論文の概要: DeepPlume: Very High Resolution Real-Time Air Quality Mapping
- arxiv url: http://arxiv.org/abs/2002.10394v1
- Date: Fri, 14 Feb 2020 14:05:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:42:06.221392
- Title: DeepPlume: Very High Resolution Real-Time Air Quality Mapping
- Title（参考訳）: DeepPlume:高解像度のリアルタイム空気品質マッピング
- Authors: Gr\'egoire Jauvion, Thibaut Cassard, Boris Quennehen, David Lissmyr
- Abstract要約: 本稿では, 窒素ジオキシド (NO2) , オゾン (O3) , 粒子状物質 (PM2.5, PM10) などの汚染物質のリアルタイム濃度を同時予測できるエンジンについて述べる。
エンジンは世界の大部分をカバーし、リアルタイムの官庁の測度、大気モデル予測、土地被覆データ、道路網、交通量推定で供給され、数十mの範囲で非常に高解像度の予測を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an engine able to predict jointly the real-time
concentration of the main pollutants harming people's health: nitrogen dioxyde
(NO2), ozone (O3) and particulate matter (PM2.5 and PM10, which are
respectively the particles whose size are below 2.5 um and 10 um).
The engine covers a large part of the world and is fed with real-time
official stations measures, atmospheric models' forecasts, land cover data,
road networks and traffic estimates to produce predictions with a very high
resolution in the range of a few dozens of meters. This resolution makes the
engine adapted to very innovative applications like street-level air quality
mapping or air quality adjusted routing.
Plume Labs has deployed a similar prediction engine to build several products
aiming at providing air quality data to individuals and businesses. For the
sake of clarity and reproducibility, the engine presented here has been built
specifically for this paper and differs quite significantly from the one used
in Plume Labs' products. A major difference is in the data sources feeding the
engine: in particular, this prediction engine does not include mobile sensors
measurements.
- Abstract（参考訳）: 本稿では, 窒素ジオキシド (no2) , オゾン (o3) および粒子状物質 (pm2.5, pm10, それぞれ2.5 um, 10 um以下の粒子) のリアルタイム濃度を共同で予測できるエンジンを提案する。
エンジンは世界の大部分をカバーし、リアルタイムの官庁の測度、大気モデル予測、土地被覆データ、道路網、交通量推定で供給され、数十mの範囲で非常に高解像度の予測を生成する。
この解像度は、ストリートレベルの空気質マッピングや空気質調整ルーティングといった非常に革新的な用途にエンジンを適応させる。
Plume Labsは同様の予測エンジンを配備し、個人や企業に空気の質データを提供することを目的とした製品をいくつか作っている。
明快さと再現性のために、ここで提示されたエンジンはこの論文のために特別に作られており、Plume Labsの製品とはかなり異なる。
主な違いは、エンジンに供給するデータソースである。特に、この予測エンジンは、モバイルセンサーの測定を含まない。
関連論文リスト
- Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳（メタデータ） (2023-08-21T19:36:50Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Predicting air quality via multimodal AI and satellite imagery [0.2492060267829796]
本稿では,監視局が存在しない空気質指標を予測するためのマルチモーダル機械学習モデルを提案する。
欧州大気汚染監視局(ESA Copernicus)プロジェクトからtextitaltitude, population, etc.$などの機能を備えた新しい欧州汚染監視局(ECA)のデータセットが作成されている。
これらの予測は、異なる地域における空気の質を比較するのに使用できる「空気品質指標」を作成するために集約される。
論文 参考訳（メタデータ） (2022-11-01T22:56:15Z) - PlumeCityNet: Multi-Resolution Air Quality Forecasting [0.0]
本稿では, 主汚染物質の濃度が健康に悪影響を及ぼすことを予測できるエンジンについて述べる。
エンジンには、大気汚染監視局の測定、天気予報、物理モデルの出力、交通量の推定が供給されている。
我々は、ヨーロッパとアメリカの大都市でエンジンの実装と評価を行い、他の予測方法よりも明らかに優れています。
論文 参考訳（メタデータ） (2021-10-06T11:28:39Z) - Automated Estimation of Construction Equipment Emission using Inertial
Sensors and Machine Learning Models [0.0]
建設産業は温室効果ガス(GHG)の主要な生産国の一つである
本稿では,IoT(Internet of Things,モノのインターネット)を介して監視される重建設機器からの排出量を予測するために,機械学習(ML)手法を用いた新しいフレームワークの開発と展開について述べる。
異なるMLアルゴリズムを開発し、慣性センサデータから放射レベルを予測する最良のモデルを特定した。
論文 参考訳（メタデータ） (2021-09-27T22:37:55Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - HVAQ: A High-Resolution Vision-Based Air Quality Dataset [3.9523800511973017]
PM2.5, PM10, 温度, 湿度データからなる高時間・空間分解能空気質データセットを提案する。
我々は,センサの密度と画像によって予測精度が向上することを示すために,いくつかの視覚に基づくPM濃度予測アルゴリズムをデータセット上で評価した。
論文 参考訳（メタデータ） (2021-02-18T13:42:34Z) - PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM
Network [0.0]
本稿では, 主汚染物質の濃度が健康に悪影響を及ぼすことを予測できるエンジンについて述べる。
予測は、畳み込みLSTMブロックを含むニューラルネットワークを備えた正規グリッド上で実行される。
エンジンの貴重な利点は、計算能力があまり必要ないことだ。予測は標準GPU上で数分で構築できる。
論文 参考訳（メタデータ） (2020-06-14T22:50:51Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳（メタデータ） (2020-04-21T20:46:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。