Aprendizado Profundo Híbrido com Interpretabilidade Baseada em Atenção para Previsão PM2.5 em Ambientes Urbanos de Delhi

Resumo

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, uma estrutura híbrida de deep learning para previsão de PM₂.₅ de curto prazo em Delhi. O modelo combina seleção de características CorrXGBoost-Rank, aprendizado por transferência com redes de memória de curto prazo e longa e atenção multicabeça para interpretação temporal e em nível de características, utilizando dados de qualidade do ar, meteorológicos e dados de contagem de incêndios derivados de satélites para melhorar a previsão de PM_2.5.

Resumo

A previsão de PM_2.5 de curto prazo é desafiadora em Delhi porque as concentrações de partículas são influenciadas por emissões locais, variação meteorológica, estagnação sazonal e poluição episódica relacionada a incêndios. Este estudo apresenta o CORTA-Net, uma estrutura híbrida de deep learning para previsão de PM_2.5 , utilizando dados ambientais multifontes de 2012 a 2024. Os dados de entrada incluem observações horárias da qualidade do ar das estações de monitoramento CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee), variáveis meteorológicas do Departamento Meteorológico da Índia (IMD) e informações de contagem de incêndios derivadas de satélites provenientes de produtos MODIS (Moderate Resolution Imaging Spectroradiometer). O framework proposto primeiro aplica a seleção de características CorrXGBoost-Rank para reduzir preditores redundantes e reter poluentes importantes, variáveis meteorológicas, temporais e relacionadas ao fogo. As características selecionadas são então organizadas como sequências supervisionadas de janelas deslizantes e processadas usando um codificador LSTM baseado em aprendizado por transferência, seguido por uma camada de atenção com múltiplas cabeças. O mecanismo de atenção fornece interpretação em nível de características e passos de tempo da previsão PM_2.5 . O CORTA-Net foi avaliado usando treinamentos cronológicos, testes e partições de validação, além de validação cruzada. Comparado com as bases de floresta aleatória, XGBoost, LSTM e atenção-LSTM, a estrutura proposta reduziu o erro de predição sob o cenário avaliado da estação de monitoramento de Delhi. A novidade do CORTA-Net está em combinar triagem explícita de características CorrXGBoost-Rank, codificação temporal baseada em aprendizado por transferência, integração de atividade de fogo MODIS e análise de comportamento de modelos baseada em atenção em múltiplas cabeças em um único pipeline reprodutível de previsão PM_2.5 . Na prática, a estrutura pode apoiar a previsão de qualidade do ar urbano de curto prazo em ambientes de monitoramento ricos em dados, onde registros de poluentes, observações meteorológicas e indicadores de atividade de incêndios estão disponíveis.

Introdução

Partículas finas com diâmetro aerodinâmico ≤ 2,5 μm (PM_2,5) são uma preocupação importante com a qualidade do ar em Delhi porque são afetadas por emissões^{locais 1,2,3}, transporte^{regional 4}, meteorologia^{sazonal 5} e eventos episódicos de queima^{de biomassa 6}. Durante períodos pós-monção e^{inverno 7}, baixa velocidade do^{vento 8}, condições rasas da camada limite⁹ e inversão térmica podem reduzir a dispersão de poluentes e aumentar o acúmulo de partículas. A previsão do PM_2.5 de curto prazo é desafiadora devido ao fenômeno inerente não linear, sazonal e abrupto de alta poluação da série^{temporal 10}. Estudos anteriores sobre previsão de PM_2.5 utilizaram modelos estatísticos, modelos de aprendizado de máquina e modelos recorrentes de redes^{neurais 11}. Métodos estatísticos podem ser úteis para determinar tendências e sazonalidade dos dados¹², mas podem não ser capazes de explicar totalmente as interações não lineares existentes entre poluentes e^{meteorologia 13}. Modelos de aprendizado de máquina como random forests e XGBoost podem ser usados para modelar relações não^{lineares 14}; no entanto, normalmente não possuem dependência temporal, a menos que características retardadas sejam projetadas. Redes neurais de longo e curto prazo (LSTM) são capazes de modelar tanto a dependência temporal quanto as relações não^{lineares 15}.

Redes de memória de curto prazo longo podem modelar padrões^{temporais 16}, mas seu desempenho pode ser afetado por condições não estacionárias e episódios abruptos de^{poluição 17}. Abordagens recentes baseadas em atenção e transformers melhoram a representação temporal¹⁸, mas muitas delas processam todas as variáveis candidatas diretamente e fornecem controle limitado sobre a redundância de características antes da modelagem^{de sequência 19,20}. Embora modelos de deep learning baseados em transformadores e híbridos tenham recentemente melhorado a previsão PM_2.5 e a previsão^{AQI 21}, suas contribuições frequentemente se concentram em aprendizagem de representação^{temporal 22}, construção de grafos^{espaciais 23}, fusão^{de modelos 24} ou otimização. Muitos desses modelos usam diretamente o conjunto de entradas multivariadas disponível e colocam a principal carga de aprendizado no modelo^{de sequência 25}. Isso pode aumentar a redundância de entrada, reduzir a interpretabilidade e dificultar identificar se melhorias surgem da modelagem temporal, triagem de características, indicadores ambientais externos ou ponderação baseada em atenção. Portanto, o CORTA-Net está posicionado como uma estrutura de previsão em nível de fluxo de trabalho, em vez de uma nova camada²⁶ independente de rede neural. Sua distinção reside na integração ordenada de quatro estágios: triagem de características CorrXGBoost-Rank antes da modelagem de sequência, codificação LSTM por transferência para adaptação temporal, inclusão derivada de MODIS na contagem de fogo para influência episódica de queima de biomassa, e atenção multicabeça para interpretação de comportamento do modelo em nível de características e passos temporais. Esse design permite que a estrutura avalie tanto a precisão das previsões quanto a contribuição de variáveis selecionadas de poluentes, meteorológicas, temporais e de atividade de incêndios sob a mesma configuração²⁷ da estação de monitoramento de Delhi.

Avanços recentes na previsão da qualidade do ar têm usado cada vez mais modelos híbridos de aprendizado profundo, mecanismos de atenção, aprendizado baseado em^{grafos 28} e arquiteturas de transformadores para capturar dependências temporais e espaciais não^{lineares 29}. Essas abordagens melhoraram o desempenho da previsão ao aprender dependências de longo alcance e atribuir pesos adaptativos a passos de tempo ou variáveis^{de entrada 30}. No entanto, muitos modelos recentes ainda dependem de grandes conjuntos de características de entrada, não reduzem explicitamente preditores redundantes antes da modelagem temporal, ou não incluem indicadores externos de atividade de incêndio quando os efeitos episódicos de queima de biomassa são importantes. O CORTA-Net preenche essa lacuna combinando triagem de características, codificação LSTM por transferência e aprendizagem, integração de contagem de fogo derivada de MODIS e atenção multi-cabeça em um único fluxo de previsão.

Este estudo apresenta o CORTA-Net como um pipeline híbrido reprodutível de previsão PM_2.5 , em vez de uma nova camada de rede neural. O framework combina quatro estágios: seleção de características CorrXGBoost-Rank, codificação temporal LSTM baseada em aprendizado por transferência, integração de contagem de disparos derivada de MODIS e análise de comportamento de modelos baseada em atenção múltiplas cabeças. O CorrXGBoost-Rank primeiro reduz variáveis redundantes de poluentes e meteorológicas antes da modelagem de sequências. As características selecionadas são então organizadas em sequências de janelas deslizantes e processadas usando um codificador LSTM de aprendizado por transferência. As variáveis de contagem de incêndios do MODIS são incluídas como indicadores externos da atividade regional dos incêndios, e a camada de atenção multi-cabeças é usada para examinar quais passos de tempo recentes e variáveis de entrada contribuem mais fortemente para a previsão. A estrutura é adequada para ambientes onde observações contínuas de PM_2.5 estão disponíveis de pelo menos uma estação de monitoramento, preferencialmente com vários anos de dados horários. Também se beneficia de observações meteorológicas e informações de contagem de incêndios derivadas de satélites quando a influência regional da queima de biomassa é relevante. Portanto, o CORTA-Net é destinado a ambientes urbanos ricos em dados de previsão da qualidade do ar e pode não ser adequado para locais com registros de monitoramento escassos, irregulares ou de curto prazo.

Delhi foi selecionada como região de estudo porque apresenta níveis recorrentes altos de PM₂.₅ durante os períodos pós-monção e^{inverno 31}. A cidade é afetada pelo tráfego, atividade industrial, emissões residenciais, estagnação meteorológica e queimas agrícolas regionais. Quatro estações de monitoramento foram usadas para este estudo: Dwarka Sector 8, Anand Vihar, Mundka-DPCC e Sonia Vihar. Cada estação representa um tipo diferente de microambiente urbano: área residencial, área de influência do tráfego e área com efeitos industriais. As observações feitas em cada estação de monitoramento entre 2012 e 2024 são apresentadas na Figura Suplementar 1. O treinamento do modelo foi feito com dados de 2015 a 2022, e testes foram realizados com dados de 2023 tanto para o desenvolvimento do modelo quanto para a^{validação do modelo 32} realizada com os dados coletados em 2024. As variáveis usadas como entradas incluíam PM_2.5, PM₁₀, NO,_{NO 2}, NOx, CO, benzeno, temperatura do ar, velocidade do vento, radiação solar e pressão barométrica, e foram determinadas a partir do que estava disponível no^{local 33}. Os dados derivados da contagem de incêndios do MODIS foram usados como variável externa representativa do nível de atividade de incêndio na área. A Tabela 1 contém um resumo das estatísticas de concentração PM₂.₅ de cada uma das quatro estações de monitoramento.

