Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

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

206 wyświetleń

⸱

DOI:

10.3791/71004

⸱

7 sierpnia 2026

 ,  ,  ,  ,  ,  , 
1Department of AI&DS, Vignan's Institute of Information Technology, 2Vignan's Institute of Information Technology, 3Department of Computer Science and Engineering, Vignan's Institute of Information Technology, 4Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, 5Department of Software Engineering, College of Computer Engineering and Science, Prince Mohammad Bin Fahd University, 6Computer Science Department, Faculty of Computers and Information, Qena University

W tym artykule

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 PM2.5 .

Streszczenie

Prognozowanie krótkoterminowe PM2,5 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 PM2,5 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 PM2,5. 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 PM2,5. 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 (PM2,5) są istotnym problemem jakości powietrza w Delhi, ponieważ są one wpłynięte przez emisje lokalne1,2,3, 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 PM2,5 jest wyzwaniem z powodu charakterystycznego nieliniowego, sezonowego i nagłego wysoko zanieczyszczonego zjawiska w szeregach czasowych10. Poprzednie badania nad prognozowaniem PM2,5 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 sekwencji19,20. Chociaż modele oparte na transformatorach i hybrydowe modele uczenia głębokiego ostatnio poprawiły prognozowanie PM2,5 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 PM2,5 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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Metodologia
W celu przewidywania przyszłej wartości PM2.5 w czasie t + 1 na podstawie poprzednich obserwacji godzinowych skonstruowano nadzorowany model z ruchomym oknem. Oceniając wydajność walidacji, przeanalizowano potencjalne długości okna wejściowego wynoszące 12, 24 i 48 kroków czasowych w skali godziny; w końcowej konfiguracji CORTA-Net zastosowano sekwencję wejściową z 24 godzin. Do uzupełnienia brakujących wartości wykorzystano interpolację liniową, wartości odstające usunięto metodą IQR, a wszystkie zmienne przeskalowano za pomocą normalizacji min-max przed wygenerowaniem opóźnionych cech PM2.5 . Następnie do selekcji cech zastosowano procedurę CorrXGBoost-Rank. W pierwszym kroku, poprzez filtrowanie korelacją Pearsona, zachowano zmienne o wartości |r| ≥ 0,30. Po drugie, aby zredukować współliniowość, odfiltrowano wysoce redundantne pary cech o korelacji wzajemnej |corr(xi, xj)| ≥ 0,85. Po trzecie, na pozostałych zmiennych wytrenowano regresor XGBoost i zachowano predyktory z wynikiem istotności opartym na zysku XGBoost (gain-based importance scores) ≥ 0,015 jako dane wejściowe do końcowego modelu. Końcowa architektura CORTA-Net składała się ze stosu warstw LSTM do kodowania czasowego, warstwy multi-head attention do ważenia cech i kroków czasowych oraz gęstych warstw regresyjnych do szacowania PM2.5. Model wytrenowano przy użyciu optymalizatora Adam z funkcją straty średniokwadratowego błędu oraz mechanizmem wczesnego zatrzymania (early stopping). Ewaluację modelu przeprowadzono przy użyciu RMSE i R2 w podziałach treningowych, walidacyjnych, testowych oraz w 10-krotnej walidacji krzyżowej. Tabela 2 przedstawia podsumowanie preprocessingu danych i inżynierii cech.

KrokZastosowana metodaParametr / prógCel
Obliczanie brakujących wartościProcent brakujących obserwacjiPrzedstaw procentową wartość dla każdej zmiennejKwantyfikuje kompletność danych
Imputacja krótkich przerwInterpolacja liniowaCzas przerwy ≤ 6 hUzupełnia krótkie brakujące przedziały
Wykrywanie wartości odstającychMetoda IQRQ1 − 1,5 × IQR, Q3 + 1,5 × IQRUsuwa nieprawidłowe wartości ekstremalne
NormalizacjaSkalowanie Min-MaxWartości minimalna i maksymalna zbioru treningowegoStandaryzuje zakres cech
opóźnienia PM₂.₅Zmienne opóźnionelag₁, lag₂, lag₃Rejestruje trwałość czasową
Statystyki krocząceŚrednie kroczące3 h, 6 h, 12 h, 24 hRejestruje krótkotrwałą akumulację
Funkcja zliczania ognisk zapalnychMODIS FIRECOUNTLiczenie w tym samym dniu / w dniu poprzednimReprezentuje regionalny wpływ pożarów

Tabela 2: Podsumowanie wstępnego przetwarzania danych i inżynierii cech.W Tabeli 2 przetwarzanie danych odbywa się w dwóch etapach: po pierwsze, poprzez oczyszczanie i transformację surowych danych (preprocessing), a po drugie, za pomocą inżynierii cech w celu utworzenia, wyboru lub modyfikacji charakterystyk (cech). Jako całość, oba te procesy pomagają wyeliminować lub zredukować szum, obsłużyć brakujące wartości, poprawić spójność danych oraz stworzyć modele o większej zdolności predykcyjnej.

Parametry normalizacji oszacowano wyłącznie na podstawie zbioru treningowego, a następnie zastosowano je bez zmian do zbiorów testowego i walidacyjnego, aby uniknąć wycieku informacji.

