論文の概要: A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone
Concentrations Fourteen Days in Advance
- arxiv url: http://arxiv.org/abs/2008.05987v1
- Date: Thu, 13 Aug 2020 16:02:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 00:05:53.704372
- Title: A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone
Concentrations Fourteen Days in Advance
- Title(参考訳): 新規CMAQ-CNNハイブリッドモデルによる14日間の表層・オゾン濃度予測
- Authors: Alqamah Sayeed, Yunsoo Choi, Ebrahim Eslami, Jia Jung, Yannic Lops,
Ahmed Khan Salman
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.19573380763700707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Issues regarding air quality and related health concerns have prompted this
study, which develops an accurate and computationally fast, efficient hybrid
modeling system that combines numerical modeling and machine learning for
forecasting concentrations of surface ozone. Currently available numerical
modeling systems for air quality predictions (e.g., CMAQ, NCEP EMP) can
forecast 24 to 48 hours in advance. In this study, we develop a modeling system
based on a convolutional neural network (CNN) model that is not only fast but
covers a temporal period of two weeks with a resolution as small as a single
hour for 255 stations. The CNN model uses forecasted meteorology from the
Weather Research and Forecasting model (processed by the Meteorology-Chemistry
Interface Processor), forecasted air quality from the Community Multi-scale Air
Quality Model (CMAQ), and previous 24-hour concentrations of various measurable
air quality parameters as inputs and predicts the following 14-day hourly
surface ozone concentrations. The model achieves an average accuracy of 0.91 in
terms of the index of agreement for the first day and 0.78 for the fourteenth
day while the average index of agreement for one day ahead prediction from the
CMAQ is 0.77. Through this study, we intend to amalgamate the best features of
numerical modeling (i.e., fine spatial resolution) and a deep neural network
(i.e., computation speed and accuracy) to achieve more accurate spatio-temporal
predictions of hourly ozone concentrations. Although the primary purpose of
this study is the prediction of hourly ozone concentrations, the system can be
extended to various other pollutants.
- Abstract(参考訳): 大気の質と関連する健康上の懸念に関する問題は、表面オゾン濃度を予測するための数値モデリングと機械学習を組み合わせた、正確で高速で効率的なハイブリッドモデリングシステムを開発した。
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(例えば、cmaq、ncep emp)は、24時間から48時間前を予測できる。
本研究では,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。高速であるだけでなく,255駅で1時間程度の解像度で2週間の期間をカバーする。
CNNモデルは、気象調査・予報モデル(気象・化学インタフェースプロセッサによって処理される)から予測された気象モデル、CMAQ(Community Multi-scale Air Quality Model)から予測された大気質、および過去の24時間にわたる計測可能な大気質パラメータの入力として利用し、次の14日間の表面オゾン濃度を予測する。
このモデルは、第1日の合意指数と第14日の合意指数とで平均 0.91 の精度を達成し、一方、cmaq からの1日前の合意指数は 0.77 である。
本研究では,時間的オゾン濃度の時空間予測をより正確に行うため,数値モデリング(微視的空間分解能)と深部ニューラルネットワーク(計算速度と精度)の最良の特徴を融合させることを目的とする。
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。
関連論文リスト
- Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。
モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。
実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
論文 参考訳(メタデータ) (2024-09-14T11:06:07Z) - Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳(メタデータ) (2024-09-11T19:31:56Z) - Predicting Lung Disease Severity via Image-Based AQI Analysis using Deep Learning Techniques [0.0]
この研究は、PM2.5レベルに加えて、AQI、PM10、O3、CO、SO2、NO2などの大気汚染物質を予測することを目的としている。
本稿では,画像の特徴抽出にVGG16モデル,AQI予測にニューラルネットワークを用いる。
AQI予測のためのニューラルネットワークモデルは、トレーニング精度88.54%、テスト精度87.44%を達成した。
論文 参考訳(メタデータ) (2024-05-07T03:42:49Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - Trustworthy modelling of atmospheric formaldehyde powered by deep
learning [0.0]
ホルムアルデヒド(HCHO)は大気中の最も重要な微量ガスの一つである。
呼吸器やその他の疾患を引き起こす汚染物質である。
HCHO化学と衛星データを用いた長期モニタリングの研究は、人間の健康の観点から重要である。
論文 参考訳(メタデータ) (2022-08-18T10:33:55Z) - Prediction of daily maximum ozone levels using Lasso sparse modeling
method [0.0]
本稿では, 翌日の最大オゾン濃度の予測に, 最新の統計手法を適用した。
このモデルは、様々な汚染物質の現在の時間濃度レベルや気象変数など、多くの候補特性を使用する。
3年のデータでトレーニングされたモデルは、RMSE=5.63 ppb、MAE=4.42 ppb、RMSE=5.68 ppb、MAE=4.52 ppbという比較的良好な予測精度を示す。
論文 参考訳(メタデータ) (2020-10-18T02:58:53Z) - 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) - Modelling of daily reference evapotranspiration using deep neural
network in different climates [0.0]
本研究では,毎日のEToを推定するための人工知能ニューラルネットワーク(ANN)とディープニューラルネットワーク(DNN)モデルの性能について検討する。
Aksaray における SeLU アクティベーション関数 (P-DNN-SeLU) を用いた DNN モデルでは, 最高の性能が得られた。
論文 参考訳(メタデータ) (2020-06-02T16:39:47Z)
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。