboru cech. Po pierwsze, filtrowanie korelacji Pearsona zachowało zmienne o |r| ≥ 0,30. Po drugie, wysoce redundantne pary cech o współczynniku korelacji par |corr(x_i, x_j)| ≥ 0,85 zostały wyfiltrowane, aby zmniejszyć multikolinearność. Po trzecie, regressor XGBoost został przetrenowany na pozostałych zmiennych, a przewidywania z wynikami ważności opartymi na zysku XGBoost ≥ 0,015 zostały zachowane dla ostatecznego wejścia do modelu. Ostateczna architektura CORTA-Net składała się z zwykłych warstw LSTM do kodowania czasowego, warstwy uwagi wielogłowej do ważenia cech i kroków czasowych oraz gęstych warstw regresji do estymacji PM_2.5. Model był trenowany za pomocą optymalizatora Adam z średniokwadratową funkcją strat i wcześniejszym stopowaniem. Ocena modelu została przeprowadzona przy użyciu RMSE i R² w zakresie treningu, walidacji, testowania i 10-krotnej walidacji krzyżowej. Tabela 2 przedstawia podsumowanie przetwarzania danych i inżynierii cech.

Krok	Stosowana metoda	Parametr / próg	Cel
Obliczenie brakujących wartości	Procent brakujących obserwacji	Procent brakujących wartości według zmiennej	Ilościowa ocena kompletności danych
Krótka luka w danych	Interpolacja liniowa	Długość luki ≤ 6 h	Wypełnia krótkie braki danych
Wykrywanie wartości skrajnych	Metoda IQR	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Usuwa nieważne wartości skrajne
Normalizacja	Skalowanie min-max	Min i max w zbiorze treningowym	Standaryzuje zakres cech
Luki PM₂.₅	Opóźnione zmienne	lag₁, lag₂, lag₃	Rejestruje trwałość czasową
Statystyki ruchome	Średnie ruchome	3 h, 6 h, 12 h, 24 h	Rejestruje krótkotrwałą akumulację
Funkcja liczby pożarów	MODIS FIRECOUNT	Liczbę z tego samego dnia / poprzedniego dnia	Reprezentuje regionalny wpływ pożarów

Tabela 2: Podsumowanie przetwarzania danych i inżynierii cech. W tabeli 2 przetwarzanie danych jest realizowane na dwa sposoby: pierwszy, poprzez czyszczenie i transformację danych surowych (przetwarzanie), a drugi, poprzez inżynierię cech, aby stworzyć/wybrać/zmodyfikować cechy. Te dwa procesy razem pomagają wyeliminować lub zmniejszyć szum; obsłużyć braki danych; poprawić spójność danych; i stworzyć bardziej predykcyjne modele.

Parametry normalizacji zostały oszacowane tylko na podstawie zbioru treningowego, a następnie zastosowane bez zmian do zbiorów testowych i walidacji, aby uniknąć wycieku informacji.

Matematyczne ujęcie CorrXGBoost-rank
Niech X = {x₁, x₂,..., x_n} oznacza zbiór kandydatów do zmiennych wejściowych, a y oznacza docelową koncentrację PM₂.₅. Dla każdej cechy x_i, współczynnik korelacji Pearsona z cechą docelową został obliczony jako:

 (1)

gdzie cov(x_i, y) to kowariancja między cechą x_i a docelową y, a σx_i i σy to ich odchylenia standardowe. Zachowane cechy spełniające: |r_i| ≥ τ_r gdzie τ_r = 0,30 w niniejszym badaniu.

Współczynniki korelacji par zostały obliczone dla wszystkich zachowanych cech_x_i, x_j, a jeśli |corr(x_i, x_j)| >= τ_red, gdzie τ_red = 0,85, cecha o niżs

