論文の概要: Dense Forecasting of Wildfire Smoke Particulate Matter Using Sparsity Invariant Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2009.11362v1
• Date: Wed, 23 Sep 2020 20:13:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 15:44:16.416010
• Title: Dense Forecasting of Wildfire Smoke Particulate Matter Using Sparsity Invariant Convolutional Neural Networks
• Title（参考訳）: ばらつき不変畳み込みニューラルネットワークを用いた山火事煙粒子状物質の密度予測
• Authors: Renhao Wang, Ashutosh Bhudia, Brandon Dos Remedios, Minnie Teng, Raymond Ng
• Abstract要約: 野火煙による微粒子物質(PM 2.5)の予測は、公衆の心肺健康を守るために重要である。 既存の予測システムは、まばらで不正確な地上の真実に基づいて訓練されており、重要な空間帰納バイアスを十分に活用していない。 本稿では,多タスク学習を利用してPM2.5値の密度予測を行う畳み込みニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 2.2835610890984164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasts of fine particulate matter (PM 2.5) from wildfire smoke are crucial to safeguarding cardiopulmonary public health. Existing forecasting systems are trained on sparse and inaccurate ground truths, and do not take sufficient advantage of important spatial inductive biases. In this work, we present a convolutional neural network which preserves sparsity invariance throughout, and leverages multitask learning to perform dense forecasts of PM 2.5values. We demonstrate that our model outperforms two existing smoke forecasting systems during the 2018 and 2019 wildfire season in British Columbia, Canada, predicting PM 2.5 at a grid resolution of 10 km, 24 hours in advance with high fidelity. Most interestingly, our model also generalizes to meaningful smoke dispersion patterns despite training with irregularly distributed ground truth PM 2.5 values available in only 0.5% of grid cells.
• Abstract（参考訳）: 森林火災煙からの微粒子物質(PM 2.5)の正確な予測は、心肺の健康を守るために重要である。 既存の予測システムはスパースと不正確な根拠に基づいて訓練されており、重要な空間的帰納バイアスを十分に活用していない。 本研究では,多タスク学習を利用してPM2.5値の密度予測を行う畳み込みニューラルネットワークを提案する。 本モデルは,カナダ・ブリティッシュコロンビア州における2018年と2019年の山火事の季節における2つの煙予報システムよりも優れており,pm 2.5のグリッド解像度は10km,24時間前と高い忠実度で予測されている。 最も興味深いのは、格子セルの0.5%しか利用できない不規則に分散した地層真理PM2.5値のトレーニングにもかかわらず、本モデルが有意義な煙分散パターンに一般化することである。

関連論文リスト

• Advancing operational PM2.5 forecasting with dual deep neural networks (D-DNet) [0.3848364262836075]
  本稿では,リアルタイム観測を効率的に統合するD-DNet予測とデータ同化システムを提案する。 D-DNetはPM2.5とAOD550のグローバルな運用予測に優れており、2019年全体を通して一貫した精度を維持している。 これは、Copernicus Atmosphere Monitoring Service (CAMS) 4D-Varの運用予測システムよりも明らかに高い効率を示す。
  論文  参考訳（メタデータ） (2024-06-27T13:14:20Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• SwinRDM: Integrate SwinRNN with Diffusion Model towards High-Resolution and High-Quality Weather Forecasting [18.464408838231957]
  我々はSwinRNNの改良版と拡散モデルを統合するデータ駆動モデルSwinRDMを開発した。 SwinRDMは0.25度の解像度で予測を行い、IFSよりも優れた予測精度を達成する。
  論文  参考訳（メタデータ） (2023-06-05T05:11:03Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks [7.131106953836335]
  PM2.5の伝播予測システムは、地域社会への健康影響を減らす早期警戒システムとして、より詳細で正確な情報を提供する。 本研究は,台湾の大気質モニタリングシステムのデータセットを用いて行った。 一般に、測定ノード間の結合を空間的にも時間的にも考慮し、正確な予測結果を提供することができる。
  論文  参考訳（メタデータ） (2021-01-15T17:00:04Z)
• A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network [2.2175470459999636]
  本研究では,適応雑音を伴う完全アンサンブル経験モード分解に基づくハイブリッド予測モデルを開発した。 提案したceemdan-deeptcnモデルの予測精度は,時系列モデル,ニューラルネットワーク,一般的なディープラーニングモデルと比較して高い値であることが確認された。 新しいモデルではPM2.5関連因子データパターンをモデル化し,PM2.5濃度を予測するための有望なツールとして利用できる。
  論文  参考訳（メタデータ） (2020-12-07T15:22:01Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5 Forecasting [15.587337304295819]
  我々は,長期依存を捕捉できる新しいグラフベースモデルPM2.5-GNNを開発した。 提案したモデルは、無料の予測サービスを提供するためにオンラインで展開されている。
  論文  参考訳（メタデータ） (2020-02-10T03:33:54Z)

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。