[論文レビュー] NEXUS: A compact neural architecture for high-resolution spatiotemporal air quality forecasting in Delhi National Capital Region

Rampunit Kumar, Aditya Maheshwari|arXiv (Cornell University)|Feb 23, 2026

Air Quality Monitoring and Forecasting被引用数 0

ひとこと要約

NEXUS は Delhi NCR における CO、NO、SO2 の高解像度時空予測のためのコンパクトなニューラルアーキテクチャで、パラメータ数を大幅に削減しつつ先端精度を実現します。

ABSTRACT

Urban air pollution in megacities poses critical public health challenges, particularly in Delhi National Capital Region (NCR) where severe degradation affects millions. We present NEXUS (Neural Extraction and Unified Spatiotemporal) architecture for forecasting carbon monoxide, nitrogen oxide, and sulfur dioxide. Working with four years (2018--2021) of atmospheric data across sixteen spatial grids, NEXUS achieves R$^2$ exceeding 0.94 for CO, 0.91 for NO, and 0.95 for SO$_2$ using merely 18,748 parameters -- substantially fewer than SCINet (35,552), Autoformer (68,704), and FEDformer (298,080). The architecture integrates patch embedding, low-rank projections, and adaptive fusion mechanisms to decode complex atmospheric chemistry patterns. Our investigation uncovers distinct diurnal rhythms and pronounced seasonal variations, with winter months experiencing severe pollution episodes driven by temperature inversions and agricultural biomass burning. Analysis identifies critical meteorological thresholds, quantifies wind field impacts on pollutant dispersion, and maps spatial heterogeneity across the region. Extensive ablation experiments demonstrate each architectural component's role. NEXUS delivers superior predictive performance with remarkable computational efficiency, enabling real-time deployment for air quality monitoring systems.

研究の動機と目的

• 密集した大都市での正確なリアルタイムな大気品質予測を動機づけ、効率性、共同時空モデリング、および解釈性のギャップに対処する。
• CO、NO、SO2 を共同予測しつつ、気象要因と相互汚染物質相関を活用するコンパクトなニューラルアーキテクチャを開発する。
• 難しい都市環境でのパラメータ効率とリアルタイム推論を商品用ハードウェア上で実証する。

提案手法

• 時間系列長を削減するパッチ埋め込み。
• コンパクトな潜在表現を学習する低秩射影。
• 多尺度の時空間特徴抽出のための並列経路を持つ NanoBlock（CompactKernel、MicroConv、FusionGate）。
• 経路出力を結合する入力条件付き重みを用いた適応的融合。
• モニタリングサイト上の学習済みアテンションによる空間的加重プーリング。
• pooled 特徴を三つの汚染物質へマッピングする単一ヘッド予測ヘッド。

実験結果

リサーチクエスチョン

• RQ1 密集した都市環境で、コンパクトなニューラルアーキテクチャは複数の汚染物質を高精度で共同予測できるか？
• RQ2 大気質予測の予測性能を損なうことなく、パラメータ数をどれだけ削減できるか？
• RQ3 パッチベースの埋め込み、低秩射影、並列 NanoBlock 経路が時空間モデリング品質に与える影響は？
• RQ4 気象条件は Delhi NCR における汚染物質の分散とモデル性能にどのような影響を与えるか？

主な発見

モデル	CO_R2	CO_RMSE	CO_MAE	CO_sMAPE	CO_IoA	CO_NSE	NO_R2	NO_RMSE	NO_MAE	NO_sMAPE	NO_IoA	NO_NSE	SO2_R2	SO2_RMSE	SO2_MAE	SO2_sMAPE	SO2_IoA	SO2_NSE
SCINet	0.7537	0.5527	0.3893	65.63	0.9270	0.7537	0.7203	0.6535	0.4336	65.01	0.9097	0.7203	0.7852	0.5423	0.3822	65.19	0.9370	0.7852
Autoformer	0.8840	0.3794	0.2516	45.07	0.9697	0.8840	0.8549	0.4706	0.2667	38.83	0.9606	0.8549	0.9022	0.3659	0.2437	47.06	0.9744	0.9022
FEDformer	0.8890	0.3711	0.2538	47.15	0.9691	0.8890	0.8477	0.4822	0.2812	42.46	0.9557	0.8477	0.8875	0.3924	0.2631	48.20	0.9683	0.8875
NEXUS	0.9404	0.2718	0.1831	34.90	0.9847	0.9404	0.9140	0.3624	0.2106	32.55	0.9768	0.9140	0.9521	0.2560	0.1763	36.54	0.9877	0.9521

• NEXUS は CO の R2 が 0.9404、NO が 0.9140、SO2 が 0.9521。
• NEXUS は 18,748 パラメータのみを使用し、SCINet、Autoformer、FEDformer よりもはるかに少ない。
• NEXUS は基準手法より高い平均 R2（0.9355）と低い RMSE/MAE を達成し、トレーニングと推論が高速。
• パッチ埋め込みと低秩射影が性能と効率性への最大の貢献。
• 二段重ねの NanoBlocks と適応融合は単一経路または逐次設計よりロバスト性を向上。
• 推論速度は GPU 上でサンプルあたり 0.8 ms、FEDformer の約六倍。