Predicción de material particulado de alta precisión a microscale en entornos diversos utilizando una red neuronal de memoria a largo y corto plazo y imágenes de Street View

En este estudio, proponemos un nuevo modelo de red neuronal de memoria a largo y corto plazo (LSTM) que aprovecha las características de color (HSV: matiz, saturación, valor) extraídas de imágenes de calles para estimar la calidad del aire con material particulado (PM) en cuatro entornos europeos típicos: urbano, suburbano, aldeas y el puerto. Para evaluar su rendimiento, utilizamos datos de concentración de ocho parámetros de PM ambiental (PM1.0, PM2.5 y PM10, concentración de número de partículas, área de superficie depositada en los pulmones, concentraciones de masa equivalente de PM ultravioleta, carbono negro y carbono marrón) recolectados de una plataforma de monitoreo móvil durante la temporada no calefaccionada en el centro de Augsburg, Alemania, junto con imágenes de street view sincronizadas. Se realizaron comparaciones experimentales entre el modelo LSTM y otros modelos de aprendizaje profundo (red neuronal recurrente y unidad recurrente de puerta). Los resultados demuestran claramente un mejor rendimiento del modelo LSTM en comparación con otros modelos basados en estadísticas. El modelo LSTM-HSV logró tasas de interpretabilidad impresionantes superiores al 80%, para las ocho métricas de PM mencionadas anteriormente, indicando el rendimiento esperado del modelo propuesto. Además, la exitosa aplicación del modelo LSTM-HSV en otras temporadas de la ciudad de Augsburg y en varios entornos (suburbios, aldeas y ciudades portuarias) demuestra sus capacidades de generalización satisfactorias tanto en dimensiones temporales como espaciales. La exitosa aplicación del modelo LSTM-HSV subraya su potencial como una herramienta versátil para la estimación de la contaminación del aire tras el muestreo previo del área estudiada, con amplias implicaciones para la planificación urbana y las iniciativas de salud pública.