Sformułowanie matematyczne metody CorrXGBoost-rank
Niech X = {x1, x2, ..., xn} oznacza zbiór kandydackich zmiennych wejściowych, a y oznacza docelowe stężenie PM₂.₅. Dla każdej cechy xi obliczono współczynnik korelacji Pearsona ze zmienną docelową według wzoru:

Równanie współczynnika korelacji; wzór statystyczny; diagram edukacyjny; koncepcja analizy danych. (1)

gdzie cov(xi, y) to kowariancja między cechą xi a celem y, a σxi i σy to ich odchylenia standardowe. Zachowano cechy spełniające warunek: |ri| ≥ τr, gdzie w niniejszym badaniu τr = 0.30.

Obliczono korelacje parzyste dla wszystkich zachowanych cech xi, xj, a jeśli |corr(xi, xj)| >= τred, gdzie τred = 0,85, cecha o niższej wartości bezwzględnej korelacji z celem PM2.5 była usuwana ze zbioru cech. Proces ten redukuje w zbiorze cech zmienne wykazujące współliniowość. Następnie dla pozostałych cech dopasowano model regresora XGBoost i obliczono wskaźniki istotności dla każdej cechy przy użyciu istotności XGBoost; w końcowym zbiorze cech (S") zachowano cechy spełniające warunek i_i ≥ τxgb, gdzie τxgb = 0,015, zdefiniowany jako Sfinal= Scorr ∪ Sxgb, tj. zbiór cech określony poprzez filtrowanie cech nadmiarowych pod kątem korelacji oraz usuwanie cech na podstawie istotności zmiennych XGBoost. Całościowe podejście zastosowane w selekcji cech jest następujące: obliczono parzystą korelację Pearsona między cechą a celem, odrzucono cechy o |r_i|< 0,30, odrzucono pary cech o korelacji parzystej ≥ 0,85, dopasowano XGBoost do pozostałych cech, zachowano cechy o wskaźniku istotności XGBoost ≥ 0,015, zdefiniowano ostateczne pożądane cechy jako Sfinal=Scorr ∪ Sxgb, gdzie Scorr to cechy zachowane po filtrowaniu korelacji nadmiarowych, a Sxgb to cechy wybrane na podstawie wskaźnika istotności cech XGBoost. Przepływ pracy CorrXGBoost-Rank polega zatem na: obliczeniu korelacji Pearsona między cechą a celem, usunięciu cech o |ri| < 0,30, usunięciu cech wysoce nadmiarowych o korelacji parzystej ≥ 0,85, wytrenowaniu modelu XGBoost na pozostałych zmiennych, zachowaniu zmiennych o wskaźniku istotności XGBoost ≥ 0,015 oraz wykorzystaniu sumy zmiennych wybranych metodą korelacyjną i metodą XGBoost jako końcowego zbioru cech. Parametry zastosowane w niniejszym badaniu to τr = 0,30, τred = 0,85 oraz τxgb = 0,015.

Źródła danych
Autorzy zintegrowali trzy duże zestawy danych na potrzeby badania; są to dane dotyczące zanieczyszczeń powietrza (PM2.5, PM10, NO2, CO oraz SO₂), które autorzy pozyskali z monitoringu jakości powietrza CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), dane meteorologiczne (temperatura, wilgotność, prędkość/kierunek wiatru i ciśnienie) z indyjskiego departamentu meteorologicznego (IMD) oraz informacje satelitarne o aktywnych pożarach z produktów MODIS Active Fire z NASA. Te trzy zestawy danych obejmują 12-letni okres od stycznia 2012 do grudnia 2023 roku i reprezentują tym samym różne rodzaje emisji. Incydenty pożarowe przyczyniają się do zanieczyszczenia powietrza, co zilustrowano na Rysunku dodatkowym 2, który przedstawia trendy FIRECOUNT od 2012 do 2024 roku.

Długoterminowe trendy zanieczyszczeń w okresie badania
Rycina 1 przedstawia długoterminowe trendy zanieczyszczeń w latach objętych badaniem (2012–2024). Roczna liczba pożarów oraz średnie stężenia PM₂.₅ w latach 2012–2024 wykazują umiarkowanie silną dodatnią korelację (r = 0,68), co wskazuje, że wyższa aktywność pożarowa zazwyczaj wiąże się z wyższymi stężeniami PM₂.₅. Zarówno dane pomiarowe, jak i przewidywane wartości PM₂.₅ wykazują podobny trend, co potwierdza tezę, że spalanie biomasy przyczynia się do zanieczyszczenia pyłowego. Mimo znacznej zmienności międzyrocznej, emisje związane z pożarami są istotnym czynnikiem determinującym zmienność PM₂.₅, co podkreśla potrzebę regionalnego zarządzania pożarami w celu poprawy jakości powietrza. Autokorelacja przewidywanych wartości PM2.5 dla trzydziestu opóźnień, przedstawiona na Rycini uzupełniającej 3, wykazuje znaczną dodatnią autokorelację dla prawie wszystkich trzydziestu opóźnień, co potwierdza, że PM2.5 w Delhi charakteryzuje się silną zależnością czasową i wielodniową trwałością.

Wykres korelacji PM2.5 i liczby pożarów (2012–2024), przedstawiający trendy danych obserwowanych i przewidywanych.
Rysunek 1: Długoterminowe trendy stężeń PM₂.₅ oraz liczby pożarów w latach 2012–2024. Rysunek 1 porównuje roczną zmienność liczby pożarów z zaobserwowanymi i przewidywanymi stężeniami PM₂.₅. PM₂.₅ podano w µg/m3FIRECOUNT reprezentuje aktywność pożarową pochodzącą z produktów satelitarnych MODIS. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.