Conjunto de dados	Nome da estação	Mean	DST	min	25%	50%	75%	Max
1	Setor 8 de Dwarka	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	Anand Vihar	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	Mundka-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	Sonia Vihar	101.35	80.25	5.80	42.15	75.60	138.75	565.40

Tabela 1: Estatísticas resumidas da concentração de PM₂.₅ em quatro estações de monitoramento de Delhi. A Tabela 1 apresenta os níveis médios de PM2.5 (partículas finas) medidos em quatro monitores em Delhi. O PM_2,5 consiste em contaminantes transportados pelo ar com menos de 2,5 micrômetros de diâmetro e, como tal, é pequeno o suficiente para ser facilmente inalado profundamente nos pulmões, representando assim vários riscos potenciais à saúde.

Protocolo

Metodologia
Foi construído um modelo supervisionado de janela deslizante para prever o valor futuro de PM_2,5 no tempo t + 1 a partir das observações horárias anteriores. Os comprimentos das janelas de entrada candidatas de 12, 24 e 48 passos de tempo horários foram avaliados usando desempenho de validação, e a configuração final do CORTA-Net usou uma sequência de entrada de 24 horas. Interpolação linear foi usada para preencher valores ausentes; os valores fora do comum foram removidos usando o método IQR; e todas as variáveis foram escaladas usando normalização min-max antes de gerar características PM_2.5 atrasadas. O procedimento CorrXGBoost-Rank foi então aplicado para seleção de características. Primeiro, a filtragem de correlação de Pearson manteve variáveis com |r| ≥ 0,30. Segundo, pares de características altamente redundantes com correlação par a par |corr(_{x i},_{x j})| ≥ 0,85 foram filtrados para reduzir a multicolinearidade. Terceiro, um regressor XGBoost foi treinado nas variáveis restantes, e preditores com pontuações de importância baseadas em ganho XGBoost ≥ 0,015 foram mantidos para a entrada final do modelo. A arquitetura final do CORTA-Net consistia em camadas LSTM empilhadas para codificação temporal, uma camada de atenção multi-cabeça para ponderação em nível de características e passos temporais, e camadas de regressão densa para estimativa PM_2.5 . O modelo foi treinado usando o otimizador Adam com perda por erro quadrático médio e parada precoce. A avaliação do modelo foi realizada usando RMSE e^R2 em partições de treinamento, validação, teste e validação cruzada de 10 vezes. A Tabela 2 representa o resumo de pré-processamento de dados e engenharia de características.

Passo	Método utilizado	Parâmetro / limiar	Propósito
Cálculo de valor ausente	Porcentagem de observações ausentes	Reporte percentual variável	Quantifica a completude dos dados
Imputação de lacuna curta	Interpolação linear	Comprimento da folga ≤ 6 h	Preenche intervalos curtos ausentes
Detecção de valores aberrantes	Método IQR	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Remove valores extremos inválidos
Normalização	Escalonamento Min-Max	Conjunto de treinamento mínimo e máximo	Padroniza a gama de recursos
PM₂.₅ atraso	Variáveis lagadas	lag₁, lag₂, lag₃	Captura persistência temporal
Estatísticas rolantes	Médias móveis	3 h, 6 h, 12 h, 24 h	Captura o acúmulo de curto prazo
Recurso de contagem de fogo	CONTAGEM DE INCÊNDIOS MODIS	Contagem do mesmo dia / dia anterior	Representa a influência regional do fogo

Tabela 2: Pré-processamento de dados e resumo da engenharia de recursos. Na Tabela 2, o processamento de dados é feito de duas maneiras: primeiro, por meio da limpeza e transformação dos dados brutos (pré-processamento), e segundo, por meio de engenharia de características para criar/selecionar/modificar características (características). Como unidade, esses dois processos ajudam a eliminar ou reduzir o ruído; lidar com valores ausentes; melhorar a consistência dos dados; e criar modelos mais preditivos.

Os parâmetros de normalização foram estimados apenas a partir do conjunto de treinamento e aplicados inalterados aos conjuntos de teste e validação para evitar vazamento de informações.

Formulação matemática do rank CorrXGBoost
Seja X = {_{x 1}, x₂, ..., x_n} o conjunto de variáveis de entrada candidatas, e y a concentração alvo PM₂.₅. Para cada característica_{x i}, o coeficiente de correlação de Pearson com a variável-alvo foi calculado como:

(1)

onde cov(_{x i}, y) é a covariância entre a característica x_i e o alvo y, e σx_i e σy são seus desvios padrão. Recursos mantidos que satisfazem: |r_i| ≥ τ_r onde τ_r = 0,30 neste estudo.

Correlações par a par foram calculadas entre todos os features_x retidos_i, x_j, e se |corr(_{x i}, x_j)| >= τ_vermelho, onde τ_vermelho = 0,85, a característica com a correlação absoluta mais baixa com o alvo PM_2,5 é retirada do conjunto de características. Esse processo reduz variáveis do conjunto de características que possuem multicolinearidade. Em seguida, um modelo regressor XGBoost foi ajustado às características restantes, e pontuações de importância de características foram calculadas para cada característica usando importância XGBoost, e características que satisfizem i_i ≥ τ_xgb, onde τ_xgb = 0,015, foram mantidas no conjunto final de características (S") definido como S_final =_{S corr} ∪ S_xgb, ou seja, o conjunto de características definido por filtragem de características para redundância em relação à correlação e remoção de quaisquer características baseadas na importância da variável XGBoost. A abordagem geral adotada na seleção de características é a seguinte: calcular a correlação Pearson alvo de características par-a-par, descartar características com |r_i|< 0,30, descartar características com pares com correlações par a par ≥ 0,85, ajustar XGBoost às características restantes, manter características com Pontuação de Importância XGBoost ≥ 0,015, definir as características finais desejadas S_final=_{S corr} ∪ S_xgb, onde S_corr são as características mantidas após filtragem redundante de correlação, e S_xgb são as características selecionadas usando a pontuação de importância de características do XGBoost. O fluxo de trabalho CorrXGBoost-Rank é, portanto: calcular a correlação de Pearson com alvo de características, remover características com |_{r i}| < 0,30, remover características altamente redundantes com correlação par a par ≥ 0,85, treinar XGBoost nas variáveis restantes, manter variáveis com pontuação de importância XGBoost ≥ 0,015 e usar a união das variáveis selecionadas por correlação e selecionadas por XGBoost como conjunto final de características. Os parâmetros usados neste estudo são τ_r = 0,30, τ_vermelho = 0,85 e τ_xgb = 0,015.

Fontes de dados
Os autores integraram três grandes conjuntos de dados para o estudo; esses são dados sobre poluentes atmosféricos (PM_2.5, PM₁₀, NO₂, CO e SO₂) que os autores obtiveram por meio do monitoramento da qualidade do ar (Conselho Central de Controle de Poluição) / DPCC (Comitê de Controle de Poluição de Delhi), dados meteorológicos (temperatura, umidade, velocidade/direção e pressão do vento) do departamento meteorológico indiano (IMD) e informações de satélite sobre incêndios ativos do MODIS Active Fire Products da NASA. Esses três conjuntos de dados cobrem o período de 12 anos de janeiro de 2012 a dezembro de 2023 e, portanto, representam diferentes tipos de emissões. Incidentes de incêndio contribuem para a poluição do ar, conforme ilustrado na Figura Suplementar 2, que mostra as tendências do FIRECOUNT de 2012 a 2024.

Tendências de longo prazo dos poluentes ao longo do período do estudo
A Figura 1 mostra tendências de longo prazo dos poluentes ao longo dos anos de estudo (2012–2024). Contagens anuais de incêndios e concentrações médias de PM₂.₅ entre 2012 e 2024 apresentam uma relação positiva moderadamente forte (r = 0,688), indicando que uma maior atividade de incêndio tipicamente se relaciona a concentrações mais altas de PM₂.₅. Tanto os dados medidos quanto os previstos de PM₂.₅ seguem uma tendência semelhante, apoiando a ideia de que a queima de biomassa contribui para a poluição por partículas. Embora haja uma variabilidade interanual significativa, as emissões relacionadas ao fogo são um fator importante na determinação da variabilidade PM₂.₅, ressaltando a necessidade de uma gestão regional de incêndios para melhorar a qualidade do ar. A autocorrelação da PM_2.5 prevista em trinta lags, mostrada na Figura Suplementar 3, apresenta considerável autocorrelação positiva em quase todos os trinta lags, confirmando que PM_2.5 em Delhi tem forte dependência temporal e persistência de vários dias.

Figura 1: Tendências de PM₂.₅ de longo prazo e contagem de incêndios de 2012 a 2024. A Figura 1 compara a variação anual da contagem de incêndios com as concentrações observadas e previstas de PM₂.₅. PM₂.₅ é reportado em μg/^{m 3}. O FIRECOUNT representa a atividade de incêndio derivada de satélites proveniente dos produtos MODIS. Por favor, clique aqui para ver uma versão ampliada desta figura.

