[논문 리뷰] NEXUS: A compact neural architecture for high-resolution spatiotemporal air quality forecasting in Delhi National Capital Region

Rampunit Kumar, Aditya Maheshwari|arXiv (Cornell University)|2026. 02. 23.

Air Quality Monitoring and Forecasting인용 수 0

한 줄 요약

NEXUS는 델리 NCR의 CO, NO, SO2에 대한 고해상도 시공간 예측을 위한 소형 신경망 구조로, 파라미터 수가 대폭 감소하면서도 업계 최고 수준의 정확도를 제공합니다.

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.

연구 동기 및 목표

• 밀집한 대도시에서 정확한 실시간 대기질 예측의 동기를 제시하고 효율성, 공동 시공간 모델링, 해석가능성의 격차를 해결합니다.
• CO, NO, SO2를 공동으로 예측하면서 기상 및 상관관계 정보를 활용하는 소형 신경 아키텍처를 개발합니다.
• 상용 하드웨어에서 challenging한 도시 환경에서 파라미터 효율성과 실시간 추론을 입증합니다.

제안 방법

• 시간 순서를 줄이기 위한 패치 임베딩.
• 저랭크 프로젝션으로 컴팩트한 잠재 표현 학습.
• 멀티스케일 시공간 특징 추출을 위한 평행 경로를 가진 NanoBlock(CompactKernel, MicroConv, FusionGate).
• 입력 조건 가중치를 이용한 적응형 융합으로 경로 출력 결합.
• 모니터링 사이트에 대한 학습된 어텐션으로 공간적 가중 풀링.
• 풀링된 특징을 세 오염물질에 매핑하는 단일 헤드 예측 헤드.

실험 결과

연구 질문

• RQ1 조밀한 도심 환경에서 다중 오염원을 공동으로 고정밀 예측할 수 있는 소형 신경 아키텍처가 가능한가?
• RQ2 대기질 예측에서 예측 성능을 저하시키지 않으면서 파라미터 수를 얼마나 줄일 수 있는가?
• RQ3 패치 기반 임베딩, 저랭크 프로젝션, 병렬 NanoBlock 경로가 시공간 모델링 품질에 어떤 영향을 미치는가?
• RQ4 기상 조건이 델리 NCR의 오염 확산 및 모델 성능에 어떤 영향을 미치는가?

주요 결과

• NEXUS는 CO에서 R2 0.9404, NO에서 0.9140, SO2에서 0.9521의 R2를 달성합니다.
• NEXUS는 18,748 개의 파라미터만 사용하여 SCINet, Autoformer, FEDformer에 비해 파라미터 수가 크게 적습니다.
• NEXUS는 평균 R2(0.9355)가 더 높고 RMSE/MAE가 낮으며, Baselines보다 더 빠른 학습 및 추론 속도를 보입니다.
• 패치 임베딩과 저랭크 프로젝션이 성능과 효율성의 가장 큰 기여를 합니다.
• 두 개의 스택형 NanoBlock과 적응형 융합이 단일 경로나 순차 설계보다 견고함을 향상시킵니다.
• GPU에서 샘플당 추론 속도는 0.8 ms로 FEDformer보다 여섯 배 빠릅니다.