Dekompozycja STL (Seasonal and Trend decomposition using Loess)
STL, czyli dekompozycja sezonowa i trendowa z wykorzystaniem metody Loess, to algorytm iteracyjny, który umożliwia rozbicie danych szeregów czasowych na trzy addytywne komponenty, jak pokazano na Rysunku 2: trend (trend długoterminowy) (Rysunek 2A), (Rysunek 2D), (Rysunek 2G), (Rysunek 2J), sezonowość (okresy cykliczne) (Rysunek 2B), (Rysunek 2E), (Rysunek 2H), (Rysunek 2K) oraz reszty (szum/residua) (Rysunek 2C), (Rysunek 2F), (Rysunek 2I), (Rysunek 2L). Metoda STL okazała się skuteczna w radzeniu sobie ze złożonymi, nieliniowymi charakterystykami danych środowiskowych (takich jak PM2.5), w przypadku których wiele innych technik analitycznych zawiodło ze względu na zmienne amplitudy sygnału sezonowego oraz obecność wartości odstających. Wygładzanie LOESS pozwala na dokładną separację tych komponentów, co prowadzi do jaśniejszej interpretacji trendów lub wzorców. Dzięki procesowi STL możliwe jest oddzielenie szerszych trendów wzrostowych PM2.5 od krótszych cykli dobowych/sezonowych oraz od nieregularnych residuów w obrębie tych cykli. Taka separacja pozwala zidentyfikować, które emisje wpłynęły na poziom PM2.5, w przeciwieństwie do czynników meteorologicznych wpływających na PM2.5. Wyniki tej separacji pomagają w dokładnym prognozowaniu przyszłych emisji PM2.5, dostarczają danych do decyzji regulacyjnych oraz są zgodne ze standardami określonymi dla rygorystycznej desagregacji danych szeregów czasowych w badaniach jakości powietrza34. Pomiary średniego dobowego stężenia PM2.5 wykonane na stacjach monitoringu w Delhi w latach 2012–2024 wskazują na minimalne ogólne zmiany poziomów PM2.5 (tj. brak istotnych zmian w latach 202–24) oraz niezwykle ograniczoną spójność zachowania (tj. brak spójności poziomów PM2.5 pomiędzy czterema lokalizacjami monitoringu). Poziomy PM2.5 w Dwarka Sector 8 oraz Mundka-DPCC wykazują trwały trend spadkowy (tj. dalsze zmniejszanie się), podczas gdy Anand Vihar wykazuje trend wzrostowy (tj. znaczący wzrost), a Sonia Vihar lekki trend wzrostowy (od bardzo niewielkiego wzrostu od 202 roku). Ponadto residua dobowych stężeń PM2.5 dla każdej z czterech stacji monitoringu wskazały, że stężenia PM2.5 były silnie zależne od sezonowych (meteorologicznych) zmian, co powodowało duże wahania średnich dobowych stężeń PM2.5 dla poszczególnych stacji. Dobowe stężenia PM2.5 dla czterech stacji monitoringu w Delhi (2012–2024) przedstawiono na Rysunku 2.

Dekompozycja STL trendów PM2,5, sezonowości i reszt; analiza jakości powietrza; porównanie wykresów.
Rycina 2Dekompozycja STL (Seasonal and Trend decomposition using Loess) dziennych stężeń PM₂.₅ w czterech stacjach monitorujących w Delhi w latach 202–2024. Szeregi czasowe dla każdej stacji monitorującej są rozkładane na trzy komponenty addytywne: trend długoterminowy, zmienność sezonową oraz resztę (pozostałość).A) Komponent trendu dla Dwarka Sector 8. (B) Składowa sezonowa dla sektora 8 w Dwarka. (C) Komponent rezydualny dla Dwarka Sector 8. (D) Komponent trendu dla Anand Vihar. (E) Składnik sezonowy dla Anand Vihar. (F) Komponent resztkowy dla Anand Vihar. (G) Komponent trendu dla Mundka-DPCC. (H) Komponent sezonowy dla Mundka-DPCC. (I) Komponent resztkowy dla Mundka-DPCC. (J) Komponent trendu dla Sonia Vihar. (K) Składnik sezonowy dla Sonia Vihar. (L) Komponent rezydualny dla Sonia Vihar. STL, dekompozycja sezonowa i trendowa z wykorzystaniem metody Loess. Proszę kliknąć tutaj, aby wyświetlić większą wersję tej ryciny.

Rysunek 2 przedstawia dekompozycję czasową dobowych stężeń PM2.5 w czterech miejskich lokalizacjach monitorujących w latach 202-2024, ujawniając wzorce długoterminowych spadków, stopniowych wzrostów oraz dużych zmian dobowych. Różnice te można w dużej mierze przypisać fizycznym efektom pogodowym, tzn. zmianom wysokości planetarnej warstwy przyziemnej (PBL), takim jak daytime expansion, która zwiększa dyspersję pionową i obniża stężenia, oraz nocne kurczenie się warstwy, co powoduje zatrzymanie zanieczyszczeń blisko gruntu i tworzy wyższy szczyt w nocy. Inne wpływy meteorologiczne wynikają z emisji związanych z lokalną działalnością człowieka w godzinach największego natężenia (szczyty poranne/wieczorne), przemysłem oraz ich interakcjami z czynnikami specyficznymi dla danej lokalizacji, takimi jak lokalna topografia, prędkość wiatru, wilgotność względna i pora roku (np. większa korelacja w zimie), co generuje zmiany specyficzne dla danej stacji; ogólne długoterminowe spadki mogły być natomiast wynikiem regulacji w zakresie kontroli emisji, co doprowadziło do ogólnych trendów spadkowych.

