AeroChem: modellazione a ciclo chiuso nello spazio degli stati informata dalla fisica per la previsione a lungo termine della qualità dell’aria in presenza di reazioni chimiche — versione estesa

Abstract degli autori

Prevedere con precisione la qualità dell’aria a lungo termine è difficile a causa del trasporto su lunghe distanze, della variabilità meteorologica e delle reazioni chimiche non lineari alla base della formazione di inquinanti secondari. I modelli basati esclusivamente sui dati soffrono spesso di una deriva nelle previsioni su orizzonti lunghi e mancano di coerenza fisica, mentre gli approcci esistenti informati dalla fisica adottano comunemente architetture a ciclo aperto, che combinano componenti neurali e fisiche solo a livello dell’output. Proponiamo AeroChem, un framework a ciclo chiuso nello spazio degli stati, informato dalla fisica, per prevedere la qualità dell’aria in presenza di reazioni chimiche. AeroChem adotta un’architettura a due rami che si correggono reciprocamente: un ramo di processo basato su UDE fornisce un modello fisico a priori strutturato ma imperfetto, mentre un ramo di misurazione virtuale basato su Mamba coglie il contesto temporale su lunghi intervalli e produce osservazioni virtuali probabilistiche. Neural Kalman Fusion collega i due rami correggendo lo stato fisico latente a ogni passo di previsione e reintroducendo lo stato a posteriori nel simulatore, così da ridurre la deriva nelle previsioni su orizzonti lunghi. Presentiamo inoltre HanoiAir, un dataset reale che integra concentrazioni di inquinanti, meteorologia e inventari delle emissioni. Gli esperimenti condotti su HanoiAir e su un benchmark pubblico mostrano che AeroChem migliora la stabilità delle previsioni su orizzonti lunghi e la previsione dei cambiamenti improvvisi.