Decomposição STL (Decomposição Sazonal e de Tendência usando Loess)
STL ou Decomposição Sazonal e de Tendência usando Loess é um algoritmo iterativo que permite a decomposição dos dados de séries temporais em três componentes aditivos, como mostrado na Figura 2: tendência (tendência de longo prazo) (Figura 2A), (Figura 2D), (Figura 2G), (Figura 2J), sazonais (períodos cíclicos) (Figura 2B), (Figura 2E), (Figura 2H), (Figura 2K) e restante (ruído/resíduo) (Figura 2C), (Figura 2F), (Figura 2I), (Figura 2L). O STL provou ser bem-sucedido ao lidar com as características complexas e não lineares de dados ambientais (como o PM_2.5), para as quais muitas outras técnicas analíticas falharam devido a amplitudes variáveis no sinal sazonal e à existência de valores atípicos. O suavizamento LOESS permite a separação precisa desses componentes, produzindo uma interpretação mais clara de tendências ou padrões. Por meio do processamento STL, é possível separar as tendências mais amplas de alta do PM_2.5 dos ciclos diários/sazonais mais curtos e dos resíduos erráticos dentro desses ciclos. Essa separação permite identificar quais emissões influenciaram o PM_2.5, em oposição aos fatores meteorológicos que influenciaram o PM_2.5. Os resultados dessa separação auxiliam na previsão precisa das futuras emissões de PM_2,5 ; fornecer dados para decisões regulatórias; e estejam em conformidade com os padrões estabelecidos para a desagregação rigorosa dos dados de séries temporais para estudos de qualidade do ar³⁴. Medições médias diárias de concentração de PM_2,5 realizadas em estações de monitoramento em Delhi entre 2012 e 2024 indicam mudanças mínimas nos níveis de PM_2,5 (ou seja, nenhuma mudança significativa de 2022–24) no geral e comportamento extremamente limitado e consistente (ou consistência nos níveis de PM_2,5 entre os quatro locais de monitoramento). Os níveis de PM_2,5 no Setor 8 de Dwarka e no Mundka-DPCC apresentam uma tendência persistente de queda (ou seja, continua a cair), enquanto Anand Vihar apresenta uma tendência de alta (ou seja, crescendo significativamente), e Sonia Vihar apresenta uma leve tendência de alta (a partir de um aumento muito pequeno desde 2022). Além disso, os resíduos das concentrações diárias de PM_2,5 para cada uma das quatro estações de monitoramento indicaram que as concentrações de PM_2,5 foram fortemente influenciadas por mudanças sazonais (meteorológicas), que produziram grandes flutuações nas concentrações médias diárias de PM_2,5 para estações individuais. Concentrações diárias de PM_2,5 para as Quatro Estações de Monitoramento em Delhi (2012–2024) são exibidas na Figura 2.

Figura 2: Decomposição STL (decomposição sazonal e de tendência usando Loess) das concentrações diárias de PM₂.₅ em quatro estações de monitoramento de Delhi de 2022 a 2024. A série temporal de cada estação de monitoramento é decomposta em três componentes aditivos: tendência de longo prazo, variação sazonal e remanescente (resto). (A) Componente de tendência para o Setor 8 de Dwarka. (B) Componente sazonal para o Setor 8 de Dwarka. (C) Componente residual para o Setor 8 de Dwarka. (D) Componente de tendência para Anand Vihar. (E) Componente sazonal para Anand Vihar. (F) Componente residual para Anand Vihar. (G) Componente de tendência para Mundka-DPCC. (H) Componente sazonal para Mundka-DPCC. (I) Componente residual para Mundka-DPCC. (J) Componente de tendência para Sonia Vihar. (K) Componente sazonal para Sonia Vihar. (L) Componente residual para Sonia Vihar. STL, decomposição sazonal e de tendência usando Loess. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 2 apresenta as decomposições temporais das concentrações diárias de PM2,5 em quatro locais de monitoramento urbano entre 2022 e 2024, revelando padrões de declínios de longo prazo, aumentos graduais e grandes mudanças diurnas. Essas diferenças podem ser amplamente atribuídas aos efeitos físicos do clima, ou seja, mudanças na altura da camada limite planetária (PBL), como a expansão diurna que aumenta a dispersão vertical e reduz as concentrações, e a contração noturna, deixando poluentes próximos ao solo e criando um pico mais alto à noite. Outras influências meteorológicas vêm de emissões locais de atividade humana relacionadas às suas horas de maior volume (picos matinais/noturnos), indústrias e suas interações com: fatores específicos do local, como topografia local, velocidade do vento, umidade relativa e estação do ano (ou seja, maior correlação no inverno) que criam as mudanças específicas da estação e os declínios gerais de longo prazo podem ter sido influenciados por controles regulatórios sobre emissões, levando a tendências de queda no geral.

Correlação entre as características
A Figura 3 apresenta a distribuição de todas as características de entrada usadas no modelo CORTA-Net. Em painéis, variáveis poluentes (PM₁₀ (Figura 3A), NO₂ (Figura 3B), CO (Figura 3C), SO₂ (Figura 3D)) apresentam distribuições enviesadas à direita típicas dos dados de qualidade do ar urbano, enquanto O₃ (Figura 3E) e pressão (Figura 3I) apresentam padrões próximos do^{normal 35}. A temperatura (Figura 3F) apresenta uma estrutura sazonal bimodal clara, a umidade (Figura 3G) segue uma ampla dispersão uniforme, e a velocidade do vento (Figura 3H) apresenta uma distribuição de cauda leve. Esses padrões destacam o comportamento estatístico heterogêneo dos preditores e justificam a necessidade de engenharia de características e normalização antes do treinamento do modelo.

Figura 3: Distribuição das características de entrada usadas no modelo CORTA-Net, incluindo concentrações de poluentes atmosféricos e variáveis meteorológicas. As distribuições ilustram as características estatísticas dos preditores antes do pré-processamento e do treinamento do modelo. (A) PM₁₀ concentração. (B) Concentração NO₂. (C) Concentração de CO. (D) SO₂ concentração. (E) Concentração O₃. (F) Temperatura do ar. (G) Umidade relativa. (H) Velocidade do vento. (I) Pressão atmosférica. Variáveis poluentes, particularmente PM₁₀, NO₂, CO e SO₂, apresentam distribuições enviesadas à direita típicas dos dados de qualidade do ar urbano, enquanto O₃ e pressão atmosférica apresentam distribuições aproximadamente normais. A temperatura apresenta um padrão sazonal bimodal, a umidade tem uma distribuição ampla e a velocidade do vento é concentrada em valores mais baixos com distribuição de cauda leve. Essas distribuições heterogêneas de características apoiam o uso da engenharia de características e normalização antes do desenvolvimento do modelo. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 4 apresenta o ranking de importância de características baseado no ganho do XGBoost após o pré-processamento CorrXGBoost-Rank para previsão PM₂.₅. O gráfico atual de importância de características mostra que o PM₂.₅ do Dia Anterior é o preditor mais bem classificado, com pontuação de importância de 0,280, seguido por PM₁₀ = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, velocidade do vento = 0,070, temperatura = 0,040, umidade = 0,030 e dia do ano = 0,020. A linha vertical tracejada representa o limite real de seleção de recursos do XGBoost de 0,015. Preditores com pontuações de importância maiores ou iguais a 0,015 foram mantidos para o conjunto final de entrada CORTA-Net, enquanto preditores abaixo desse limite, incluindo SO₂ = 0,010, O₃ = 0,010, pressão = 0,005, precipitação = 0,005, fim de semana = 0,002 e feriado = 0,001, foram excluídos. Esses valores representam pontuações de importância de características baseadas no ganho do XGBoost e não devem ser interpretados como coeficientes de correlação de Pearson ou efeitos causais.

Portanto, apenas as características que receberam contribuição acima desse limite foram incluídas no modelo. Modelos XGBoost usam um conjunto de árvores de decisão, que constroem iterativamente uma árvore para minimizar uma função de perda, conhecida como gradient boosting. O XGBoost calcula a importância das características usando uma de três métricas: ganho (quanto a divisão da característica melhora o desempenho do modelo), peso (quantas vezes a característica foi escolhida como divisão para uma árvore) ou cobertura (o número de observações impactadas pela divisão). O modelo XGBoost foi construído com base em dados relacionados à qualidade do ar (poluentes, variáveis meteorológicas) e tem foco em PM_2.5 atrasado para prever automaticamente PM_2.5, o que é comum em modelos PM_2.5 em Delhi, e ajuda a capturar a persistência temporal da PM_2.5. Delhi_PM_2,5 é um contribuinte significativo devido às altas características de autocorrelação das partículas finas, que também indicam a presença de uma inércia de poluição proveniente das fontes de emissão consistentes. A Velocidade do Vento é um contribuinte significativo porque fornece o mecanismo para a dispersão dos poluentes; enquanto ventos fracos permitem o acúmulo de poluentes durante o inverno, quando há inversões. O NO₂ está correlacionado com o PM_2.5 devido ao tráfego/emissões, enquanto o dia do ano indica o ciclo anual de emissões dos poluentes (ou seja, menores emissões no fim de semana). Em Delhi, o PM_2.5 apresenta alta autopersistência devido à meteorologia estagnada do inverno e às emissões contínuas de veículos, indústria e^{biomassa 28}. O vento auxilia na dispersão dos aerossóis, mas o vento fraco < 2 m/s contribuiu para o aumento do acúmulo de PM_2,5 devido a inversões. A relação entre NO₂ e PM_2.5 é resultado de sua origem comum (ou seja, combustão) e está sujeita a influências temporais (por exemplo, diária vs. semanal)³⁶. Os quatro principais fatores responsáveis por explicar 93% ou mais da variação no AQI são variações nas concentrações de poluentes devido ao acúmulo atrasado de PM_2,5 (93%+) e baixas velocidades de vento que aprisionam as emissões, as emissões de NO₂/PM de veículos e da indústria, e variações diárias na quantidade de^{tráfego 37}. Além disso, a geografia de Delhi é um fator que contribui para a persistência das inversões na área e, assim, também agrava as concentrações de PM_2.5 . O ajuste de hiperparâmetros, regularização e adição de variáveis adicionais (como temperatura) ajudariam a limitar as chances de superajuste e melhorariam o desempenho geral do modelo. Implementar estratégias operacionais para reduzir as emissões de PM deve incluir a implementação de limites diários para as emissões de PM, o uso de dispositivos que monitorem em tempo real a presença de PM e o uso do vento para dispersar PM pelos espaços verdes urbanos.