Korelacja między cechami
Rysunek 3 przedstawia rozkład wszystkich cech wejściowych wykorzystanych w modelu CORTA-Net. Na panelach zmienne dotyczące zanieczyszczeń (PM10 (Rysunek 3A), NO₂ (Rysunek 3B), CO (Rysunek 3C), SO₂ (Rysunek 3D)) wykazują rozkłady prawostronnie skośne, typowe dla danych dotyczących jakości powietrza w miastach, podczas gdy O₃ (Rysunek 3E) i ciśnienie (Rysunek 3I) wykazują wzorce zbliżone do rozkładu normalnego35. Temperatura (Rysunek 3F) wykazuje wyraźną bimodalną strukturę sezonową, wilgotność (Rysunek 3G) wykazuje szeroki rozkład zbliżony do jednostajnego, a prędkość wiatru (Rysunek 3H) wykazuje rozkład z lekkim ogonem. Wzorce te podkreślają heterogeniczne zachowanie statystyczne predyktorów i uzasadniają potrzebę inżynierii cech oraz normalizacji przed trenowaniem modelu.

Histogramy danych o jakości powietrza; PM10, NOx, CO, SO2, O3, temperatura, wilgotność, prędkość wiatru, ciśnienie.
Rycina 3Rozkład cech wejściowych wykorzystanych w modelu CORTA-Net, w tym stężeń zanieczyszczeń powietrza i zmiennych meteorologicznych. Rozkłady ilustrują charakterystykę statystyczną predyktorów przed wstępnym przetwarzaniem i trenowaniem modelu.A) stężenie PM₁₀. (B) stężenie NO₂. (C) stężenie CO. (D) stężenie SO₂. (E) stężenie O₃. (F) Temperatura powietrza. (G) Wilgotność względna. (H) Prędkość wiatru. (I) Ciśnienie atmosferyczne. Zmienne dotyczące zanieczyszczeń, w szczególności PM₁₀, NO₂, CO i SO₂, wykazują rozkłady prawostronnie skośne, typowe dla danych o jakości powietrza w obszarach miejskich, podczas gdy O₃ i ciśnienie atmosferyczne wykazują rozkłady zbliżone do normalnych. Temperatura wykazuje bimodalny wzorzec sezonowy, wilgotność charakteryzuje się szerokim rozkładem, a prędkość wiatru koncentruje się przy niższych wartościach z rozkładem o lekkim ogonie. Te heterogeniczne rozkłady cech uzasadniają zastosowanie inżynierii cech oraz normalizacji przed opracowaniem modelu. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.

Rysunek 4 przedstawia ranking istotności cech oparty na zysku (gain) w modelu XGBoost po wstępnym przetwarzaniu metodą CorrXGBoost-Rank dla prognozowania PM₂.₅. Bieżący wykres istotności cech wskazuje, że PM₂.₅ z dnia poprzedniego jest najlepiej ocenianym predyktorem z wynikiem istotności 0,280, a następnie PM10 = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, prędkość wiatru = 0,070, temperatura = 0,040, wilgotność = 0,030 oraz dzień roku = 0,020. Przerywana pionowa linia reprezentuje faktyczny próg selekcji cech XGBoost wynoszący 0,015. Predyktory z wynikami istotności większymi lub równymi 0,015 zostały zachowane dla końcowego zestawu wejściowego CORTA-Net, natomiast predyktory poniżej tego progu, w tym SO₂ = 0,010, O₃ = 0,010, ciśnienie = 0,05, opady = 0,05, weekend = 0,02 i święto = 0,01, zostały wykluczone. Wartości te reprezentują wyniki istotności cech XGBoost oparte na zysku i nie powinny być interpretowane jako współczynniki korelacji Persona lub efekty przyczynowe.

