論文の概要: Tracking Air Pollution in China: Near Real-Time PM2.5 Retrievals from
Multiple Data Sources
- arxiv url: http://arxiv.org/abs/2103.06520v1
- Date: Thu, 11 Mar 2021 08:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 00:13:45.581912
- Title: Tracking Air Pollution in China: Near Real-Time PM2.5 Retrievals from
Multiple Data Sources
- Title（参考訳）: 中国における大気汚染の追跡:複数のデータソースからのリアルタイムPM2.5検索
- Authors: Guannan Geng, Qingyang Xiao, Shigan Liu, Xiaodong Liu, Jing Cheng,
Yixuan Zheng, Dan Tong, Bo Zheng, Yiran Peng, Xiaomeng Huang, Kebin He and
Qiang Zhang
- Abstract要約: 毎日10kmの空間解像度のPM2.5データは、私たちの最初のほぼリアルタイム製品です。
2000年以降のPM2.5データの長期記録は、政策評価や健康影響研究もサポートする。
- 参考スコア（独自算出の注目度）: 17.330234783027855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Air pollution has altered the Earth radiation balance, disturbed the
ecosystem and increased human morbidity and mortality. Accordingly, a
full-coverage high-resolution air pollutant dataset with timely updates and
historical long-term records is essential to support both research and
environmental management. Here, for the first time, we develop a near real-time
air pollutant database known as Tracking Air Pollution in China (TAP,
tapdata.org) that combines information from multiple data sources, including
ground measurements, satellite retrievals, dynamically updated emission
inventories, operational chemical transport model simulations and other
ancillary data. Daily full-coverage PM2.5 data at a spatial resolution of 10 km
is our first near real-time product. The TAP PM2.5 is estimated based on a
two-stage machine learning model coupled with the synthetic minority
oversampling technique and a tree-based gap-filling method. Our model has an
averaged out-of-bag cross-validation R2 of 0.83 for different years, which is
comparable to those of other studies, but improves its performance at high
pollution levels and fills the gaps in missing AOD on daily scale. The full
coverage and near real-time updates of the daily PM2.5 data allow us to track
the day-to-day variations in PM2.5 concentrations over China in a timely
manner. The long-term records of PM2.5 data since 2000 will also support policy
assessments and health impact studies. The TAP PM2.5 data are publicly
available through our website for sharing with the research and policy
communities.
- Abstract（参考訳）: 大気汚染は地球の放射収支を変え、生態系を乱し、人間の死と死亡を増加させた。
したがって、研究と環境管理の両方をサポートするには、タイムリーな更新と歴史的な長期記録を備えたフルカバレッジの高解像度大気汚染データセットが不可欠です。
ここでは,中国における大気汚染追跡(tap, tapdata.org)として知られる,ほぼリアルタイムの大気汚染データベースを開発し,地上計測,衛星検索,動的に更新された排出在庫,化学輸送モデルシミュレーション,その他の補助データなど,複数のデータソースからの情報を組み合わせる。
毎日10kmの空間解像度のPM2.5データは、私たちの最初のほぼリアルタイム製品です。
TAP PM2.5は、2段階の機械学習モデルと合成マイノリティオーバサンプリング技術とツリーベースのギャップフィリング手法を組み合わせて推定される。
私達のモデルは異なった年のための0.83の平均的な袋のクロスバリデーションR2を他の研究のそれらに匹敵するが、高い公害レベルでの性能を改善し、毎日スケールで行方不明のAODのギャップを埋めます。
毎日のPM2.5データのフルカバレッジとほぼリアルタイムの更新により、中国のPM2.5濃度の日々の変動をタイムリーに追跡できます。
2000年以降のPM2.5データの長期記録は、政策評価や健康影響研究もサポートする。
TAP PM2.5データは、我々のウェブサイトから公開されており、研究と政策のコミュニティと共有できます。
関連論文リスト
- Enhancing PM2.5 Data Imputation and Prediction in Air Quality Monitoring Networks Using a KNN-SINDy Hybrid Model [0.0]
大気汚染、特に微粒子物質(PM2.5)は公衆衛生や環境に重大なリスクをもたらす。
本研究では、2016年からのトレーニングデータを用いて、PM2.5データの欠落を予測し、その性能を確立されたSoft Impute(SI)およびK-Nearest Neighbors(KNN)手法と比較することにより、SINDy2.5(Sparse Identification of Dynamics)の適用について検討する。
論文 参考訳（メタデータ） (2024-09-18T02:08:17Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - 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) - Using Deep Ensemble Forest for High Resolution Mapping of PM2.5 from
MODIS MAIAC AOD in Tehran, Iran [0.0]
AODデータからPM2.5濃度を推定するための深層アンサンブル林法の可能性を評価した。
深層アンサンブルフォレストアルゴリズムを用いたPM2.5の推定値と地上データを用いてPM2.5の高分解能マップを作成した。
論文 参考訳（メタデータ） (2024-02-03T13:01:39Z) - 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) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳（メタデータ） (2023-08-21T19:36:50Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Spatiotemporal modeling of European paleoclimate using doubly sparse
Gaussian processes [61.31361524229248]
計算負担を軽減するため,近年の大規模分散時間GPを構築した。
我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
論文 参考訳（メタデータ） (2022-11-15T14:15:04Z) - 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) - Averaging Atmospheric Gas Concentration Data using Wasserstein
Barycenters [68.978070616775]
ハイパースペクトル衛星画像は、世界中の温室効果ガス濃度を毎日報告している。
気象データと組み合わさったワッサーシュタイン・バリセンタを用いて, ガス濃度データセットの平均化と, 質量集中性の向上を提案する。
論文 参考訳（メタデータ） (2020-10-06T14:31:25Z) - Analytical Equations based Prediction Approach for PM2.5 using
Artificial Neural Network [0.0]
粒子状物質(PM2.5)は大気質指数(AQI)を測定する重要な粒子状汚染物質の一つである。
PM2.5をモニターするために空気質監視局が使用する従来の機器は、コストが高く、かさばる、時間を消費し、電力を消費する。
本稿では,ニューラルネットワーク(ANN)を用いたPM2.5の解析式に基づく予測手法を提案する。
論文 参考訳（メタデータ） (2020-02-26T11:39:18Z)
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。