Wyniki

Wybór cech i wyniki prognozowania
Procedura CorrXGBoost-Rank wybrała opóźnione wartości PM₂.₅, prędkość wiatru, wilgotność, temperaturę, wskaźniki czasowe i liczbę pożarów wyprowadzoną z danych MODIS jako istotne przewidywalniki jakości powietrza. Każda z tych zmiennych odpowiada za utrzymywanie się zanieczyszczenia, rozprzestrzenianie się z powodu warunków meteorologicznych, różnice sezonowe w poziomie zanieczyszczenia oraz wpływ regionalny pożarów. Redundantne zmienne zostały usunięte przed modelowaniem sekwencji, aby zmniejszyć niepotrzebną wymiarowość wejścia. CORTA-Net został oceniony za pomocą średniego błędu bezwzględnego, średniego błędu kwadratowego i współczynnika determinacji. Na codziennym zbiorze danych z Delhi model osiągnął RMSE = 3,19 i R² = 0,983. Na codziennym zbiorze danych szkoleniowych Delhi Climate model osiągnął RMSE = 4,98 i R² = 0,845. W analizie rozproszenia w zbiorze testowym wartości obserwowanych i przewidywanych PM₂.₅ wykazały Pearson r = 0,942 i R² = 0,873. Te wartości odnoszą się do różnych partycji ewaluacji i nie powinny być traktowane jako wymienne wyniki na skalę całego modelu.

Rysunek 7 służy teraz jako pojedyncza skonsolidowana wizualizacja wydajności testowej CORTA-Net na danych testowych. Sekcja serii czasowych pokazuje, że istnieje doskonała korelacja między rzeczywistym a przewidywanym poziomem PM_2.5 w zestawie danych testowych przez cały okres ewaluacji, w tym epizodyczne wysokie zanieczyszczenie podczas festiwalu Diwali i okresów spalania resztek roślinnych. Na poparcie tego wykres punktowy pokazuje, że istnieje silna korelacja liniowa między wartościami rzeczywistymi a przewidywanymi (Pearson r = 0,942, R² = 0,873), wskazując na niezwykle wysoki poziom dokładności prognozowania.

Wydajność prognozowania
Wyniki wskazują, że błędy są grubo rozłożone normalnie wokół zera, z tylko kilkoma odizolowanymi błędami podczas ekstremalnych szczytów zanieczyszczenia. To mocno wsparło statystyczną wytrzymałość i brak stronniczości w modelach CORTA-Net. CORTA-Net wykazało RMSE 3,19 i R² 0,983 na codziennym zbiorze danych z Delhi i RMSE 4,98 oraz R² 0,844 na codziennym zbiorze danych szkoleniowych Delhi Climate. Te pomiary, w połączeniu z powyższymi dowodami, potwierdziły, że CORTA-Net dokładnie modelował zarówno stopniowe trendy, jak i nagłe odchylenia w poziomach PM_2.5.

Dokładność przewidywań stężenia PM_2.5 była oceniana za pomocą trzech metod: ewaluacji czasowej dokładności czasowo zweryfikowanych przewidywań stężenia PM_2.5 modeli, czasowej korelacji przewidywanych i rzeczywistych stężeń PM_2.5 oraz oceny błędów na podstawie analizy statystycznej. Ewaluacja czasowa, porównująca PM_2.5 i przewidywane wartości PM_2.5 czasowe (Rysunek 7A), pokazuje relację w czasie między rzeczywistymi zmierzonymi stężeniami PM_2.5 a przewidywanymi przez model wartościami PM_2.5 i demonstruje niektóre znaczące wystąpienia PM_2.5 (np. festiwal Diwali i okres spalania resztek roślinnych), które miały miejsce w tym okresie. Korelacja między przewidywanymi przez model wartościami stężenia PM_2.5 a zmierzonymi stężeniami PM_2.5 dostarcza dowodów bardzo wysokiej korelacji (Pearson r = 0,942 i R2 = 0,873), z bardzo silną zgodnością między przewidywanymi stężeniami PM_2.5 a rzeczywistymi zmierzonymi stężeniami, wskazując, że model PP-FRC jest dokładnym i wiarygodnym przewidywaniem stężeń PM_2.5 (Rysunek 7B). Rozkład kurtozy reszty (Rysunek 7C) wykazał małe błędy w czasie z izolowanymi dniami wysokiego błędu, podczas gdy rozkład reszty był w przybliżeniu normalny (Rysunek 7D), a średnie i mediany błędów reszty były bardzo bliskie zeru, wskazując na to, że błędy predykcyjne modelu były nieobciążone i statystycznie dobrze zachowywane.