Figura 4: Classificação de importância de características baseada em ganho do XGBoost após a triagem de características do CorrXGBoost-Rank para previsão PM₂.₅. As barras preditoras estão organizadas em ordem decrescente de importância. A linha vertical tracejada representa o limite real de seleção de recursos do XGBoost de 0,015. Preditores com pontuações ≥ 0,015 foram mantidos para o conjunto final de entrada CORTA-Net, enquanto preditores abaixo desse limite foram excluídos. A classificação é usada para triagem de características e interpretação de comportamento do modelo e não deve ser interpretada como atribuição causal. Por favor, clique aqui para ver uma versão ampliada desta figura.

Arquitetura do modelo CORTA-net
A Figura 5 apresenta uma proposta de estrutura de previsão para PM_2.5 . As Figuras Suplementares 4 e 5 ilustram a disposição interna da unidade LSTM e uma representação do diagrama de blocos Multi-Head Attention. Todas as fontes de dados (ou seja, condições ambientes, observações meteorológicas, atividade de incêndios e aspectos temporais e contextuais dos dados) passaram por pré-processamento para garantir que concordem temporalmente, tenham quaisquer dados ausentes imputados (se necessário) e tenham sido submetidas tanto à remoção quanto à normalização de outliers antes de serem empregadas em qualquer processo de construção do modelo. A arquitetura do modelo, engenharia de características, configuração de treinamento, configuração de dados, aprendizado por transferência, métricas de avaliação, previsões futuras e detalhes de implementação são mostrados na Tabela Suplementar 1. Utilizando o módulo CorrXGBoost-Rank, o conjunto ótimo de características é determinado antes de um subconjunto delas ser inserido na arquitetura LSTM, que foi aprimorada pela incorporação de camadas de atenção multi-cabeças para levar em conta o comportamento de séries temporais durante a fase de modelagem. Tanto a previsão PM_2.5 quanto a importância das características PM_2.5 das características de entrada, assim como os pesos de atenção multicabeça como mapas de atenção, foram fornecidos como saídas. A estrutura interna da unidade LSTM e o diagrama de blocos de atenção multi-cabeça foram incluídos como Figuras Suplementares 4 e 5, respectivamente, enquanto a Tabela Suplementar 1 fornece os parâmetros da arquitetura para cada tipo de camada dentro dessa arquitetura.

Figura 5: Arquitetura geral do modelo de previsão CORTA-Net PM₂.₅. Um processo de previsão de entrada inclui entradas de indicadores de qualidade do ar, indicadores meteorológicos, indicadores de tempo e indicadores MODIS (Espectrorradiômetro de Imagem de Resolução Moderada) para contagem de incêndios. Para cada uma dessas etapas, o algoritmo alinhou carimbos de tempo, lidou com valores ausentes, filtrou outliers, normalizou dados e engenhou características. Os preditores finais foram então selecionados usando o processo CorrXGBoost-Rank. Posteriormente, as características selecionadas eram colocadas em janelas deslizantes de sequência temporal e passadas por um codificador LSTM (Long Short-Term Memory) usando aprendizado por transferência. Para cada característica e passo de tempo, o mecanismo de atenção multi-cabeça aplica pesos antes de enviar a saída combinada para a camada final de regressão densa para produzir a previsão PM₂.₅. Por favor, clique aqui para ver uma versão ampliada desta figura.

Treinamento e avaliação
Uma abordagem de janela deslizante foi usada para formar sequências de aprendizado supervisionado. O treinamento utilizou otimizador Adam e perda por erro quadrático médio (Tabela Suplementar 2). O desempenho do modelo foi avaliado usando RMSE e^R2 em partições de treinamento, validação, teste e validação cruzada. A arquitetura do Modelo, engenharia de características, Configuração de Treinamento, Configuração de Dados, Transferência de Aprendizagem, Métricas de Avaliação, Previsões Futuras e Detalhes de Implementação são tabulados na Tabela Suplementar 1. A Figura 6 representa os diagnósticos de treinamento para o modelo de predição CORTA-Net PM₂.₅. Nos painéis, a Figura 6A representa curvas de perda de treinamento e validação, mostrando redução progressiva de erros, com parada ótima na época 106. A evolução da lacuna de generalização durante a avaliação de uma análise de sobreajuste é ilustrada pela divergência entre dados de validação e treinamento na Figura 6B. Em particular, mostra períodos em que a divergência excede limites pré-definidos; essas informações fornecem evidências de que o comportamento da taxa de aprendizagem e os padrões de redução de perda ilustram os benefícios do decaimento da taxa de aprendizagem programada (LR) em épocas críticas como meio de melhorar a estabilidade da convergência, como mostrado na Figura 6C. Coletivamente, essas figuras fornecem um resumo da dinâmica de aprendizagem, capacidade de generalização e configuração recomendada de treinamento do modelo.

Figura 6: Diagnósticos de treinamento para o modelo de predição CORTA-Net PM₂.₅. (A) Curvas de perda de treinamento e validação mostrando redução progressiva do erro durante o treinamento do modelo, com paradas precoces na época 106 com base no desempenho da validação. (B) Lacuna de generalização entre treinamento e perda de validação entre épocas, ilustrando a evolução da generalização do modelo e períodos de divergência aumentada indicativos de potencial superajuste. (C) Cronograma de taxa de aprendizado que mostra o efeito da decadência da taxa de aprendizagem programada na otimização ao longo do treinamento. (D) Resumo do comportamento de convergência do modelo, demonstrando otimização estável e a configuração final de treinamento selecionada para o modelo CORTA-Net. Juntos, esses diagnósticos ilustram a dinâmica do modelo, as características de convergência e o desempenho de generalização durante o treinamento. Por favor, clique aqui para ver uma versão ampliada desta figura.

Resultados

Seleção de características e resultados de previsão
O procedimento CorrXGBoost-Rank selecionou PM₂.₅ atrasado, velocidade do vento, umidade, temperatura, indicadores temporais e contagem de incêndio derivados de MODIS como preditores significativos da qualidade do ar. Cada uma dessas variáveis leva em conta a persistência da poluição, dispersão devido às condições meteorológicas, diferenças sazonais nos níveis de poluição e influência regional dos incêndios. Variáveis redundantes foram removidas antes da modelagem de sequências para reduzir a dimensionalidade desnecessária da entrada. O CORTA-Net foi avaliado usando erro absoluto médio, erro quadrático médio e coeficiente de determinação. No conjunto diário de dados de Delhi, o modelo alcançou RMSE = 3,19 e R² = 0,983. Na divisão de treinamento climático de Delhi, o modelo alcançou RMSE = 4,98 e^{R 2} = 0,845. Na análise de dispersão do conjunto de teste alvo, os valores observados e previstos de PM₂.₅ mostraram Pearson r = 0,942 e R² = 0,873. Esses valores referem-se a diferentes partições de avaliação e não devem ser tratados como resultados intercambiáveis em todo o modelo.

A Figura 7 agora serve como uma única representação visual consolidada do desempenho dos testes do CORTA-Net nos dados do teste. A seção da série de tempo mostra que há uma excelente correlação entre o nível real e previsto de PM_2.5 no conjunto de dados de teste durante todo o período de avaliação, incluindo eventos episódicos de alta poluição como Diwali e queima de resíduos de culturas. Para apoiar isso, o gráfico de dispersão mostra que há uma forte correlação linear entre os valores reais e previstos (Pearson's r = 0,942, R² = 0,873), indicando um nível extremamente alto de precisão preditiva.

Desempenho na previsão
Os gráficos residuais mostram que os erros estão distribuídos aproximadamente normalmente em torno de zero, com apenas alguns erros isolados durante picos extremos de poluição. Isso reforçou fortemente a robustez estatística e a ausência de viés nos modelos CORTA-Net. O CORTA-Net demonstrou um RMSE de 3,19 e um^R2 de 0,983 no conjunto diário de dados de Delhi, e um RMSE de 4,98 e um^R2 de 0,844 no conjunto de dados Daily Delhi Climate Train. Essas medições, em conjunto com as evidências acima, confirmaram que a CORTA-Net modelou com precisão tanto as tendências graduais quanto as desvios súbitos nos níveis de PM_2.5 .

A precisão das previsões das concentrações de PM_2,5 foi avaliada usando três métodos: uma avaliação baseada no tempo da precisão validada no tempo das previsões dos modelos sobre a concentração de PM_2,5 , uma correlação baseada no tempo das concentrações previstas e reais de PM_2,5 , e uma avaliação de erro baseada em análise estatística. A avaliação temporal, comparando os valores previstos de PM_2,5 e PM_2,5 temporal (Figura 7A), mostrou a relação ao longo do tempo entre as concentrações reais medidas de PM_2,5 em comparação com as concentrações previstas no modelo de PM_2,5 e demonstra algumas ocorrências significativas de PM_2,5 (por exemplo, o festival de Diwali e o período de queima de restos por fazer) que ocorreram nesse período. A correlação entre as concentrações previstas de PM_2,5 pelo modelo e as concentrações medidas de PM_2,5 fornece evidências de uma correlação muito alta (Pearson r = 0,942 e R2 = 0,873), com uma forte concordância entre as concentrações previstas de PM_2,5 e as concentrações realmente medidas, indicando que o modelo PP-FRC é um preditor preciso e confiável das concentrações de PM_2,5 (Figura 7B). A distribuição de curtose dos resíduos (Figura 7C) demonstrou pequenos erros ao longo do tempo com dias isolados de erro alto, enquanto a distribuição residual foi aproximadamente normal (Figura 7D), e os erros residuais médios e medianos foram muito próximos de zero, indicando que os erros de predição do modelo foram inviesados e estatisticamente bem comportados.

