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...

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: Apl...

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.