Rysunek 7: Wydajność predykcyjna modelu CORTA-Net na niezależnym zbiorze testowym. Stężenia PM₂.₅ są raportowane w µg/m³. (A) Porównanie czasowe obserwowanych i przewidywanych stężeń PM₂.₅, demonstrując bliskie zgodności między zmierzonymi a przewidywanymi wartościami modelu, w tym podczas głównych epizodów zanieczyszczenia. (B) Wykres punktowy przewidywanych wobec obserwowanych stężeń

Dyskusja

CORTA-Net łączy trzy kluczowe komponenty w sekwencji, tworząc hybrydową architekturę. CorrXGBoost-Rank: Spersonalizowany komponent selekcji cech, który eliminuje redundancyjne predyktorzy przed etapem modelowania czasowego³⁸. Encoder LSTM: Wykorzystuje zestakowane warstwy LSTM do przechwytywania krótko- i długoterminowych zależności czasowych w wybranej 24-godzinnej sekwencji wejściowej³⁹. Warstwa uwagi wielogłowej: Zastosowana do wyjścia LSTM (wraz z powiązanymi wagami uwagi) jako ostatni krok hybrydowego modelu sekwencyjnego CORTA-Net; poprawia interpretowalność końcowego wyjścia bez zastępowania roli podstawowej struktury LSTM⁴⁰. Encoder LSTM uczy się zależności czasowych z wybranej sekwencji okien suwakowych. CORTA-Net jest zaprojektowany, aby zapewnić hybrydową sekwencję modelowania, w której CorrXGBoost-Rank eliminuje redundancyjne predyktorzy. Warstwa wielogłowej uwagi zapewnia ważone agregację wszystkich wyjść LSTM i produkuje zarówno prognozy PM_2.5 jak i powiązane wagi uwagi. Trzy komponenty CORTA-Net znacząco różnią się od czystej architektury transformatora, podczas gdy CORTA-Net wykorzystuje sieci LSTM (rekurentne) do modelowania nauki sekwencyjnej, sieci rekurentne stanowią podstawę nauki sekwencyjnej, a uwaga działa jako mechanizm wyjaśniający.

Istnieją cztery główne ograniczenia frameworku CORTA-Net. Po pierwsze, ocena modelu była oparta na różnych stacjach monitorujących w Delhi, więc wydajność może nie uogólniać się na miasta z różnymi źródłami emisji, warunkami klimatycznymi lub gęstością/konfiguracją monitorowania itp. Po drugie, choć liczba pożarów z danych satelitarnych stanowi zastępstwo dla zmiennych pożaru, mogą one nie zapewniać pełnej reprezentacji intensywności pożaru, transportu plume lub przemian chemicznych. Po trzecie, jednokierunkowe czujniki, brakujące dane i zmiany w poszczególnych stacjach monitorujących lub predysponujących sieciach monitorujących mogą wpływać na jakość/niezawodność danych szeregowych czasowych. Po czwarte, choć uwaga jest informacyjna, nie oznacza ona związku przyczynowego. Dalsza ocena będzie wymagała zastosowania CORTA-Net w innych niezależnych miastach i dodatkowych sieciach monitorujących. W celu poprawy dokładności estymacji regionalnego transportu zanieczyszczeń powietrza poprzez wykorzystanie nowych technologii, naukowcy opracowali transportowo świadomy framework. Framework integruje dodatkowe dane, takie jak ekstrakcja cech z danych meteorologicznych i zdalnego wykrywania, kontrolę jakości danych, bliskie czasowe przyjmowanie danych, estymację niepewności i częstą rekalibrację modelu⁴¹. Zespół badawczy opracował kompleksowy zestaw narzędzi komputerowych w celu rozwiązania tych problemów, w tym adaptacyjne optymalizatory do trenowania modelu i dostrajania parametrów, uczenie się transferowe w celu wykorzystania istniejących danych w celu poprawy zdolności predykcyjnych, sekwencyjne techniki modelowania szeregów czasowych, modelowanie oparte na uwagi oraz interpretowalność modelu. Dodatkowo, integracja wyjaśnialnej AI w framework CORTA-Net umożliwia bezpośrednie powiązanie prognoz z wiedzą naukową na temat głównych czynników przyczyniających się do zanieczyszczenia powietrza. Na przykład, wyjaśnialna AI pozwala na identyfikację aktywności pożarowej występującej w okresie po monsunie jako znaczącego czynnika przyczyniającego się do zanieczyszczenia powietrza. Walidacja krzyżowa wydajności modelu (Delhi RMSE = 3,19, R² = 0,983) potwierdza skuteczność CORTA-Net, podczas gdy wizualne prezentacje oparte na uwagi wyjścia modelu wskazują, że wzorce interesujące decydentów i pracowników służby zdrowia mogą być obserwowane. Wreszcie, wykorzystanie liczby pożarów i danych o emisjach niekontrolowanych jako danych wejściowych do framework CORTA-Net w sposób inherentny zmniejszyłoby ogólność wyników dla innych regionów, ponieważ wykorzystanie źródeł szybko lub słabo monitorowanych może poważnie zakłócić wdrożenie framework CORTA-Net⁴².

