Aprendizaje de transferencia profunda y pronóstico de P2.5 basado en la atención en Delhi utilizando una década de...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencia de los datos
• Inteligencia artificial

Sus antecedentes:

• Delhi experimenta una grave contaminación del aire, particularmente PM2.5, durante la temporada de quema de paja.
• La previsión precisa de las PM2,5 es esencial para la salud pública y las intervenciones regulatorias.

Objetivo del estudio:

• Desarrollar y validar un modelo híbrido de memoria a corto plazo basado en transferencia de aprendizaje con atención de múltiples cabezas (TL-LSTM-MHA) para el pronóstico de PM2.5 en Delhi.
• Analizar el impacto de las condiciones meteorológicas, las emisiones urbanas y la combustión de biomasa en los niveles de PM2,5.
• Mejorar la eficiencia computacional y la precisión predictiva para la gestión de la calidad del aire.

Principales métodos:

• Utilizó una década de datos de concentración de PM2,5 (2012-2022), variables meteorológicas y datos de FIRECOUNT.
• Empleado CorrXGBoost para la selección de características para identificar predictores significativos.
• Desarrolló un modelo híbrido TL-LSTM-MHA que incorpora mecanismos de transferencia de aprendizaje y atención.
• Se ha validado el modelo mediante pruebas de validación cruzada y de significación estadística (prueba Wilcoxon de rango firmado).

Principales resultados:

• El modelo TL-LSTM-MHA logró una alta precisión con MAE = 4,38, RMSE = 5,80 y R2 = 0,9972.
• El análisis de la importancia de las características utilizando pesos de atención reveló patrones distintos en diferentes cabezas de atención.
• El modelo demostró un rendimiento superior en comparación con los métodos tradicionales y de última generación.
• La robustez frente a los efectos de sobreajuste y no estacionarios se confirmó mediante una validación rigurosa.

Conclusiones:

• El modelo desarrollado TL-LSTM-MHA ofrece una solución escalable y precisa para el pronóstico de PM2.5 en Delhi.
• Los resultados proporcionan información predictiva valiosa para la gestión estacional de la calidad del aire y la formulación de políticas.
• El estudio destaca la eficacia de los modelos híbridos de IA que incorporan el aprendizaje de transferencia y los mecanismos de atención para tareas complejas de predicción ambiental.