Figura 7: Desempenho preditivo do modelo CORTA-Net no conjunto de dados de teste independente. Concentrações de PM₂.₅ são relatadas em μg/m³. (A) Comparação temporal das concentrações observadas e previstas de PM₂.₅, demonstrando concordância próxima entre os valores medidos e os previstos pelo modelo, inclusive durante episódios de poluição maiores. (B) Gráfico de dispersão das concentrações previstas versus observadas de PM₂.₅, mostrando forte desempenho preditivo (Pearson r = 0,942; R² = 0,873). (C) Distribuição temporal dos resíduos (erro de previsão) ao longo do período de teste, indicando erros geralmente pequenos com um número limitado de eventos de alto erro. (D) Distribuição dos resíduos, mostrando uma distribuição aproximadamente normal centrada próxima a zero, com média e mediana dos resíduos próximos a zero, indicando erros de predição imparciales e bem comportados. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura 7 apresenta o desempenho preditivo do CORTA-Net no conjunto de teste alvo. O gráfico de série temporal mostrou a concordância entre os valores observados e previstos de PM₂.₅, incluindo períodos de concentração elevada de partículas. O gráfico de dispersão mostrou a associação entre os valores previstos e observados de PM_2.5 . Os gráficos residuais mostraram que a maioria dos erros de predição está centrada perto de zero, com desvios maiores durante episódios de alta poluição.

Validação cruzada
A validação cruzada dez vezes maior mostrou variância limitada entre dobras, demonstrando robustez sob condições atmosféricas não estacionárias. O modelo demonstrou forte capacidade preditiva. Os valores previstos de PM₂.₅ correspondem de perto aos valores observados. Os resíduos apresentaram viés mínimo e normalidade aproximada. A Figura 8 forneceu uma visão geral do desempenho do modelo em muitas condições e ao longo do tempo, utilizando medidas RMSE, MAE (erro absoluto médio) e R2 (coeficiente de determinação) em validação cruzada de 10 vias. Nos painéis, as Figuras 8A e 8B, RMSE e MAE mostraram baixa variabilidade em todas as lacunas de treinamento/validação cruzada, indicando precisão preditiva estável. A Figura do painel 8C mostra valores consistentemente altos de R² (~0,92 para treinamento e ~0,89 para validação) em todas as validações cruzadas, indicando que o modelo possui alto poder explicativo e variância intra-modelo muito baixa entre as diferentes validações cruzadas. A Figura 8D demonstrou que o valor médio em todas essas medidas mostrou pouca lacuna de generalização, sugerindo que o modelo teve um desempenho consistentemente bom independentemente de como os dados foram particionados.

Figura 8: Desempenho fold-wise do modelo CORTA-Net usando validação cruzada 10-fold. O desempenho foi avaliado usando erro quadrático médio (RMSE), erro absoluto médio (MAE) e coeficiente de determinação (R²). Barras de erro representam o desvio padrão entre dobras quando aplicável. (A) Valores RMSE fold-wise para os conjuntos de dados de treinamento e validação, demonstrando erro de predição consistentemente baixo em todas as folds. (B) Valores de MAE por dobra para os conjuntos de dados de treinamento e validação, indicando desempenho preditivo estável com variação mínima entre as dobras. (C^{) Valores} R 2 fold-wise para os conjuntos de dados de treinamento e validação, mostrando um poder explicativo consistentemente alto em todas as folds de validação cruzada. (D) Métricas médias de desempenho e lacuna de generalização entre os conjuntos de dados de treinamento e validação, demonstrando desempenho consistente do modelo e boa generalização independentemente do particionamento dos dados. Por favor, clique aqui para ver uma versão ampliada desta figura.

Interpretabilidade baseada em atenção
A atenção multi-cabeças foi usada para examinar quais passos de tempo recentes e variáveis de entrada contribuíram mais fortemente para a previsão do PM_2.5 . Alguns responsáveis por atenção enfatizaram a memória de poluentes de curto prazo por meio de valores de PM_2,5 atrasados, enquanto outros atribuíram maior peso a variáveis meteorológicas relacionadas à dispersão, como velocidade do vento e umidade. As variáveis de contagem de incêndios também receberam maior atenção durante episódios de poluição, consistentes com a influência regional da queima de biomassa. Esses mapas de atenção devem ser interpretados como indicadores do comportamento do modelo, e não como explicações causais. Os resultados sugeriram que o modelo utiliza tanto o histórico recente de poluentes quanto covariáveis ambientais ao produzir previsões.

Configuração do modelo	Seleção de recursos	Aprendizagem por transferência	Atenção multi-cabeça	Entrada de contagem de disparos	RMSE ↓	MAE ↓	R² ↑
Linha base do LSTM	Não	Não	Não	Não	7.56	5.52	0.905
+ CorrXGBoost-Rank	Sim	Não	Não	Não	4.24	3.10	0.970
+ Aprendizado por transferência	Sim	Sim	Não	Não	3.89	2.84	0.975
+ Atenção com múltiplas cabeças	Sim	Sim	Sim	Não	3.48	2.54	0.980
CORTA-Net completo	Sim	Sim	Sim	Sim	3.19	2.33	0.983

Tabela 3: Análise de ablação componente a componente do CORTA-Net. A Tabela 3 avalia cada elemento arquitetônico dentro de um sistema removendo ou alterando um ou mais componentes e medindo mudanças de desempenho. Isso indica quais componentes arquitetônicos são mais eficazes, confirma decisões arquitetônicas e mostra como os diversos componentes interagem para aumentar a precisão, robustez, eficiência e eficácia geral da rede.

A Tabela 3 apresenta a análise de ablação componente a componente do CORTA-Net. A linha de base do LSTM obteve RMSE = 7,56, MAE = 5,52 e R² = 0,905. Adicionar a seleção de recursos CorrXGBoost-Rank reduziu o RMSE para 4,24, indicando que remover preditores redundantes e pouco relevantes melhorou o desempenho da previsão. O aprendizado por transferência reduziu ainda mais o RMSE para 3,89, indicando que representações temporais pré-treinadas melhoraram a estabilidade do modelo. Ao usar atenção multi-cabeças, o RMSE foi reduzido de 3,48 para 3,19, melhorando assim o valor de R² de 0,980 para 0,983, indicando uma grande melhoria nas previsões temporais por meio do uso de pesos de nível de características e passos de tempo em conjunto com os outros componentes do modelo CORTA-Net (ou seja, CorrXGBoost-Rank, Transfer Learning, Multi-Head Attention e entradas MODIS Fire Count). No geral, as melhorias demonstraram as contribuições da seleção de características, aprendizado por transferência temporal, ponderação de sequências baseada em atenção e atividade de incêndio para a implementação e desempenho do modelo CORTA-Net.

Seleção de Recursos	Modelagem de Sequências Temporais	Aprendizagem por transferência	Análise do Comportamento de Modelos Baseados em Atenção	Entrada de atividade de incêndio	Papel Principal em Comparação
Sem Grau CorrXGBoost explícito	Não	Não	Não	Não	Linha base clássica de aprendizado de máquina não linear
Importância baseada apenas em árvores internas	Não	Não	Não	Não	Linha de base de aumento de gradiente para preditores tabulares
Não	Sim	Não	Não	Não	Linha de base temporal recorrente
Não	Sim	Não	Sim	Não	Linha base recorrente baseada em atenção
Sim	Sim	Sim	Sim	Sim	Estrutura proposta de previsão híbrida

Tabela 4: Principais diferenças entre os modelos de previsão CORTA-Net e de base. A Tabela 4 mostra que o modelo atual usado para previsão é o CORTA-Net, que permitiu técnicas mais avançadas para extrair características temporais, além de usar a capacidade de atender adaptativamente com base no que era importante para capturar padrões temporais complexos a partir de conjuntos de dados de séries temporais. O CORTA-Net aprendeu dinamicamente a relacionar várias escalas de tempo diferentes para produzir maior precisão geral, robustez e capacidade de criar generalizações do que as técnicas tradicionais de previsão base.

As diferenças entre as metodologias CORTA-Net e os modelos de referência de comparação são apresentadas na Tabela 4. Random Forest e XGBoost podem ser usados para fornecer um método de referência não linear de aprendizado de máquina, mas carecem da modelagem direta de dependências sequenciais. LSTMs foram usados como método de referência temporal recorrente, enquanto os LSTMs de Atenção forneceram ponderação baseada em atenção sem características explícitas de triagem, usando aprendizado por transferência ou integrando atividade de fogo. Em contraste, o CORTA-Net incorpora quatro aspectos de linhas de base anteriores em um único pipeline de previsão: (1) seleção de características CorrXGBoost-Rank; (2) codificações LSTM por transferência e aprendizagem; (3) atenção múltipla de cabeças; (4) e disparos derivados de MODIS contam como dados de entrada.