Prezentacja graficzna przedstawiona na Rysunku 10 pozwala decydentom i badaczom na wizualizację relacji między modelami/systemami opracowanymi przy użyciu różnych metodologii prognozowania PM_2.5, gdzie kolorowe bary reprezentują RMSE (krótsze bary = większa dokładność) i R² (dłuższe bary = większa zmienność), z modelami zorganizowanymi według podejścia (agregacja miejskich, stacji specyficznych, wielowymiarowych szeregów). Głębokość graficznej reprezentacji pokazuje, że żaden pojedynczy model nie przewyższa przewidywalnie we wszystkich kategoriach; CORTA-Net konsekwentnie przewyższał podobne modele na miejskich, wysoko hałaśliwych, poziomicowych stacji danych wykazujących znaczącą lokalną zmienność, podczas gdy MxConnect ogólnie wytwarzał lepsze wyniki średnich regionalnych na przestrzennie grubszych zestawach danych, ilustrując znaczenie wyboru modeli w oparciu o skalę analizowanych danych (tj. wielkość zestawów danych), przestrzenną rozdzielczość zestawów danych (tj. poziom zakorkowania) poziomów hałasu w zestawach danych (tj. dokładność) lub lokalną wariancję. W efekcie, unikalność CORTA-Net polega na wykorzystaniu adaptacyjnego ważenia cech osadzonych w mechanizmie uwagi sekwencyjnych, aby dynamicznie zmniejszać wagę

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Calibri font	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	Używane jako podstawowa typograficzna czcionka dla poprawionych diagramów i etykiet figur.
Skrypty generowania figur CORTA-Net	Niestandardowe skrypty dla tego projektu CORTA-Net	URL: https://github.com/saravagnamahasiva/CORTA-Net	Używane do ponownego generowania publikacji PDF figur z poprawionymi etykietami i kolejnością.
CORTA_Net_High_Resolution_Images.zip	Archiwum obrazów projektu dostarczone przez użytkownika	Numer katalogowy/RRID: Nie dotyczy; lokalne źródło archiwum	Używane jako źródłowy/referencyjny zestaw obrazów i do określenia tożsamości figury.
GitHub	GitHub, Inc.	URL: https://github.com/	Używane jako przewidziany host repozytorium dla kodu projektu i plików generujących figury.
Matplotlib	Matplotlib Development Team	RRID: SCR_008624; URL: https://matplotlib.org/	Używane do ponownego rysowania wykresów, diagramów, etykiet, znaczników paneli i wektorowych figur PDF.
NumPy	NumPy Developers	RRID: SCR_008633; URL: https://numpy.org/	Używane do deterministycznych tablic i symulowanych wartości w ponownie wygenerowanych panelach figur.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Używane do wsparcia edycji kodu, regeneracji figur, pakowania PDF i weryfikacji.
Pillow	Pillow Contributors	URL: https://python-pillow.org/	Używane do inspekcji, zmieniania rozmiaru, podglądu i walidacji wyjściowych obrazów rasterowych.
Poppler	Poppler Developers / freedesktop.org	URL: https://poppler.freedesktop.org/	Używane do renderowania wygenerowanych PDF do PNG podglądów dla kontroli jakości wizualnej.
pypdf	pypdf Contributors	URL: https://pypdf.readthedocs.io/	Używane do weryfikacji, czy każdy końcowy PDF figury zawiera jedną ważną stronę.
Python	Python Software Foundation	RRID: SCR_008394; URL: https://www.python.org/	Używane jako środowisko programistyczne do generowania figur i przetwarzania PDF.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Używane do stworzenia obowiązkowej tabeli materiałów/narzędzi/oprogramowania jako artefaktu PDF.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	Używane do orkiestracji plików, wyodrębniania archiwów i poleceń do końcowego pakowania ZIP.