Evaluación del rendimiento de la previsión de PM utilizando SARIMAX y LSTM en la península de Corea
Autores: Lee, Chae-Yeon; Lee, Ju-Yong; Han, Seung-Hee; Kang, Jin-Goo; Lee, Jeong-Beom; Choi, Dae-Ryun
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Evaluación del rendimiento de la previsión de PM utilizando SARIMAX y LSTM en la península de Corea
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Contaminación del aire
Material particulado fino
Corea del Sur
Modelos de pronóstico
LSTM
SARIMAX
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 13
Citaciones: Sin citaciones
La contaminación del aire, particularmente las partículas finas (PM), plantea desafíos ambientales y de salud pública significativos en Corea del Sur. El Instituto Nacional de Investigación Ambiental (NIER) actualmente se basa en modelos numéricos como el modelo de Calidad del Aire Multiescala Comunitaria (CMAQ) para la previsión de PM. Sin embargo, estos modelos presentan incertidumbres inherentes debido a las limitaciones en los inventarios de emisiones, las entradas meteorológicas y los marcos de los modelos. Para abordar estos desafíos, este estudio evalúa y compara el rendimiento de previsión de dos modelos alternativos: Memoria a Largo y Corto Plazo (LSTM), un modelo de aprendizaje profundo, y Promedio Móvil Integrado Autorregresivo Estacional con Variables Exógenas (SARIMAX), un modelo estadístico. La evaluación del rendimiento se centró en Seúl, Corea del Sur, y se llevó a cabo durante diferentes plazos de previsión (D00-D02). Los resultados indican que para previsiones a corto plazo (D00), SARIMAX superó a LSTM en todas las métricas estadísticas, particularmente en la detección de altas concentraciones de PM, con un 19.43% más de Probabilidad de Detección (POD). Sin embargo, SARIMAX mostró un fuerte descenso en el rendimiento en previsiones extendidas (D01-D02). En contraste, LSTM demostró una precisión relativamente estable a lo largo de plazos más largos, capturando eficazmente patrones complejos de concentración de PM, particularmente durante episodios de alta concentración. Estos hallazgos destacan las fortalezas y limitaciones de los modelos estadísticos y de aprendizaje profundo. Mientras que SARIMAX sobresale en la previsión a corto plazo con datos de entrenamiento limitados, LSTM resulta ventajoso para la previsión a largo plazo, beneficiándose de su capacidad para aprender patrones temporales complejos a partir de datos históricos. Los resultados sugieren que un sistema integrado de previsión de calidad del aire que combine enfoques numéricos, estadísticos y de aprendizaje automático podría mejorar la precisión de la previsión de PM.
Descripción
La contaminación del aire, particularmente las partículas finas (PM), plantea desafíos ambientales y de salud pública significativos en Corea del Sur. El Instituto Nacional de Investigación Ambiental (NIER) actualmente se basa en modelos numéricos como el modelo de Calidad del Aire Multiescala Comunitaria (CMAQ) para la previsión de PM. Sin embargo, estos modelos presentan incertidumbres inherentes debido a las limitaciones en los inventarios de emisiones, las entradas meteorológicas y los marcos de los modelos. Para abordar estos desafíos, este estudio evalúa y compara el rendimiento de previsión de dos modelos alternativos: Memoria a Largo y Corto Plazo (LSTM), un modelo de aprendizaje profundo, y Promedio Móvil Integrado Autorregresivo Estacional con Variables Exógenas (SARIMAX), un modelo estadístico. La evaluación del rendimiento se centró en Seúl, Corea del Sur, y se llevó a cabo durante diferentes plazos de previsión (D00-D02). Los resultados indican que para previsiones a corto plazo (D00), SARIMAX superó a LSTM en todas las métricas estadísticas, particularmente en la detección de altas concentraciones de PM, con un 19.43% más de Probabilidad de Detección (POD). Sin embargo, SARIMAX mostró un fuerte descenso en el rendimiento en previsiones extendidas (D01-D02). En contraste, LSTM demostró una precisión relativamente estable a lo largo de plazos más largos, capturando eficazmente patrones complejos de concentración de PM, particularmente durante episodios de alta concentración. Estos hallazgos destacan las fortalezas y limitaciones de los modelos estadísticos y de aprendizaje profundo. Mientras que SARIMAX sobresale en la previsión a corto plazo con datos de entrenamiento limitados, LSTM resulta ventajoso para la previsión a largo plazo, beneficiándose de su capacidad para aprender patrones temporales complejos a partir de datos históricos. Los resultados sugieren que un sistema integrado de previsión de calidad del aire que combine enfoques numéricos, estadísticos y de aprendizaje automático podría mejorar la precisión de la previsión de PM.