論文の概要: Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities

• arxiv url: http://arxiv.org/abs/2103.14587v1
• Date: Thu, 25 Mar 2021 13:47:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:29:43.412707
• Title: Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities
• Title（参考訳）: Deep-AIR:大都市における大気質モデリングのためのハイブリッドCNN-LSTMフレームワーク
• Authors: Yang Han, Qi Zhang, Victor O.K. Li, Jacqueline C.K. Lam
• Abstract要約: Deep-AIRは、畳み込みニューラルネットワークと長期記憶ネットワークを組み合わせた、新しいハイブリッドディープラーニングフレームワークである。 提案手法は,大気汚染と都市動態の特徴の相互相互作用の学習を強化するために,1x1畳み込み層を生成する。 香港では, 67.6%, 77.2%, 66.1%の精度, 1時間, 24時間大気汚染予測, 65.0%, 75.3%, 63.5%の精度を達成した。
• 参考スコア（独自算出の注目度）: 28.233460564726034
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Air pollution has long been a serious environmental health challenge, especially in metropolitan cities, where air pollutant concentrations are exacerbated by the street canyon effect and high building density. Whilst accurately monitoring and forecasting air pollution are highly crucial, existing data-driven models fail to fully address the complex interaction between air pollution and urban dynamics. Our Deep-AIR, a novel hybrid deep learning framework that combines a convolutional neural network with a long short-term memory network, aims to address this gap to provide fine-grained city-wide air pollution estimation and station-wide forecast. Our proposed framework creates 1x1 convolution layers to strengthen the learning of cross-feature spatial interaction between air pollution and important urban dynamic features, particularly road density, building density/height, and street canyon effect. Using Hong Kong and Beijing as case studies, Deep-AIR achieves a higher accuracy than our baseline models. Our model attains an accuracy of 67.6%, 77.2%, and 66.1% in fine-grained hourly estimation, 1-hr, and 24-hr air pollution forecast for Hong Kong, and an accuracy of 65.0%, 75.3%, and 63.5% for Beijing. Our saliency analysis has revealed that for Hong Kong, street canyon and road density are the best estimators for NO2, while meteorology is the best estimator for PM2.5.
• Abstract（参考訳）: 大気汚染は長年にわたって深刻な環境問題であり、特に都市では大気汚染物質濃度が街路キャニオン効果と高い建物密度によって悪化している。 大気汚染の正確な監視と予測は極めて重要であるが、既存のデータ駆動モデルでは、大気汚染と都市ダイナミクスの複雑な相互作用に完全に対処できていない。 畳み込みニューラルネットワークと長期の短期記憶ネットワークを組み合わせた、新しいハイブリッドディープラーニングフレームワークであるour deep-airは、このギャップに対処し、都市全体の大気汚染推定とステーション全体の予測を提供する。 提案手法は,1×1畳み込み層を作成し,大気汚染と都市特性,特に道路密度,建物密度/高層,街路キャニオン効果との空間的相互作用の学習を強化する。 香港と北京をケーススタディとして、Deep-AIRはベースラインモデルよりも高い精度を実現しています。 このモデルは、香港の1時間当たりの微粒度推定では67.6%、77.2%、66.1%、大気汚染予測では1-hr、24-hr、北京では65.0%、75.3%、63.5%の精度を達成している。 香港では, 道路キャニオンと道路密度がNO2の最適推定値であり, 気象はPM2.5の最適推定値であることがわかった。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• 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)
• Novel Approach for Predicting the Air Quality Index of Megacities through Attention-Enhanced Deep Multitask Spatiotemporal Learning [0.2886273197127056]
  大気汚染は、特に都市部において、世界中の人間の健康にとって最も深刻な環境脅威の1つだ。 人口1000万人を超える都市として定義されるメガシティーは、深刻な汚染のホットスポットとして頻繁に見られる。 本稿では,長期記憶ネットワークに基づく注意力強化型ディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-15T23:43:50Z)
• 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)
• 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)
• Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting [0.0]
  大気汚染は様々な方法で変化し、多くの複雑な要因に依存する。 画像に基づく表現は、大気汚染やその他の影響要因が自然なグラフ構造を持つため理想的ではないかもしれない。 グラフ畳み込みネットワーク(GCN: Graph Convolutional Network)は、都市全体における空気質の読み出しの空間的特徴を効率的に表現することができる。 本手法は, 実環境大気汚染データを用いたハイブリッドGCN法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-25T07:57:07Z)
• A PM2.5 concentration prediction framework with vehicle tracking system: From cause to effect [0.0]
  ベトナムでは、ハノイやホーチミンといった大都市では大気汚染が問題となっている。 本論文は, PM2.5汚染物質排出量を推定する手法の開発に重点を置いている。
  論文  参考訳（メタデータ） (2022-12-04T08:09:02Z)
• 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)
• 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)
• HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
  HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。 都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。 ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
  論文  参考訳（メタデータ） (2021-01-12T02:31:14Z)

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。