論文の概要: A data-driven approach to the forecasting of ground-level ozone
concentration
- arxiv url: http://arxiv.org/abs/2012.00685v4
- Date: Wed, 7 Jul 2021 12:17:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:42:00.629581
- Title: A data-driven approach to the forecasting of ground-level ozone
concentration
- Title(参考訳): 地中オゾン濃度の予測に対するデータ駆動型アプローチ
- Authors: Dario Marvin, Lorenzo Nespoli, Davide Strepparava and Vasco Medici
- Abstract要約: 本研究では,スイス南部におけるオゾン濃度の日頭最大値の予測に機械学習アプローチを適用した。
重み付けが、オゾンの日中ピーク値の特定の範囲の予測精度を高めるのにどう役立つかを示す。
- 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: The ability to forecast the concentration of air pollutants in an urban
region is crucial for decision-makers wishing to reduce the impact of pollution
on public health through active measures (e.g. temporary traffic closures). In
this study, we present a machine learning approach applied to the forecast of
the day-ahead maximum value of the ozone concentration for several geographical
locations in southern Switzerland. Due to the low density of measurement
stations and to the complex orography of the use case terrain, we adopted
feature selection methods instead of explicitly restricting relevant features
to a neighbourhood of the prediction sites, as common in spatio-temporal
forecasting methods. We then used Shapley values to assess the explainability
of the learned models in terms of feature importance and feature interactions
in relation to ozone predictions; our analysis suggests that the trained models
effectively learned explanatory cross-dependencies among atmospheric variables.
Finally, we show how weighting observations helps in increasing the accuracy of
the forecasts for specific ranges of ozone's daily peak values.
- Abstract(参考訳): 都市部における大気汚染物質濃度の予測能力は、アクティブな対策(仮交通閉鎖など)を通じて公衆衛生への影響を減らしたいという意思決定者にとって重要である。
本研究では,スイス南部のいくつかの地理的な場所において,オゾン濃度の日頭最大値の予測に機械学習アプローチを適用した。
測定ステーションの密度の低さとユースケース地形の複雑なオーログラフィーのため,時空間予測法でよく見られるように,予測地点の近傍に特色を明示的に限定するのではなく,特徴選択法を採用した。
次に, オゾン予測に関する特徴重要度と特徴相互作用の観点から, 学習モデルの説明可能性を評価するためにShapley値を用い, 実験結果から, 学習モデルが大気変数間の説明的相互依存性を効果的に学習したことが示唆された。
最後に,重み付け観測がオゾンの日平均ピーク値の特定範囲の予測精度を向上させるのにどのように役立つかを示す。
関連論文リスト
- CloudNine: Analyzing Meteorological Observation Impact on Weather
Prediction Using Explainable Graph Neural Networks [1.9019250262578853]
CloudNine'は、説明可能なグラフニューラルネットワーク(XGNN)に基づく特定の予測に対する個々の観測の影響の分析を可能にする
本研究では,地球系の3次元空間における観測をWebアプリケーションで探索し,個々の観測が特定の空間領域や時間領域における予測に与える影響を可視化する。
論文 参考訳(メタデータ) (2024-02-21T01:29:17Z) - 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) - 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) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳(メタデータ) (2023-10-25T02:37:51Z) - Large Scale Masked Autoencoding for Reducing Label Requirements on SAR
Data [5.057850174013128]
本研究では,地球表面面積の8.7%をカバーするSAR振幅データに対して,自己教師付き事前学習方式,マスク付き自動符号化を適用した。
この事前学習方式を用いることで、下流タスクのラベル付け要求を1桁以上削減できることを示す。
本研究は,タスクモデルと地域固有のSARモデルの開発を促進することにより,気候変動の緩和を著しく促進する。
論文 参考訳(メタデータ) (2023-10-02T00:11:47Z) - Statistical post-processing of visibility ensemble forecasts [0.0]
局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。
気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
論文 参考訳(メタデータ) (2023-05-24T16:41:36Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - 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) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - 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)
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。