Comparação de linha de base
Além das comparações quantitativas de linha base (fornecidas separadamente com diferenças médias de dobra, erros padrão e intervalos de confiança de 95%), os autores também avaliaram o funcionamento interno da CORTA-Net por meio de seu mecanismo de atenção. Os pesos de atenção atribuídos a cada característica de entrada (ao longo do tempo e múltiplas cabeças de atenção) são mostrados na Figura 9. Na Figura 9A, o grupo mostra uma distribuição representativa dos pesos de atenção atribuídos a uma das instâncias do conjunto de dados de teste. Como visto nesta figura, embora certas características de entrada (por exemplo, PM2.5 em t-1, t-2 e t-3) tenham pesos relativos menores do que outros preditores, ainda assim receberiam a maior atenção/pesos, demonstrando que o CORTA-Net dá mais atenção à dependência temporal de curto prazo do que à dependência de memória de longo prazo. Na Figura 9B, os pesquisadores fornecem avaliações agregadas da importância relativa de todas as características de entrada em todas as amostras de teste na previsão do PM_2.5 para Delhi; PM_2,5 atrasados, velocidade do vento, temperatura e contagem de incêndios são identificados como os recursos preditivos de entrada mais importantes. Na Figura 9C, os autores demonstram os padrões de atenção multi-cabeças do CORTA-Net, onde cada cabeça captura diferentes, porém complementares, relações temporais e/ou em nível de características entre as características de entrada, permitindo assim que aprenda uma representação mais rica das características de entrada. Na Figura 9D, os autores ilustram o fluxo de atenção em passos de tempo, ao longo do tempo, em relação ao PM₁₀, ilustrando como a atenção varia ao longo do tempo com base nos níveis do PM₁₀ . Embora os pesos de atenção possam ser interpretados como indicadores dos padrões gerais do processamento do CORTA-Net de dados ambientais fornecidos sequencialmente, bem como da priorização de cada característica sequencialmente fornecida, os pesos de atenção não fornecem evidências diretas de relações causais. No entanto, eles não forneceram insights sobre como os processos do CORTA-Net forneceram sequencialmente dados ambientais, o que melhora a interpretabilidade de suas previsões (Tabela Suplementar 3).

Figura 9: Visualizações baseadas em atenção do comportamento do modelo CORTA-Net. Os pesos de atenção demonstram como o modelo distribui o foco entre as características de entrada e os passos de tempo durante a previsão, e devem ser interpretados como indicadores de comportamento do modelo, e não como evidências de relações causais. (A) Mapa de atenção de instância única mostrando pesos de atenção atribuídos a características de entrada e observações históricas recentes para uma previsão individual. (B) Importância agregada das características com base nos pesos de atenção em todo o conjunto de dados de teste, destacando a contribuição relativa de cada variável de entrada para a previsão PM₂.₅. (C) Padrões de atenção com múltiplas cabeças demonstrando como diferentes cabeças de atenção capturam representações complementares em nível de características e temporais. (D) Distribuição temporal da atenção mostrando a importância relativa dos passos históricos de tempo durante a previsão. No geral, PM₂.₅, FIRECOUNT, velocidade do vento (WDS), umidade e temperatura atrasados receberam os maiores pesos de atenção, indicando sua importância no processo de previsão do modelo. Por favor, clique aqui para ver uma versão ampliada desta figura.

A Figura Suplementar 6A–B compara o CORTA-Net com modelos de referência usando MAE, RMSE e^{R 2}. Valores mais baixos de MAE e RMSE indicaram menor erro de previsão, enquanto um R² maior indica uma variância melhor explicada. O CORTA-Net apresentou erro de predição menor do que os modelos de linha inicial avaliados sob a mesma partição experimental. No entanto, a comparação deve ser interpretada dentro do conjunto de dados selecionado da estação de monitoramento de Delhi e do mesmo pipeline de pré-processamento. A Figura 7 suplementar resume a classificação relativa dos modelos CORTA-Net e de referência entre as métricas relatadas. A Figura 8 suplementar destaca os principais componentes que contribuem para o desempenho do modelo, incluindo seleção de características, aprendizado por transferência, modelagem de sequências temporais e atenção multi-cabeças.

A avaliação comparando o desempenho do CORTA-Net com alguns dos modelos de referência é feita na Figura Suplementar 7A–C usando um gráfico de radar, que mostra o único modelo a medir acima (ou abaixo) de seus equivalentes em todas as áreas medidas (RMSE invertido, MAE invertido e valores^{R 2} ). A CORTA-Net obteve a melhor classificação geral na Figura Suplementar 7B, além de estar entre as primeiras posições em várias das outras métricas medidas. A Figura Suplementar 7C apresenta as melhorias de desempenho entre o CORTA-Net e as múltiplas linhas de base, conforme medidas pelo CORTA-Net, demonstrando ganhos substanciais em relação às linhas de base deste estudo. A melhora mais significativa é observada no RMSE (22,8%), seguido pelos valores de MAE (24,1%) e R² (aumento de 39,3 a 72,2% para explicar a variância em cada resultado). A caixa de resumo da CORTA-Net oferece uma visão geral de seus pontos fortes. Essas incluem a capacidade de aplicar atenção multicabeça para avaliar a importância, fusão temporal de dados de sensores para prever poluentes futuros, resistência a mudanças em eventos de poluição (por exemplo, tempestades fortes) e desempenho consistente em todas as medidas de sucesso em um ambiente multifuncional. O CORTA-Net supera todos os outros modelos atuais de deep learning com base em sua capacidade preditiva.

DISPONIBILIDADE DE DADOS:
Os dados sobre a qualidade do ar neste estudo vêm de monitoramento público acessível pelo Conselho Central de Controle de Poluição e pelo Comitê de Controle de Poluição de Delhi, quando disponíveis. Os dados meteorológicos foram obtidos a partir de registros do Departamento Meteorológico da Índia ou de fontes correspondentes de dados meteorológicos públicos. Dados de contagem de incêndios derivados de satélites foram derivados do produto ativo de fogo MODIS. Para o relatório, os conjuntos de dados processados, listas de características selecionadas, parâmetros de normalização e código necessários para reproduzir os experimentos relatados estão disponíveis pelo link do repositório de manuscritos: https://github.com/saravagnamahasiva/CORTA-Net. O manuscrito destaca a reprodutibilidade ao fornecer identificação clara da(s) fonte(s) de dados, etapas de pré-processamento, limiares para seleção de características, componente(s) do modelo, partição(s) de avaliação e métricas reportadas. O modelo é avaliado com partições cronológicas de treinamento, testes e validação. Os parâmetros de pré-processamento foram derivados dos dados de treinamento e então aplicados tanto aos dados de teste quanto aos de validação. Os resultados são fornecidos como achados específicos para suas respectivas partições, e alegações mais gerais são evitadas.

Figura suplementar 1: Mapa da área de estudo de Delhi. Mapa da área de estudo de Delhi mostrando as localizações das quatro estações de monitoramento da qualidade do ar (Dwarka Sector 8, Anand Vihar, Mundka-DPCC e Sonia Vihar) incluídas neste estudo para coleta de dados PM₂.₅ e desenvolvimento de modelos. Por favor, clique aqui para baixar este arquivo.

Figura suplementar 2: Tendência anual do FIRECOUNT (2012–2024). Incidentes de incêndio contribuem para a poluição do ar, conforme ilustrado pelas tendências do FIRECOUNT de 2012 a 2024. Por favor, clique aqui para baixar este arquivo.

Figura suplementar 3: Gráfico da função de autocorrelação (ACF) para PM₂.₅ horário. A autocorrelação da previsão de PM_2,5 em 30 atrasos mostra forte autocorrelação positiva em quase todos os atrasos, confirmando que PM2,5 em Delhi apresenta forte dependência temporal e persistência de vários dias. Por favor, clique aqui para baixar este arquivo.

Figura Suplementar 4: Estrutura interna de uma unidade LSTM. Uma rede LSTM (Memória Longa de Curto Prazo) resolve o problema de dependência de longo prazo das Redes Neurais Recorrentes (RNNs) padrão ao regular o fluxo de informação através de um estado celular dedicado que atua como uma esteira transportadora de memória. Por favor, clique aqui para baixar este arquivo.

Figura Suplementar 5: Diagrama de blocos de Atenção Multi-Cabeça. A atenção multi-cabeças estende a autoatenção ao dividir a entrada em múltiplas cabeças, permitindo que o modelo capture relações e padrões diversos. Por favor, clique aqui para baixar este arquivo.

Figura Suplementar 6: Comparação de desempenho geral dos modelos de previsão CORTA-Net e de linha de base. O desempenho do modelo foi avaliado usando o erro absoluto médio (MAE), o erro quadrático médio (RMSE) e o coeficiente de determinação (R²). Valores mais baixos de MAE e RMSE indicam menor erro de previsão, enquanto valores mais altos de R² indicam uma variância melhor explicada. (A) Desempenho comparativo do CORTA-Net e dos modelos de linha base avaliados com base em métricas MAE, RMSE e R2. (B) Comparação geral que destaca o desempenho preditivo relativo dos modelos avaliados sob a mesma partição experimental de dados. O CORTA-Net alcançou menores erros de predição e desempenho explicativo superior aos modelos de referência avaliados. Por favor, clique aqui para baixar este arquivo.

Figura suplementar 7: Análise comparativa de desempenho dos modelos CORTA-Net e de linha base usando múltiplas métricas de avaliação. (A) Gráfico de radar comparando o desempenho normalizado do modelo com base em RMSE invertido, MAE invertido e R², demonstrando a superioridade geral do CORTA-Net entre as métricas avaliadas. (B) Classificação de desempenho relativo do CORTA-Net em relação aos modelos base, destacando seu desempenho consistentemente no topo das posições. (C) Melhora percentual do CORTA-Net em relação aos modelos de linha de base avaliados para MAE, RMSE e R2, mostrando ganhos substanciais na precisão preditiva e na variância explicada. (D) Resumo das principais características do CORTA-Net, destacando seu mecanismo de atenção multi-cabeças, fusão temporal de características, robustez a eventos de poluição e desempenho preditivo consistentemente superior em todas as métricas de avaliação. Por favor, clique aqui para baixar este arquivo.

Figura Suplementar 8: Comparação de perdas de treinamento e validação entre épocas. Isso demonstra convergência progressiva de modelos e generalização estável com sobreajuste mínimo. Por favor, clique aqui para baixar este arquivo.

Tabela Suplementar 1: Arquitetura do modelo proposto CORTA-Net. Visão geral da arquitetura CORTA-Net, incluindo cada componente da rede, especificações de camadas, funções de ativação e o número correspondente de parâmetros treináveis usados para a previsão PM₂.₅. Por favor, clique aqui para baixar este arquivo.

