論文の概要: Estimates of daily ground-level NO2 concentrations in China based on big
data and machine learning approaches
- arxiv url: http://arxiv.org/abs/2011.09013v1
- Date: Wed, 18 Nov 2020 00:24:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 05:04:17.582874
- Title: Estimates of daily ground-level NO2 concentrations in China based on big
data and machine learning approaches
- Title(参考訳): ビッグデータと機械学習による中国における1日あたりのno2濃度の推定
- Authors: Xinyu Dou, Cuijuan Liao, Hengqi Wang, Ying Huang, Ying Tu, Xiaomeng
Huang, Yiran Peng, Biqing Zhu, Jianguang Tan, Zhu Deng, Nana Wu, Taochun Sun,
Piyu Ke, Zhu Liu
- Abstract要約: NO2は大気汚染物質の中で最も重要なものの一つである。
現在の地上レベルのNO2濃度データは、高テンポラル・カバーまたは全国規模のフル・カバーの欠如である。
本研究は,中国における地中NO2濃度を,比較的高い空間分解能で推定した初めてのものである。
- 参考スコア(独自算出の注目度): 2.5426772826778063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nitrogen dioxide (NO2) is one of the most important atmospheric pollutants.
However, current ground-level NO2 concentration data are lack of either
high-resolution coverage or full coverage national wide, due to the poor
quality of source data and the computing power of the models. To our knowledge,
this study is the first to estimate the ground-level NO2 concentration in China
with national coverage as well as relatively high spatiotemporal resolution
(0.25 degree; daily intervals) over the newest past 6 years (2013-2018). We
advanced a Random Forest model integrated K-means (RF-K) for the estimates with
multi-source parameters. Besides meteorological parameters, satellite
retrievals parameters, we also, for the first time, introduce socio-economic
parameters to assess the impact by human activities. The results show that: (1)
the RF-K model we developed shows better prediction performance than other
models, with cross-validation R2 = 0.64 (MAPE = 34.78%). (2) The annual average
concentration of NO2 in China showed a weak increasing trend . While in the
economic zones such as Beijing-Tianjin-Hebei region, Yangtze River Delta, and
Pearl River Delta, the NO2 concentration there even decreased or remained
unchanged, especially in spring. Our dataset has verified that pollutant
controlling targets have been achieved in these areas. With mapping daily
nationwide ground-level NO2 concentrations, this study provides timely data
with high quality for air quality management for China. We provide a universal
model framework to quickly generate a timely national atmospheric pollutants
concentration map with a high spatial-temporal resolution, based on improved
machine learning methods.
- Abstract(参考訳): 二酸化窒素(NO2)は大気汚染物質の中で最も重要なものの一つである。
しかし、現在の地上レベルのNO2濃度データは、ソースデータの質の低さとモデルの計算能力のために、高解像度のカバレッジや全国規模のフルカバレッジが欠如している。
本研究は,過去6年間(2013~2018年)の中国における地中NO2濃度の全国分布と,比較的高時空間分解能(0.25度,日間隔)を推定した初めてのものである。
我々は、マルチソースパラメータを用いた推定のために、ランダムフォレストモデル統合K平均(RF-K)を開発した。
気象パラメータ,衛星検索パラメータに加えて,人間活動の影響を評価するために初めて社会経済的パラメータを導入する。
その結果, 1) RF-Kモデルは他のモデルよりも優れた予測性能を示し, R2 = 0.64 (MAPE = 34.78%) が得られた。
2)中国におけるno2の年間平均濃度は上昇傾向が弱かった。
北京-天津-河北地域、揚子江デルタ、パール川デルタなどの経済圏では、特に春にはno2濃度が減少または維持された。
我々のデータセットはこれらの領域で汚染物質制御目標が達成されていることを検証した。
本研究は, 全国のNO2濃度を地図化することにより, 中国における大気質管理の質の高いタイムリーなデータを提供する。
改良された機械学習手法に基づき,高空間-時間分解能の大気汚染物質濃度マップを迅速に作成するためのユニバーサルモデルフレームワークを提案する。
関連論文リスト
- Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳(メタデータ) (2024-09-29T08:18:50Z) - 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) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - 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) - A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。
欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。
このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
論文 参考訳(メタデータ) (2024-01-16T18:03:07Z) - Air Quality Forecasting Using Machine Learning: A Global perspective
with Relevance to Low-Resource Settings [0.0]
大気汚染は世界第4位の死因である。
本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-09T05:52:02Z) - 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) - Physics-Informed Deep Learning to Reduce the Bias in Joint Prediction of
Nitrogen Oxides [5.04532074162313]
吸着拡散機構と流体力学制約を符号化し,NO2とNOxを共同で予測する物理インフォームド・ディープラーニング・フレームワークを提案する。
我々の手法は純粋にデータ駆動型ML法よりも有意であり、NO2とNOxの予測では前例のない偏差が減少する。
論文 参考訳(メタデータ) (2023-08-14T20:26:23Z) - AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。
AirFormerは72時間の予測で予測エラーを5%削減する。
論文 参考訳(メタデータ) (2022-11-29T07:22:49Z) - Using Machine Learning to Predict Air Quality Index in New Delhi [0.0]
各種汚染物質のレベルと大気質指標の予測には,SVRモデルを用いる。
このモデルは、二酸化炭素、一酸化炭素、二酸化窒素、粒子状物質2.5、地上レベルのオゾンなどの様々な汚染物質を、精度93.4%で予測する。
論文 参考訳(メタデータ) (2021-12-10T00:20:05Z) - Evaluation of Time Series Forecasting Models for Estimation of PM2.5
Levels in Air [0.0]
この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。
予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
論文 参考訳(メタデータ) (2021-04-07T16:24:39Z)
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。