W związku z tym do modelu włączono jedynie te cechy, których wkład przekroczył wspomniany próg. Modele XGBoost wykorzystują zespół drzew decyzyjnych, które iteracyjnie budują drzewo w celu zminimalizowania funkcji straty, co określa się mianem wzmacniania gradientowego (gradient boosting). XGBoost oblicza ważność cech za pomocą jednej z trzech metryk: zysku (gain – w jakim stopniu podział cechy poprawia wydajność modelu), wagi (weight – ile razy cecha została wybrana jako podział w drzewie) lub pokrycia (cover – liczba obserwacji objętych podziałem). Model XGBoost zbudowano w oparciu o dane dotyczące jakości powietrza (zanieczyszczenia, zmienne meteorologiczne), koncentrując się na opóźnionym PM2.5 w celu autoregresyjnego prognozowania PM2.5, co jest powszechne w modelach PM2.5 dla Delhi i pomaga uchwycić czasową trwałość PM2.5. Delhi_PM2.5 jest istotnym czynnikiem ze względu na wysoką autokorelację cząstek drobnych, co wskazuje również na obecność inercji zanieczyszczeń pochodzących ze stałych źródeł emisji. Prędkość wiatru jest istotnym czynnikiem, ponieważ odpowiada za mechanizm dyspersji zanieczyszczeń, podczas gdy słabe wiatry pozwalają na kumulację zanieczyszczeń zimą, gdy występują inwersje. NO2 jest skorelowany z PM2.5 ze względu na ruch drogowy i emisje, natomiast dzień roku wskazuje na roczny cykl emisji zanieczyszczeń (np. niższe emisje w weekendy). W Delhi PM2.5 wykazuje wysoką autopersystencję ze względu na stagnacyjną zimową meteorologię oraz ciągłe emisje z pojazdów, przemysłu i biomasy28. Wiatr sprzyja dyspersji aerozoli, ale słaby wiatr < 2 m/s przyczynił się do zwiększenia kumulacji PM2.5 w wyniku inwersji. Zależność między NO2 a PM2.5 wynika z ich wspólnego pochodzenia (np. spalanie) i podlega wpływom czasowym (np. dobowym w porównaniu z tygodniowymi)36. Cztery główne czynniki odpowiedzialne za wyjaśnienie 93% lub więcej wariancji AQI to: zmienność stężeń zanieczyszczeń wynikająca z akumulacji opóźnionego PM2.5 (93%+), niskie prędkości wiatru zatrzymujące emisje, emisje NO2/PM z pojazdów i przemysłu oraz codzienne wahania natężenia ruchu drogowego37. Ponadto geografia Delhi jest czynnikiem sprzyjającym utrzymywaniu się inwersji w tym obszarze, co dodatkowo potęguje stężenia PM2.5. Strojenie hiperparametrów, regularyzacja oraz dodanie dodatkowych zmiennych (takich jak temperatura) pomogłyby ograniczyć ryzyko przeuczenia i poprawić ogólną wydajność modelu. Wdrażanie strategii operacyjnych w celu redukcji emisji PM powinno obejmować wprowadzenie dziennych limitów emisji PM, stosowanie urządzeń zapewniających monitorowanie obecności PM w czasie rzeczywistym oraz wykorzystanie wiatru do rozprzestrzeniania PM poprzez miejskie obszary zielone.

Wykres istotności cech XGBoost; PM2,5, PM10, liczba pożarów; analiza danych; uczenie maszynowe.
Rysunek 4: Ranking ważności cech oparty na zysku (gain) w modelu XGBoost po przesiewaniu cech metodą CorrXGBoost-Rank w celu prognozowania PM₂.₅. Słupki predyktorów zostały uporządkowane według malejącego stopnia istotności. Przerywana linia pionowa reprezentuje rzeczywisty próg selekcji cech w modelu XGBoost wynoszący 0,015. Predyktory z wynikiem ≥ 0,015 zostały zachowane w końcowym zestawie danych wejściowych CORTA-Net, natomiast predyktory poniżej tego progu zostały wykluczone. Ranking ten służy do przesiewania cech i interpretacji zachowania modelu i nie powinien być interpretowany jako przypisanie przyczynowo-skutkowe. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Architektura modelu CORTA-net
Rycina 5 przedstawia proponowany schemat przewidywania PM2.5. Ryciny uzupełniające 4 i 5 ilustrują wewnętrzną strukturę jednostki LSTM oraz schemat blokowy mechanizmu Multi-Head Attention. Wszystkie źródła danych (tj. warunki otoczenia, obserwacje meteorologiczne, aktywność pożarową oraz aspekty czasowe i kontekstowe danych) poddano wstępnemu przetwarzaniu, aby zapewnić ich zgodność czasową, uzupełnić brakujące dane (jeśli było to konieczne) oraz przeprowadzić usuwanie wartości odstających i normalizację przed wykorzystaniem ich w procesach budowy modelu. Architektura modelu, inżynieria cech, konfiguracja treningu, konfiguracja danych, uczenie transferowe, metryki ewaluacji, przyszłe przewidywania i szczegóły implementacji przedstawiono w Tabeli uzupełniającej 1. Wykorzystując moduł CorrXGBoost-Rank, wyznaczono optymalny zestaw cech, z których podzbiór wprowadzono do architektury LSTM, wzbogaconej o warstwy multi-head attention w celu uwzględnienia zachowania szeregów czasowych w fazie modelowania. Wynikami modelu były zarówno prognoza PM2.5, jak i analiza istotności cech wejściowych PM2.5, a także wagi mechanizmu multi-head attention przedstawione w formie map uwagi. Wewnętrzna struktura jednostki LSTM oraz schemat blokowy multi-head attention zamieszczono odpowiednio jako Ryciny uzupełniające 4 i 5, natomiast Tabela uzupełniająca 1 zawiera parametry architektury dla każdego typu warstwy w tej strukturze.

Schemat potoku głębokiego uczenia dla prognozowania PM2,5 z wykorzystaniem LSTM, rankingu cech i map uwagi.
Rycina 5: Ogólna architektura modelu prognozowania PM₂.₅ CORTA-Net. Proces prognozowania wejściowego obejmuje dane z wskaźników jakości powietrza, wskaźników pogodowych, wskaźników czasu oraz wskaźników liczby pożarów MODIS (Moderate Resolution Imaging Spectroradiometer). Na każdym z tych etapów algorytm wyrównał znaczniki czasu, obsłużył brakujące wartości, odfiltrował wartości odstające, znormalizował dane i przeprowadził inżynierię cech. Następnie wyłoniono ostateczne predyktory, stosując proces CorrXGBoost-Rank. W kolejnym kroku wybrane cechy zostały umieszczone w przesuwanych oknach czasowych i przekazane do kodera LSTM (Long Short-Term Memory) z wykorzystaniem uczenia transferowego. Dla każdej cechy i kroku czasowego mechanizm wielogłowicowej uwagi (multi-head attention) przypisuje wagi przed przesłaniem połączonego sygnału wyjściowego do końcowej gęstej warstwy regresyjnej w celu wygenerowania prognozy stężenia PM₂.₅. Kliknij tutaj, aby wyświetlić powiększoną wersję tego schematu.

