Un marco multimodal espaciotemporal para la predicción de la contaminación del aire basado en la optimización bayesiana: evidencia de Sichuan, China
Autores: Zhang, Fengfan; Hu, Jiabei; Zeng, Ming
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un marco multimodal espaciotemporal para la predicción de la contaminación del aire basado en la optimización bayesiana: evidencia de Sichuan, China
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Regiones
Predicción de la contaminación del aire
CNN-LSTM-Transformer
Optimización Bayesiana
Concentración de contaminantes
Arquitectura LSTM.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
En regiones caracterizadas por un terreno complejo y diversas fuentes de contaminación, la predicción de la contaminación del aire de alta precisión sigue siendo un desafío debido al acoplamiento espaciotemporal no lineal y la dificultad de modelar la aglomeración local de contaminantes. Para abordar estos problemas, este estudio propone un marco de predicción multimodal CNN-LSTM-Transformer integrado con Optimización Bayesiana. Primero, se introduce el Índice Local de Moran (LMI) como una característica de percepción espacial y se concatena con las secuencias de concentración de contaminantes antes de ser ingresado en el módulo CNN. Este diseño mejora la capacidad del modelo para identificar la agrupación local de contaminantes y la heterogeneidad espacial. En segundo lugar, la arquitectura LSTM adopta una estructura de doble canal: el canal principal emplea LSTM bidireccional para extraer dependencias temporales, mientras que el canal auxiliar utiliza LSTM unidireccional para capturar tendencias evolutivas. Luego, se introduce un Transformer con un mecanismo de atención de múltiples cabezas para realizar modelado global. La Optimización Bayesiana se emplea para ajustar automáticamente los hiperparámetros clave, mejorando así la estabilidad y la eficiencia de convergencia del modelo. Los resultados empíricos basados en datos de monitoreo de contaminación atmosférica de la provincia de Sichuan durante 2021-2024 demuestran que el modelo propuesto supera a varios métodos convencionales en la predicción de seis contaminantes en Chengdu. Por ejemplo, el MAE para PM disminuyó entre un 14.9% y un 22.1%, mientras que el coeficiente de determinación (R) se mantuvo estable entre el 87% y el 89%. La tasa de disminución de la precisión en pronósticos de cuatro días se controló dentro del 12.4%. Además, en tareas de predicción de generalización de PM en otras cuatro ciudades-Yibin, Zigong, Nanchong y Mianyang-el modelo mostró una estabilidad y robustez superiores, logrando un R promedio del 87.4%. Estos hallazgos destacan la estabilidad a largo plazo del modelo y su capacidad de generalización regional, ofreciendo un soporte técnico confiable para estrategias de predicción y control de la contaminación del aire en la provincia de Sichuan y potencialmente más allá.
Descripción
En regiones caracterizadas por un terreno complejo y diversas fuentes de contaminación, la predicción de la contaminación del aire de alta precisión sigue siendo un desafío debido al acoplamiento espaciotemporal no lineal y la dificultad de modelar la aglomeración local de contaminantes. Para abordar estos problemas, este estudio propone un marco de predicción multimodal CNN-LSTM-Transformer integrado con Optimización Bayesiana. Primero, se introduce el Índice Local de Moran (LMI) como una característica de percepción espacial y se concatena con las secuencias de concentración de contaminantes antes de ser ingresado en el módulo CNN. Este diseño mejora la capacidad del modelo para identificar la agrupación local de contaminantes y la heterogeneidad espacial. En segundo lugar, la arquitectura LSTM adopta una estructura de doble canal: el canal principal emplea LSTM bidireccional para extraer dependencias temporales, mientras que el canal auxiliar utiliza LSTM unidireccional para capturar tendencias evolutivas. Luego, se introduce un Transformer con un mecanismo de atención de múltiples cabezas para realizar modelado global. La Optimización Bayesiana se emplea para ajustar automáticamente los hiperparámetros clave, mejorando así la estabilidad y la eficiencia de convergencia del modelo. Los resultados empíricos basados en datos de monitoreo de contaminación atmosférica de la provincia de Sichuan durante 2021-2024 demuestran que el modelo propuesto supera a varios métodos convencionales en la predicción de seis contaminantes en Chengdu. Por ejemplo, el MAE para PM disminuyó entre un 14.9% y un 22.1%, mientras que el coeficiente de determinación (R) se mantuvo estable entre el 87% y el 89%. La tasa de disminución de la precisión en pronósticos de cuatro días se controló dentro del 12.4%. Además, en tareas de predicción de generalización de PM en otras cuatro ciudades-Yibin, Zigong, Nanchong y Mianyang-el modelo mostró una estabilidad y robustez superiores, logrando un R promedio del 87.4%. Estos hallazgos destacan la estabilidad a largo plazo del modelo y su capacidad de generalización regional, ofreciendo un soporte técnico confiable para estrategias de predicción y control de la contaminación del aire en la provincia de Sichuan y potencialmente más allá.