Temporal forecasting of PM$$_{2.5}$$, PM$$_{10}$$, NO$$_2$$ using deep learning models on Noida Sector 125 and Noida Sector 62
Kamred Udham Singh · Naushad Ahmad · Abhishek Kushwaha
用CNN、RNN、LSTM、GRU、BiLSTM及混合BiLSTM-GRU对诺伊达两站点PM2.5、
CPCB/SPCB监测时序数据，经缺失值填补、异常值处理与Min-Max归一化，
混合BiLSTM-GRU在所有污染物和站点上均优于单一模型，PM2.5预测MSE最多降43.08%。
可将该混合时序框架迁移到农业气象与污染物协同预测，结合多源遥感与物联网数据提升区域环境决策精度。
研究城市空气污染物深度学习预测，与三农、农业信息化、智慧农业主题无关，不予入选。
空气污染已成为诺伊达等快速城市化地区面临的严峻环境与公共卫生问题，其中PM₂.₅、PM₁₀和NO₂等污染物显著恶化空气质量，并导致呼吸系统和心血管疾病。因此，准确预测这些污染物对于有效的环境监测和可持续城市管理至关重要。本研究提出了一种基于深度学习的多污染物空气质量预测比较框架，选取诺伊达125区和62区这两个主要城市地点，分别代表机构、商业和工业环境，具有不同的污染特征。时间序列空气质量数据集来自CPCB和SPCB等官方监测机构，并经过缺失值插补、异常值处理和最小-最大归一化等预处理技术，以确保数据的可靠性和一致性。研究实现了CNN、RNN、LSTM、GRU和BiLSTM等多种深度学习架构，以捕捉污染物浓度模式中的非线性时间依赖关系。此外，提出了一种混合BiLSTM-GRU模型，通过将双向序列学习与高效门控循环机制相结合来提升预测性能。所有模型的预测性能均采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）和决定系数（R²）进行评估。实验结果表明，所提出的Hybrid_BiLSTM_GRU模型在两个监测地点的所有污染物预测中均持续优于独立模型。在诺伊达62区，该混合模型对PM₂.₅、PM₁₀和NO₂的RMSE值分别为41.01、64.41和7.54，相应的R²分数分别为0.4846、0.4280和0.6391。同样，在诺伊达125区，该模型对PM₂.₅、PM₁₀和NO₂的RMSE值分别为63.37、90.05和16.90，R²值分别为0.2155、0.3665和0.4748。该混合框架还相较于传统深度学习模型展现出显著的百分比提升，在PM₂.₅预测中MSE降低达43.08%，MAE降低达24.61%。总体而言，研究结果证实，所提出的混合深度学习架构有效捕捉了复杂的时间污染动态，并提供了