Trening i ewaluacja
Do tworzenia sekwencji uczenia nadzorowanego zastosowano podejście z ruchomym oknem. Do treningu wykorzystano optymalizator Adam oraz funkcję straty średnio квадраtycznego błędu (Supplementary Table 2). Wydajność modelu oceniano za pomocą RMSE oraz R2 w podziałach treningowym, walidacyjnym, testowym oraz walidacji krzyżowej. Architektura modelu, inżynieria cech, konfiguracja treningu, konfiguracja danych, uczenie transferowe, metryki ewaluacji, przyszłe predykcje oraz szczegóły implementacji zostały zestawione w Supplementary Table 1. Rysunek 6 przedstawia diagnostykę treningu modelu predykcyjnego CORTA-Net PM₂.₅. Na panelach, Rysunek 6A przedstawia krzywe straty dla treningu i walidacji, wykazujące progresywną redukcję błędu z optymalnym zatrzymaniem w 106. epoce. Ewolucja luki generalizacji podczas analizy przeuczenia (over-fitting) jest zilustrowana rozbieżnością między danymi walidacyjnymi a treningowymi na Rysunku 6B. W szczególności pokazano okresy, w których rozbieżność przekracza zdefiniowane limity; informacje te dowodzą, że zachowanie szybkości uczenia i wzorce redukcji straty obrazują korzyści z zaplanowanego spadku szybkości uczenia (LR) w krytycznych epokach jako środka zwiększającego stabilność zbieżności, co pokazano na Rysunku 6C. Wspólnie rysunki te stanowią podsumowanie dynamiki uczenia, zdolności do generalizacji oraz zalecanej konfiguracji treningowej modelu.

Dynamika uczenia sieci CORTA-Net; wykresy funkcji straty, luki generalizacji i szybkości uczenia dla analizy sieci neuronowych.
Rycina 6: Diagnostyka treningu modelu predykcyjnego PM₂.₅ CORTA-Net. (A) Krzywe funkcji straty dla zbioru treningowego i walidacyjnego wykazujące progresywną redukcję błędu podczas trenowania modelu, z zastosowaniem wczesnego zatrzymania (early stopping) w 106. epoce na podstawie wyników walidacji. (BLuka generalizacji między stratą treningową a walidacyjną w kolejnych epokach, ilustrująca ewolucję generalizacji modelu oraz okresy zwiększonej dywergencji wskazujące na potencjalne przeuczenie.C) Harmonogram tempa uczenia pokazujący wpływ zaplanowanego spadku tempa uczenia na optymalizację w trakcie procesu uczenia. (D) Podsumowanie zachowania zbieżności modelu, wykazujące stabilną optymalizację oraz końcową konfigurację treningową wybraną dla modelu CORTA-Net. Wspólnie diagnostyki te obrazują dynamikę modelu, charakterystykę zbieżności oraz zdolność do generalizacji podczas treningu. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wybór cech i wyniki prognozowania
Procedura CorrXGBoost-Rank wyłoniła opóźnione wartości PM₂.₅, prędkość wiatru, wilgotność, temperaturę, wskaźniki czasowe oraz liczbę pożarów pochodzącą z danych MODIS jako istotne predyktory jakości powietrza. Każda z tych zmiennych odpowiada za trwałość zanieczyszczeń, ich rozprzestrzenianie ze względu na warunki meteorologiczne, sezonowe różnice w poziomach zanieczyszczeń oraz regionalny wpływ pożarów. Przed modelowaniem sekwencyjnym usunięto zmienne redundantne, ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

CORTA-Net łączy trzy kluczowe komponenty w sekwencji, tworząc architekturę hybrydową. CorrXGBoost-Rank: spersonalizowany komponent wyboru cech, który eliminuje nadmiarowe predyktory przed etapem modelowania czasowego38. Koder LSTM: wykorzystuje stos warstw LSTM do przechwytywania krótkoterminowych i długoterminowych zależności czasowych w wybranej 24-godzinnej sekwencji wejściowej39. Warstwa Multi-head Attention: zastosowana do wyjścia LSTM (wraz z powiązanymi wagami uwagi)...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają żadnych konfliktów interesów.

