En breve
El trabajo modela la evolución de los aerosoles atmosféricos combinando un grafo global de observaciones con patrones temporales a varias escalas.
Contribución
MultiscaleTCNGraphSAGE combina convoluciones temporales multiescala, aprendizaje espacial GraphSAGE, observaciones de aerosoles CAMS y meteorología ERA5.
Resultado principal
El modelo mejoró todas las métricas principales frente al benchmark más sólido y representó mejor los episodios extremos de aerosoles.
Modelos y datos
Elementos distintivos
- MultiscaleTCNGraphSAGE
- Transformer+GCN
- CAMS AOD550
- ERA5 meteorology
Citar este trabajo
BibTeX
@article{semper2026global,
title = {Global forecasting of aerosol optical depth through a deep learning spatiotemporal modeling},
author = {Marc Semper and Manuel Curado and Jose F. Vicent},
journal = {International Journal of Environmental Science and Technology},
year = {2026},
volume = {23},
number = {1},
eid = {69},
doi = {10.1007/s13762-025-06905-4}
}Comprueba siempre el registro editorial antes de citar.