Bhawna Kaushik / Yogita Yashveer Raghav
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
L’article Un réseau neuronal graphique spatio-temporel causal pour des prévisions interprétables des PM2,5 dans la région de Delhi (NCR) présente un cadre avancé d’apprentissage profond qui combine l’inférence causale, les relations spatiales et les dépendances temporelles afin de prédire avec précision les niveaux de pollution atmosphérique par les PM2,5 dans la région de Delhi (NCR). Cet ouvrage explore la manière dont les réseaux neuronaux graphiques (GNN) peuvent modéliser les interactions entre les stations de surveillance tout en identifiant les facteurs causaux influençant la qualité de l’air. Il met l’accent sur la précision des prévisions, l’interprétabilité et l’IA explicable, permettant ainsi aux décideurs politiques et aux agences environnementales de mieux comprendre les schémas de pollution et de prendre des décisions éclairées en matière de gestion de la qualité de l’air.