Bhawna Kaushik / Yogita Yashveer Raghav
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
W publikacji „Causal Spatiotemporal Graph Neural Network for Interpretable PM2.5 Forecasting in Delhi NCR' przedstawiono zaawansowaną platformę uczenia głębokiego, łączącą wnioskowanie przyczynowo-skutkowe, relacje przestrzenne i zależności czasowe w celu dokładnego prognozowania poziomów zanieczyszczenia powietrza cząstkami PM2,5 w regionie Delhi NCR. W książce omówiono, w jaki sposób sieci neuronowe oparte na grafach (GNN) mogą modelować interakcje między stacjami monitorującymi, identyfikując jednocześnie czynniki przyczynowe wpływające na jakość powietrza. Podkreślono w niej znaczenie dokładności prognoz, interpretowalności oraz wyjaśnialnej sztucznej inteligencji, co pozwala decydentom i agencjom środowiskowym lepiej zrozumieć wzorce zanieczyszczenia i podejmować świadome decyzje dotyczące zarządzania jakością powietrza.