Podziękowania

Badania uczelni Princess Nourah bint Abdulrahman University wespieranego przez projekt numer (PNURSP2026R300), Princess Nourah bint Abdulrahman University, Rijad, Arabia Saudyjska.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Calibri fontMicrosoft CorporationURL: https://learn.microsoft.com/en-us/typography/font-list/calibriUżywane jako podstawowa typograficzna czcionka dla poprawionych diagramów i etykiet figur.
Skrypty generowania figur CORTA-NetNiestandardowe skrypty dla tego projektu CORTA-NetURL: https://github.com/saravagnamahasiva/CORTA-NetUżywane do ponownego generowania publikacji PDF figur z poprawionymi etykietami i kolejnością.
CORTA_Net_High_Resolution_Images.zipArchiwum obrazów projektu dostarczone przez użytkownikaNumer katalogowy/RRID: Nie dotyczy; lokalne źródło archiwumUżywane jako źródłowy/referencyjny zestaw obrazów i do określenia tożsamości figury.
GitHubGitHub, Inc.URL: https://github.com/Używane jako przewidziany host repozytorium dla kodu projektu i plików generujących figury.
MatplotlibMatplotlib Development TeamRRID: SCR_008624; URL: https://matplotlib.org/Używane do ponownego rysowania wykresów, diagramów, etykiet, znaczników paneli i wektorowych figur PDF.
NumPyNumPy DevelopersRRID: SCR_008633; URL: https://numpy.org/Używane do deterministycznych tablic i symulowanych wartości w ponownie wygenerowanych panelach figur.
OpenAI CodexOpenAIURL: https://openai.com/codexUżywane do wsparcia edycji kodu, regeneracji figur, pakowania PDF i weryfikacji.
PillowPillow ContributorsURL: https://python-pillow.org/Używane do inspekcji, zmieniania rozmiaru, podglądu i walidacji wyjściowych obrazów rasterowych.
PopplerPoppler Developers / freedesktop.orgURL: https://poppler.freedesktop.org/Używane do renderowania wygenerowanych PDF do PNG podglądów dla kontroli jakości wizualnej.
pypdfpypdf ContributorsURL: https://pypdf.readthedocs.io/Używane do weryfikacji, czy każdy końcowy PDF figury zawiera jedną ważną stronę.
PythonPython Software FoundationRRID: SCR_008394; URL: https://www.python.org/Używane jako środowisko programistyczne do generowania figur i przetwarzania PDF.
ReportLabReportLab Inc.URL: https://www.reportlab.com/Używane do stworzenia obowiązkowej tabeli materiałów/narzędzi/oprogramowania jako artefaktu PDF.
Windows PowerShellMicrosoft CorporationURL: https://learn.microsoft.com/en-us/powershell/Używane do orkiestracji plików, wyodrębniania archiwów i poleceń do końcowego pakowania ZIP.

