論文の概要: Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space

• arxiv url: http://arxiv.org/abs/2108.13902v1
• Date: Tue, 31 Aug 2021 14:58:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 14:34:38.241066
• Title: Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space
• Title（参考訳）: リモートセンシングデータによる大気汚染の推定:宇宙からの温室効果ガスの回収
• Authors: Linus Scheibenreif, Michael Mommert and Damian Borth
• Abstract要約: 地上レベルの大気汚染の既存のモデルは、しばしば局所的に制限され、時間的に静的な土地利用データセットに依存している。 本研究は,世界規模で利用でき,頻繁に更新されるリモートセンシングデータにのみ依存する環境大気汚染の予測のための深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 1.9659095632676094
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Air pollution is a major driver of climate change. Anthropogenic emissions from the burning of fossil fuels for transportation and power generation emit large amounts of problematic air pollutants, including Greenhouse Gases (GHGs). Despite the importance of limiting GHG emissions to mitigate climate change, detailed information about the spatial and temporal distribution of GHG and other air pollutants is difficult to obtain. Existing models for surface-level air pollution rely on extensive land-use datasets which are often locally restricted and temporally static. This work proposes a deep learning approach for the prediction of ambient air pollution that only relies on remote sensing data that is globally available and frequently updated. Combining optical satellite imagery with satellite-based atmospheric column density air pollution measurements enables the scaling of air pollution estimates (in this case NO$_2$) to high spatial resolution (up to $\sim$10m) at arbitrary locations and adds a temporal component to these estimates. The proposed model performs with high accuracy when evaluated against air quality measurements from ground stations (mean absolute error $<$6$~\mu g/m^3$). Our results enable the identification and temporal monitoring of major sources of air pollution and GHGs.
• Abstract（参考訳）: 大気汚染は気候変動の主要な要因である。 輸送と発電のための化石燃料の燃焼による人為的排出は、温室効果ガス(GHG)を含む大量の問題のある大気汚染物質を放出する。 気候変動を緩和するためには, 温室効果ガス排出量の削減が重要であるにもかかわらず, 温室効果ガス等の大気汚染物質の空間的および時間的分布に関する詳細な情報を得ることは困難である。 地上レベルの大気汚染の既存のモデルは、しばしば局所的に制限され、時間的に静的な土地利用データセットに依存している。 本研究は,グローバルに利用可能かつ頻繁に更新されるリモートセンシングデータのみに依存する環境大気汚染予測のための深層学習手法を提案する。 光衛星画像と衛星ベースの大気柱密度大気汚染測定を組み合わせることで、大気汚染の推定値(NO$_2$)を任意の場所で高い空間分解能(最大$\sim$10m)にスケーリングし、これらの推定値に時間的成分を加えることができる。 提案モデルでは,地上局からの空気質測定(絶対誤差$<$6$~\mu g/m^3$)に対して高い精度で評価を行う。 その結果,大気汚染とghgの主な発生源の同定と時間的モニタリングが可能となった。

関連論文リスト

• 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)
• 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)
• 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)
• GeoFormer: A Vision and Sequence Transformer-based Approach for Greenhouse Gas Monitoring [2.1647301294759624]
  本研究では,NO2濃度を予測するために,視覚変換モジュールと高効率な時系列変換モジュールを組み合わせたコンパクトモデルを提案する。 我々は、地上監視局のSentinel-5P画像を用いて構築したデータセットを用いて、提案モデルを用いて表面レベルのNO2測定を予測する。
  論文  参考訳（メタデータ） (2024-02-11T11:20:29Z)
• 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)
• Air Pollution Hotspot Detection and Source Feature Analysis using Cross-domain Urban Data [2.458537954999774]
  汚染源に隣接する地域はしばしば環境汚染濃度が高く、これらは一般に大気汚染ホットスポットと呼ばれる。 本稿では,局所的なスパイク検出とサンプル重み付けクラスタリングを含む,モバイルセンシングデータからホットスポットを検出する2段階のアプローチを提案する。 ソフトバリデーションとして,モバイルセンシングデータを使用しない都市を対象としたホットスポット推定モデルを構築した。
  論文  参考訳（メタデータ） (2022-11-15T18:44:03Z)
• Deciphering Environmental Air Pollution with Large Scale City Data [0.0]
  交通や発電所からの排出、家庭からの排出、自然発生など、様々な要因が大気汚染の上昇の背後にある主要な原因要因または影響要因であることが知られている。 本稿では,これらのエージェント間の関係を長期にわたって探索するための大規模都市情報データセットを提案する。 また,多種多様なモデルと方法論を用いて汚染物質レベルを推定または予測する問題に対するベンチマークのセットを提供する。
  論文  参考訳（メタデータ） (2021-09-09T22:00:51Z)
• HVAQ: A High-Resolution Vision-Based Air Quality Dataset [3.9523800511973017]
  PM2.5, PM10, 温度, 湿度データからなる高時間・空間分解能空気質データセットを提案する。 我々は,センサの密度と画像によって予測精度が向上することを示すために,いくつかの視覚に基づくPM濃度予測アルゴリズムをデータセット上で評価した。
  論文  参考訳（メタデータ） (2021-02-18T13:42:34Z)
• Use of Remote Sensing Data to Identify Air Pollution Signatures in India [0.3683202928838613]
  センチネル-5P衛星の打ち上げは、より広い範囲の大気汚染物質の観測に役立った。 クラスタリングシグネチャは、様々な汚染源から放出される汚染物質の種類に基づいて、州や地区を特定するために使用することができる。
  論文  参考訳（メタデータ） (2020-12-01T11:06:23Z)
• 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)

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。