論文の概要: PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM Network

• arxiv url: http://arxiv.org/abs/2006.09204v1
• Date: Sun, 14 Jun 2020 22:50:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 10:09:03.624659
• Title: PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM Network
• Title（参考訳）: PlumeNet:畳み込みLSTMネットワークを用いた大規模空気質予測
• Authors: Antoine All\'eon, Gr\'egoire Jauvion, Boris Quennehen, David Lissmyr
• Abstract要約: 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。
• 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 forecast jointly the concentrations 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 diameters are below 2.5 um and 10 um respectively). The forecasts are performed on a regular grid (the results presented in the paper are produced with a 0.5{\deg} resolution grid over Europe and the United States) with a neural network whose architecture includes convolutional LSTM blocks. The engine is fed with the most recent air quality monitoring stations measures available, weather forecasts as well as air quality physical and chemical model (AQPCM) outputs. The engine can be used to produce air quality forecasts with long time horizons, and the experiments presented in this paper show that the 4 days forecasts beat very significantly simple benchmarks. A valuable advantage of the engine is that it does not need much computing power: the forecasts can be built in a few minutes on a standard GPU. Thus, they can be updated very frequently, as soon as new air quality measures are available (generally every hour), which is not the case of AQPCMs traditionally used for air quality forecasting. The engine described in this paper relies on the same principles as a prediction engine deployed and used by Plume Labs in several products aiming at providing air quality data to individuals and businesses.
• Abstract（参考訳）: 本稿では, 主汚染物質である窒素ジオキシド (no2) , オゾン (o3) および粒子状物質 (pm2.5, pm10, それぞれ直径2.5 um, 10 um以下の粒子) の濃度を共同で予測できるエンジンを提案する。 予測は通常のグリッド上で行われ(論文で提示された結果はヨーロッパとアメリカ合衆国に0.5{\deg}の解像度グリッドで作成される)、ニューラルネットワークは畳み込みLSTMブロックを含む。 エンジンには、利用可能な最新の大気質モニタリングステーション、天気予報、空気質物理化学モデル(AQPCM)出力が供給されている。 エンジンは長時間の地平線による大気質予測に利用することができ、本論文では4日間の予測が極めて単純なベンチマークを上回っていることを示す。 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。 したがって、新しい空気質対策が利用可能になると(一般的には毎時)非常に頻繁に更新することが可能であり、伝統的に空気品質予測に使用される aqpcms はそうではない。 本稿では,Plume Labsが展開・使用した予測エンジンと同じ原理を,個人や企業を対象とした空気質データの提供を目的としたいくつかの製品に頼っている。

関連論文リスト

• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)
• FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators [45.520430157112884]
  FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。 風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。 FourCastNetは2秒未満で1週間の予測を生成する。
  論文  参考訳（メタデータ） (2022-02-22T22:19:35Z)
• 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)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone Concentrations Fourteen Days in Advance [0.19573380763700707]
  現在利用可能な空気質予測のための数値モデリングシステムは、事前に24時間から48時間予測することができる。 畳み込みニューラルネットワーク(CNN)モデルに基づくモデリングシステムを開発した。 本研究の主な目的は, オゾン濃度の時間変動の予測であるが, その他の汚染物質にも適用可能である。
  論文  参考訳（メタデータ） (2020-08-13T16:02:05Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• DeepPlume: Very High Resolution Real-Time Air Quality Mapping [0.0]
  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。
  論文  参考訳（メタデータ） (2020-02-14T14:05:45Z)

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。