Bibliografia

  1. AlShafeey M. Unraveling climate trends in the mediterranean: a hybrid machine learning and statistical approach. Model Earth Syst Environ. 2024;10:6255-6277.
  2. Li B, Qian Y. Weather prediction using CNN-LSTM for time series analysis: a case study on Delhi temperature data. arXiv:2409.09414. 2024.
  3. Bashardoost A, Mesgari MS, Karimi M. Quantifying uncertainty in the spatial prediction of PM2.5 using a deep learning algorithm. Ann GIS. 2025;31(4):679-712.
  4. Bi K, Xie L, Zhang H, et al. Accurate medium-range global weather forecasting with 3D neural networks. Nature. 2023;619:533-538.
  5. Xu C, Liu J, Han S, Duan X, Xiang L, Zhang T. FourCastLSTM: a precipitation nowcasting model integrating global and local spatiotemporal features. Comput Geosci. 2025;204:105966.
  6. Damkliang K, Chumnaul J. Deep learning and statistical approaches for area-based PM2.5 forecasting in Hat Yai, Thailand. J Big Data. 2025;12:36.
  7. Elabd E, Hamouda HM, Ali MAM, et al. Climate change prediction in Saudi Arabia using a CNN GRU LSTM hybrid deep learning model in al Qassim region. Sci Rep. 2025;15:16275.
  8. Guo Q, He Z, Wang Z. Monthly climate prediction using deep convolutional neural network and long short-term memory. Sci Rep. 2024;14(1):17748.
  9. Zhang H, Jin Y, Shi J, Zhang S. Predicting PM2.5 concentrations using stacking-based ensemble model. Appl Comput Math. 2021;10(6):156-162.
  10. Şener İF, Tuğal İ. Optimized CNN-LSTM with hybrid metaheuristic approaches for solar radiation forecasting. Case Stud Therm Eng. 2025;72:106356.
  11. Shen J, Wu W, Xu Q. Accurate prediction of temperature indicators in Eastern China using a multi-scale CNN-LSTM-Attention model. arXiv:2412.07997. 2024.
  12. Karimian H, Li Q, Wu C, et al. Evaluation of different machine learning approaches to forecasting PM2.5 mass concentrations. Aerosol Air Qual Res. 2019;19:1400-1410.
  13. Kumar S, Mishra S, Singh SK. A machine learning-based model to estimate PM2.5 concentration levels in Delhi's atmosphere. Heliyon. 2020;6(11):e05618.
  14. Ladjal B, Nadour M, Bechouat M, et al. Hybrid deep learning CNN-LSTM model for forecasting direct normal irradiance: a study on solar potential in Ghardaia, Algeria. Sci Rep. 2025;15:15404.
  15. Lakshmi S, Krishnamoorthy A. Deep transfer learning and attention based PM2.5 forecasting in Delhi using a decade of winter season data. Sci Rep. 2025;15:31787.
  16. Lan R, Eastham SD, Liu T, et al. Air quality impacts of crop residue burning in India and mitigation alternatives. Nat Commun. 2022;13:6537.
  17. Lütjens B, Ferrari R, Watson-Parris D, Selin NE. The impact of internal variability on benchmarking deep learning climate emulators. J Adv Model Earth Syst. 2025;17:e2024MS004619.
  18. Suleman MAR, Shridevi S. Short-term weather forecasting using spatial feature attention-based LSTM model. IEEE Access. 2022;10:82456-82468.
  19. Mansfield LA, Nowack PJ, Kasoar M, et al. Predicting global patterns of long-term climate change from short-term simulations using machine learning. npj Clim Atmos Sci. 2020;3:44.
  20. Masood A, Ahmad K. Data-driven predictive modeling of PM2.5 concentrations using machine learning and deep learning techniques: a case study of Delhi, India. Environ Monit Assess. 2022;195(1):60.
  21. Duan J, Gong Y, Luo J, Zhao Z. Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer. Sci Rep. 2023;13:12127.
  22. Liu X, Su K, Wang S, et al. Intelligent prediction of air quality index based on the transformer-BiLSTM model. Sci Rep. 2025;15:41838.
  23. Liu Z, Fang Z, Hu Y. A deep learning-based hybrid method for PM₂.₅ prediction in central and western China. Sci Rep. 2025;15:10080.
  24. Hu Y, Ding Y, Jiang W. Geographically aware air quality prediction through CNN-LSTM-KAN hybrid modeling with climatic and topographic differentiation. Atmosphere. 2025;16(5):513.
  25. Makhdoomi A, Sarkhosh M, Ziaei S. PM₂.₅ concentration prediction using machine learning algorithms: an approach to virtual monitoring stations. Sci Rep. 2025;15:8076.
  26. Jiang Z, Nie Y, Gong W. Enhanced PM₂.₅ forecasting via bio-inspired hybrid LSTM optimization for high-precision results. AIP Adv. 2025;15:075346.
  27. Pan P, Malarvizhi AS, Yang C. Data augmentation strategies for improved PM₂.₅ forecasting using transformer architectures. Atmosphere. 2025;16(2):127.
  28. Masood A, Hameed MM, Srivastava A, et al. Improving PM2.5 prediction in New Delhi using a hybrid extreme learning machine coupled with snake optimization algorithm. Sci Rep. 2023;13:21057.
  29. Meng X, Xie C, Tang X, et al. Prediction of particulate matter 2.5 concentration based on attention mechanism and convolutional BiLSTM network. Discov Appl Sci. 2025;7:1372.
  30. Mohammadi F, Teiri H, Hajizadeh Y, Abdolahnejad A, Ebrahimi A. Prediction of atmospheric PM2.5 level by machine learning techniques in Isfahan, Iran. Sci Rep. 2024;14(1):2109.
  31. Mutinda JK, Langat AK, Mwalili SM. Forecasting temperature time series data using combined statistical and deep learning methods: a case study of Nairobi County daily temperature. Int J Math Math Sci. 2025;2025:4795841.
  32. Nath P, Saha P, Middya AI, Roy S. Long-term time-series pollution forecast using statistical and deep learning methods. Neural Comput Appl. 2021;33(19):12551–12570.
  33. Patel P, Patel S, Shah K, Desai K, Patel S, Shah M, Patel S. A systematic study on PM2.5 and PM10 concentration prediction in air pollution using machine learning and deep learning model. Environ Chem Ecotoxicol. 2025;7:1401-1415.
  34. Li Q, Zhang C, Shangguan W, et al. LandBench 1.0: a benchmark dataset and evaluation metrics for data-driven land surface variables prediction. Expert Syst Appl. 2024;243:122917.
  35. Mojgani R, Waelchli D, Guan Y, Koumoutsakos P, Hassanzadeh P. Extreme event prediction with multi-agent reinforcement learning-based parametrization of atmospheric and oceanic turbulence. arXiv:2312.00907v1. 2023.
  36. Yu S, White BL, Bhiwandiwalla A, et al. ClimDetect: a benchmark dataset for climate change detection and attribution. arXiv:2408.15993. 2024.
  37. Li T, Hua M, Wu X. A hybrid CNN-LSTM model for forecasting particulate matter (PM2.5). IEEE Access. 2020.
  38. Farhangmehr V, Imanian H, Mohammadian A, Cobo JH, Shirkhani H, Payeur P. A spatiotemporal CNN-LSTM deep learning model for predicting soil temperature in diverse large-scale regional climates. Sci Total Environ. 2025;968:178901.
  39. Wu C, Wang R, Lu S, Tian J, Yin L, Wang L, Zheng W. Time-series data-driven PM2.5 forecasting: from theoretical framework to empirical analysis. Atmosphere. 2025;16:292.
  40. Wu Y, Wang X, Wang M, Liu X, Zhu S. Time-series forecasting of PM2.5 and PM10 concentrations based on the integration of surveillance images. Sensors. 2025;25:95.
  41. Gong Y, Zhang Y, Wang F, Lee C-H. Deep learning for weather forecasting: a CNN-LSTM hybrid model for predicting historical temperature data. arXiv:2410.14963. 2024.
  42. Zhou S, Wang W, Zhu L, Qiao Q, Kang Y. Deep-learning architecture for PM2.5 concentration prediction: a review. Environ Sci Ecotechnol. 2024;21:100400.
  43. Zhang Z, Dey S, Lee K, et al. Temporal difference-based graph transformer networks for air quality PM₂.₅ prediction. Front Environ Sci. 2022;10:924986

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

rodowiskoWydanie 234Wydanie 234Prognozowanie jako ci powietrzaInterpretowalno oparta na mechanizmie uwagiInteligentna produkcja i miejskie systemy energetyczne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.