Tabela Suplementar 2: Configurações de hiperparâmetros e configuração de treinamento do modelo proposto CORTA-Net. Resumo do projeto arquitetônico, configurações de hiperparâmetros, configuração de treinamento, estratégia de engenharia de características, pré-processamento de dados, configuração de aprendizado por transferência e parâmetros de avaliação usados para desenvolver e otimizar o modelo proposto. Por favor, clique aqui para baixar este arquivo.

Tabela Suplementar 3: Comparação de desempenho do modelo proposto com métodos de previsão de linha de base. Comparação de modelos convencionais de aprendizado de máquina e deep learning com o framework proposto em termos de seleção de características, mecanismo de atenção, aprendizado por transferência e desempenho preditivo, medido usando RMSE, MAE e^R2. Por favor, clique aqui para baixar este arquivo.

Tabela Suplementar 4: Comparação entre estudos anteriores de previsão PM₂.₅ e a abordagem proposta. Resumo dos estudos representativos de previsão PM₂.₅, destacando suas metodologias, conjuntos de dados, principais características de entrada, inclusão de atividade de incêndio, desempenho preditivo, interpretabilidade, limitações relatadas e como o framework proposto CORTA-Net aborda essas limitações. Por favor, clique aqui para baixar este arquivo.

Discussão

O CORTA-Net combina três componentes-chave em uma sequência para formar uma arquitetura híbrida. CorrXGBoost-Rank: Um componente personalizado de seleção de características que elimina preditores redundantes antes da etapa de modelagem^{temporal 38}. Codificador LSTM: Utiliza camadas LSTM empilhadas para capturar dependências temporais de curto e longo prazo na sequência de entrada^{selecionada de 24 horas 39}. Camada de Atenção Multi-cabeça: Aplicada à saída LSTM (com os pesos de atenção associados) como parte da última etapa do modelo híbrido de sequência CORTA-Net; melhora a interpretabilidade da saída final sem substituir o papel da principal espinha dorsal^{do LSTM 40}. O codificador LSTM aprende dependências temporais a partir da sequência selecionada de janelas deslizantes. O CORTA-Net foi projetado para fornecer uma abordagem híbrida de modelagem de sequências onde o CorrXGBoost-Rank poda preditores redundantes. A Camada de Atenção Multi-Head forneceu uma agregação ponderada de todas as saídas do LSTM e produz tanto as previsões PM_2.5 quanto os pesos de atenção associados. Os três componentes do CORTA-Net são significativamente diferentes da arquitetura pura de transformadores, enquanto o CORTA-Net emprega redes LSTM (recorrentes) para modelar o aprendizado de sequências, redes recorrentes fornecem a base principal para o aprendizado sequencial e a atenção atua como um mecanismo explicativo.

Existem quatro limitações principais no framework CORTA-Net. Primeiro, a avaliação do modelo foi baseada em várias estações de monitoramento em Delhi, então o desempenho pode não se generalizar para cidades com diferentes fontes de emissões, condições climáticas ou densidade/configuração/etc. de monitoramento. Segundo, embora as contagens de incêndios a partir de dados de satélite forneçam um proxy para variáveis de fogo, elas podem não fornecer uma representação completa da intensidade do fogo, transporte da pluma ou transformações químicas. Terceiro, sensores unidirecionais, dados ausentes e mudanças em estações individuais de monitoramento ou redes de monitoramento predispostas podem influenciar a qualidade/confiabilidade dos dados de séries temporais. Quarto, embora a atenção seja informativa, ela não implica uma relação causal. Avaliações adicionais exigirão o uso do CORTA-Net em outras cidades independentes e redes adicionais de monitoramento. Em um esforço para melhorar a precisão das estimativas do transporte regional de poluição do ar por meio do uso de novas tecnologias, pesquisadores desenvolveram uma estrutura consciente do transporte. A estrutura integra dados adicionais, como extração de características de conjuntos de dados meteorológicos e de sensoriamento remoto, controle de qualidade dos dados, ingestão de dados em tempo quase real, estimativa de incerteza e recalibração frequente^{do modelo 41}. A equipe de pesquisa desenvolveu um conjunto abrangente de ferramentas computacionais para enfrentar essas questões, incluindo otimizadores adaptativos para treinamento de modelos e ajuste de parâmetros, aprendizado por transferência para aproveitar dados existentes e melhorar a capacidade preditiva, técnicas de modelagem de séries temporais sequenciais, modelagem baseada em atenção e interpretabilidade do modelo. Além disso, a integração da IA explicável ao framework CORTA-Net permite a ligação direta das previsões com o conhecimento científico dos principais fatores que contribuem para a poluição do ar. Por exemplo, a IA explicável permite identificar a atividade de incêndios ocorrendo no período pós-monção como um contribuinte significativo para a poluição do ar. A validação cruzada do desempenho do modelo (Delhi RMSE = 3,19, R² = 0,983) confirma a eficácia do CORTA-Net, enquanto visualizações baseadas em atenção dos resultados do modelo indicam que padrões de interesse para tomadores de decisão e profissionais de saúde pública podem ser observados. Por fim, o uso de contagens de incêndios e dados de emissões não controladas como entradas no framework CORTA-Net reduziria inerentemente a generalização dos resultados para outras regiões, já que o uso de fontes rapidamente ou mal monitoradas pode prejudicar severamente a implementação do framework^{CORTA-Net 42}.

A representação gráfica apresentada na Figura 10 permite que tomadores de decisão e pesquisadores visualizem as relações entre modelos/sistemas desenvolvidos usando diferentes metodologias para previsão PM₂.₅, onde barras codificadas por cores representam RMSE (barras mais curtas = maior precisão) e R² (barras mais longas = maior variabilidade considerada), com modelos organizados por abordagem (agregação de cidades, estação específica, séries multivariadas). As representações gráficas da profundidade mostram que nenhum modelo individual supera previsivelmente em todas as categorias; O CORTA-Net consistentemente superou modelos semelhantes em conjuntos de dados urbanos, de alto ruído e nível de estação, que exibiam variabilidade local significativa, enquanto o MxConnect geralmente produziu resultados médios regionais superiores em conjuntos de dados espacialmente mais grosseiros, ilustrando a importância de selecionar modelos com base na escala dos dados analisados (ou seja, tamanho dos conjuntos de dados), resolução espacial dos conjuntos de dados (ou seja, nível de congestionamento) níveis de ruído nos conjuntos de dados (ou seja, precisão) ou variância local. Na prática, a singularidade do CORTA-Net é sua utilização de ponderação adaptativa de características embutida em um mecanismo de atenção sequencial recorrente para despesar dinamicamente entradas redundantes ou entradas com alto ruído aleatório durante o processamento temporal. Isso é realizado incorporando a ponderação adaptativa de características em um design personalizado de portões baseados em atenção, ao contrário da maioria das abordagens atualmente usadas, que dependem fortemente do uso de abordagens heurísticas estáticas (ou seja, limiares de correlação ou PCA) antes da aplicação de um modelo como etapa de pré-processamento (Figura 10A). Essa abordagem adaptativa e sensível ao contexto de priorização, usada no CORTA-Net, oferece a capacidade de fazer ajustes em tempo real relativos à dinâmica local em tecidos urbanos, onde modelos mais simples e menos complexos, projetados com conjuntos de dados treinados globalmente, podem gerar resultados superiores de previsão para médias em nível nacional. As exibições gráficas comparativas apresentadas na Figura 10B identificam coletivamente a relação entre o benchmarking de modelos, fornecendo a pesquisadores e tomadores de decisão direção na seleção de modelos para sua aplicação específica (ou seja, podem identificar vias adicionais de pesquisa relacionadas à previsão de curto prazo de PM₂.₅)

Figura 10: Comparação do desempenho preditivo dos modelos de previsão CORTA-Net e de linha base. O desempenho do modelo foi avaliado usando o erro absoluto médio (MAE), o erro quadrático médio (RMSE) e o coeficiente de determinação (R²). Valores mais baixos de MAE e RMSE indicam melhor precisão preditiva, enquanto valores mais altos de R² indicam uma variância explicada maior. (A) Desempenho comparativo de todos os modelos avaliados com base em MAE, RMSE e R2, fornecendo uma avaliação geral da precisão preditiva e do ajuste do modelo. (B) Comparação de desempenho dos modelos de melhor desempenho, destacando as forças relativas e limitações das abordagens CORTA-Net e benchmark. No geral, a comparação demonstra o desempenho competitivo do CORTA-Net, ao mesmo tempo em que facilita a avaliação intuitiva de diferentes arquiteturas de modelos para previsão PM₂.₅. Por favor, clique aqui para ver uma versão ampliada desta figura.

