Predicción continua de contaminantes del aire mediante ecuaciones diferenciales ordinarias neuronales de atención...

Área de la Ciencia:

• Ciencias Ambientales
• Ciencia de Datos
• Inteligencia Artificial

Sus antecedentes:

• La contaminación del aire representa riesgos significativos para la salud y el medio ambiente a nivel mundial, lo que requiere una predicción precisa para las intervenciones.
• Los modelos tradicionales de aprendizaje profundo como LSTM tienen dificultades con la dinámica continua de la contaminación del aire y los datos irregulares.
• Las Ecuaciones Diferenciales Ordinarias Neuronales (Neural ODE) ofrecen modelado en tiempo continuo pero están poco exploradas en ciencias ambientales.

Objetivo del estudio:

• Introducir un novedoso marco de Ecuación Diferencial Ordinaria Neuronal de Atención Multiescala (MA-NODE) para la predicción avanzada de la contaminación del aire.
• Abordar las limitaciones de los modelos de tiempo discreto, incluido el error de discretización y el manejo del muestreo de datos irregular.
• Desarrollar una herramienta de IA robusta para la gestión ambiental y la salud pública.

Principales métodos:

• Se desarrolló un marco MA-NODE que utiliza modelado en tiempo continuo a través de Ecuaciones Diferenciales Ordinarias Neuronales.
• Se incorporó la descomposición multiescala (rápida, media, lenta) de la dinámica latente.
• Se integró un mecanismo de atención para mejorar la síntesis de características y se evaluó en diversos conjuntos de datos de calidad del aire (PM2.5, O3, NO2, SO2, CO, PM10).

Principales resultados:

• Se logró un R² > 0.9 para predicciones de calidad del aire con tres pasos de antelación, superando a los métodos existentes.
• Se demostró una reducción del 10-15% en el error absoluto medio (MAE) y el error cuadrático medio (RMSE).
• Se proporcionó una cobertura de intervalos del 95% bien calibrada (≈0.90), lo que indica estimaciones de incertidumbre fiables.

Conclusiones:

• El marco MA-NODE ofrece un avance significativo en la predicción de la calidad del aire al aprovechar el modelado en tiempo continuo.
• El modelo maneja eficazmente datos ambientales complejos y muestreo irregular, superando a los enfoques tradicionales y de vanguardia.
• Esta investigación promueve la aplicación de Ecuaciones Diferenciales Ordinarias Neuronales en ciencias ambientales, mejorando los esfuerzos de salud pública y sostenibilidad.