A comparação mostra que o CORTA-Net é um fluxo de trabalho híbrido de previsão PM₂.₅, em vez de uma arquitetura de transformador independente (Tabela Suplementar 4). Novas arquiteturas de transformadores demonstraram capacidade substancial para aprender dependências temporais de longo alcance, mas arquiteturas híbridas CNN-RNN e transformador-LSTM aumentam a eficiência da previsão ao aproveitar as forças de cada arquitetura neural (como mostrado na Tabela 5). Diferentemente do CORTA-Net, muitos modelos híbridos CNN-RNN e transformer-LSTM existentes dependem do modelo de sequência para aprender a partir do conjunto completo de recursos de entrada, em vez de realizar triagem explícita de características antes da modelagem temporal, enquanto o CORTA-Net utiliza dados externos de contagem de incêndios MODIS para modelar influências da queima de biomassa. O uso de pesos de atenção pelo CORTA-Net para avaliar como cada preditor influencia a contribuição cumulativa do preditor, em relação ao tempo (ou seja, ponderação agregada no tempo), e seus três estágios diferentes contribuem para o erro total associado ao CORTA-Net, sendo que a combinação dos três tem o menor erro medido em relação ao conjunto de dados da estação de monitoramento de Delhi sob avaliação⁴³. Em resumo, as contribuições práticas do CORTA-Net integram reproduvelmente quatro áreas relevantes da previsão PM₂.₅ de curto prazo: seleção de características, aprendizado por transferência temporal, enriquecimento de atividade externa de incêndio e interpretabilidade baseada em atenção. Agrupar resultados por modelo e fonte de dados (reanálise ERA5 globalmente até urbano específico de cidade multivariável) (Figura 10), com pesquisadores capazes de comparar facilmente como o desempenho de cada modelo se relaciona com cada uma das oito variáveis-chave relacionadas à qualidade geral de quão bem cada modelo prevê as concentrações de PM₂.₅.

Principais componentes do modelo	Melhores resultados numéricos relatados	Diferença chave em relação ao CORTA-Net
ARIMA para componente linear, CNN-LSTM para componente não linear, otimizador de besouro do esterco para ajuste de hiperparâmetros	RMSE = 7.594, 14.940, 7.841 e 5.496; MAE = 5.285, 10.839, 5.120 e 3.770; R² = 0,989, 0,962, 0,953 e 0,953 em quatro cidades	Modelo híbrido AQI forte, mas focado em AQI e otimização de modelos; não inclui rastreamento explícito do CorrXGBoost-Rank nem integração com contagem de tiros do MODIS
Codificador de transformador, decodificador BiLSTM, interpretação baseada em SHAP	Pequim: 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	Captura dependências de AQI de curto e longo prazo, mas utiliza principalmente dados de concentração de poluentes e não utiliza variáveis de contagem de incêndios do MODIS ou redução do CorrXGBoost-Rank pré-sequência
LSTM, autoatenção do transformador, otimização de enxames de partículas	Melhor configuração sazonal: R² = 0,98745 e 0,95655 para duas cidades; valores de baixo erro reportados incluem MAE = 0,83363 e RMSE = 1,0176 na melhor configuração	Modelo Transformer-LSTM fortemente otimizado, mas sua principal novidade é a otimização baseada em PSO, em vez da remoção de redundância de características e do enriquecimento da atividade de fogo
CNN-LSTM com componentes da Rede Kolmogorov-Arnold e consciência geográfica	Xangai: RMSE = 1,9222 e R² = 0,9832; Pequim: RMSE = 2,5213, com RMSE 59,6% menor que o LSTM básico	Modelo AQI fortemente geograficamente consciente, mas não aborda especificamente a previsão PM₂.₅ de Delhi nem inclui a entrada de contagem de incêndios do MODIS para episódios de queima de biomassa
Regressores clássicos de aprendizado de máquina com otimização por busca em grade	GBR: RMSE = 2,31; RF: MAE = 0,47 e RMSE = 2,95; XGBR: R² = 0,9781	Benchmark útil de aprendizado de máquina, mas modelos não representam explicitamente dependência temporal sequencial por meio de LSTM ou atenção
LSTM otimizado usando o Algoritmo de Busca Sparrow; comparado com CNN-LSTM, CNN-BiLSTM e PSO-LSTM	SSA-LSTM: RMSE = 8,601, MAE = 6,317, R² = 0,946; PSO-LSTM: RMSE = 8,860, R² = 0,944; LSTM de base: RMSE = 12,481, R² = 0,884	Mostra o valor do LSTM otimizado, mas não utiliza atenção multi-cabeça, adaptação de transferência e aprendizagem ou variáveis de atividade de incêndio de satélites
Modelo de transformador com subamostragem baseada em clusters para eventos de alta poluição desequilibrados	Melhor configuração: RMSE = 2,080, MAE = 1,386, R² = 0,914	Forte para previsão de PM₂.₅ de alto evento, mas a ênfase é o manejo de desequilíbrios em vez de seleção integrada de características, aprendizado por transferência, enriquecimento de contagem de fogo e interpretação baseada em atenção
Apenas codificador temporal LSTM	RMSE = 7,56, MAE = 5,52, R² = 0,905	Usado como linha de base temporal interna sob o mesmo contexto experimental de Delhi
LSTM com seleção de características baseada em correlação e XGBoost	RMSE = 4,24	Demonstra que remover preditores redundantes e fracos melhora a previsão antes do aprendizado de sequências
Seleção de recursos, LSTM de aprendizagem por transferência e atenção multi-cabeça	RMSE = 3,48, R² = 0,980	Mostra o valor agregado da ponderação temporal e de características baseada em atenção.

Tabela 5: Comparação metodológica do CORTA-Net com modelos recentes e existentes de previsão PM₂.₅/AQI. O framework proposto difere fundamentalmente dos métodos recentes de previsão baseados em transformadores ou híbridos PM₂.₅. Uma comparação mais forte com o estado recente da arte.

A contribuição chave deste estudo é uma abordagem híbrida de aprendizado profundo chamada CORTA-Net, que oferece um método integrado para prever concentrações de PM_2,5 de curto prazo em Nova Délhi, Índia, que possui um ambiente construído complexo. Em vez de depender de modelos bifurcados que consistem em três componentes independentes (um módulo de seleção de características baseado no CorrXGBoost-Rank para minimizar redundância; um LSTM aprimorado por aprendizado por transferência para codificar a não estacionariedade das dependências temporais; e um mecanismo de atenção multi-cabeça para alcançar previsões interpretáveis de curto e longo prazo), o CORTA-Net emprega uma abordagem baseada em pipeline para integrar esses componentes de forma sinérgica. Essa estrutura incorpora a entrada de variáveis meteorológicas, contagens de incêndios MODIS e dados de qualidade do ar ambiente na tentativa de criar uma representação mais abrangente dos fatores que contribuem para a poluição por PM_2.5 . O CORTA-Net teve desempenho significativamente melhor do que as linhas de base estabelecidas (Random Forest, XGBoost, LSTM e LSTM baseada em atenção) usando métricas rigorosas de avaliação, que incluíram valores altos de^R2 (0,983) e baixos valores de RMSE (3,19). Esses estudos demonstraram que todos os elementos do CORTA-Net contribuíram significativamente para o desempenho do modelo. O mecanismo de atenção multi-cabeças do CORTA-Net trouxe valor adicional a este estudo, pois mostrou que os principais preditores eram medições recentes de PM_2.5 , contagens de incêndios e medições meteorológicas, o que se alinha bem com processos atmosféricos conhecidos e também oferece um grau significativo de interpretabilidade para esse modelo.

Apesar dos resultados promissores, os autores reconhecem que existem algumas limitações, incluindo uma restrição geográfica (apenas Nova Délhi) e a dependência exclusiva do MODIS que o fogo conta como proxies térmicos para dados do RS. Pesquisas futuras focarão na validação do desempenho do CORTA-Net em diversas áreas urbanas, bem como na incorporação de características de consciência do transporte, como alturas da camada limite e trajetórias do vento, no processo de modelagem para aumentar a generalizabilidade. No entanto, os autores acreditam que o CORTA-Net é uma estrutura altamente viável, reproduzível e interpretável para apoiar sistemas de formulação de políticas orientadas por dados e alerta precoce. A capacidade do CORTA-Net de alcançar forte desempenho em um ambiente urbano complexo, mas rico em dados, Nova Délhi, sugere que o CORTA-Net está pronto para ser amplamente implementado, estabelecendo assim as bases para o desenvolvimento de um novo padrão em previsão da qualidade do ar urbano.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Calibri font	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	Usado como a tipografia base solicitada para diagramas e rótulos de figuras corrigidos.
CORTA-Net figure-generation scripts	Scripts personalizados para este projeto CORTA-Net	URL: https://github.com/saravagnamahasiva/CORTA-Net	Usado para regenerar PDFs de figuras com qualidade de publicação com rótulos e ordem corrigidos.
CORTA_Net_High_Resolution_Images.zip	Arquivo de imagem do projeto fornecido pelo usuário	Número de catálogo/RRID: Não aplicável; arquivo de origem local	Usado como o conjunto de imagens de origem/referência e para determinar a identidade da figura.
GitHub	GitHub, Inc.	URL: https://github.com/	Usado como o host de repositório pretendido para código do projeto e arquivos de geração de figuras.
Matplotlib	Matplotlib Development Team	RRID: SCR_008624; URL: https://matplotlib.org/	Usado para redesenhar gráficos, diagramas, rótulos, marcadores de painel e figuras PDF vetoriais.
NumPy	NumPy Developers	RRID: SCR_008633; URL: https://numpy.org/	Usado para matrizes determinísticas e valores simulados nos painéis das figuras regeneradas.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Usado para auxiliar na edição de código, regeneração de figuras, empacotamento de PDFs e verificação.
Pillow	Pillow Contributors	URL: https://python-pillow.org/	Usado para inspecionar, redimensionar, visualizar e validar saídas de imagens raster.
Poppler	Poppler Developers / freedesktop.org	URL: https://poppler.freedesktop.org/	Usado para renderizar PDFs gerados em PNGs de pré-visualização para verificações de qualidade visual.
pypdf	pypdf Contributors	URL: https://pypdf.readthedocs.io/	Usado para verificar se cada PDF de figura final contém uma página válida.
Python	Python Software Foundation	RRID: SCR_008394; URL: https://www.python.org/	Usado como o ambiente de programação para geração de figuras e processamento de PDF.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Usado para criar a tabela obrigatória de materiais/ferramentas/software como um artefato PDF.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	Usado para orquestração de arquivos, extração de arquivos e comandos finais de empacotamento ZIP.