論文の概要: PlumeCityNet: Multi-Resolution Air Quality Forecasting
- arxiv url: http://arxiv.org/abs/2110.02661v1
- Date: Wed, 6 Oct 2021 11:28:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:12:07.469043
- Title: PlumeCityNet: Multi-Resolution Air Quality Forecasting
- Title(参考訳): PlumeCityNet:マルチリゾリューション空気質予測
- Authors: Thibaut Cassard, Gr\'egoire Jauvion, Antoine All\'eon, Boris
Quennehen, David Lissmyr
- Abstract要約: 本稿では, 主汚染物質の濃度が健康に悪影響を及ぼすことを予測できるエンジンについて述べる。
エンジンには、大気汚染監視局の測定、天気予報、物理モデルの出力、交通量の推定が供給されている。
我々は、ヨーロッパとアメリカの大都市でエンジンの実装と評価を行い、他の予測方法よりも明らかに優れています。
- 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: This paper presents an engine able to forecast jointly the concentrations of
the main pollutants harming people's health: nitrogen dioxide (NO2), ozone (O3)
and particulate matter (PM2.5 and PM10, which are respectively the particles
whose diameters are below 2.5um and 10um respectively). The engine is fed with
air quality monitoring stations' measurements, weather forecasts, physical
models' outputs and traffic estimates to produce forecasts up to 24 hours. The
forecasts are produced with several spatial resolutions, from a few dozens of
meters to dozens of kilometers, fitting several use-cases needing air quality
data.
We introduce the Scale-Unit block, which enables to integrate seamlessly all
available inputs at a given resolution to return forecasts at the same
resolution. Then, the engine is based on a U-Net architecture built with
several of those blocks, giving it the ability to process inputs and to output
predictions at different resolutions.
We have implemented and evaluated the engine on the largest cities in Europe
and the United States, and it clearly outperforms other prediction methods. In
particular, the out-of-sample accuracy remains high, meaning that the engine
can be used in cities which are not included in the training dataset. A
valuable advantage of the engine is that it does not need much computing power:
the forecasts can be built in a few minutes on a standard CPU. Thus, they can
be updated very frequently, as soon as new air quality monitoring stations'
measurements are available (generally every hour), which is not the case of
physical models traditionally used for air quality forecasting.
- Abstract(参考訳): 本稿では, 二酸化炭素 (NO2) , オゾン (O3) および粒子状物質 (PM2.5, PM10) の主汚染物質の濃度を, それぞれ2.5um と 10um 以下である粒子として予測できるエンジンについて述べる。
エンジンは、空気質監視局の計測値、気象予報、物理モデルの出力、交通量の推定値で供給され、最大24時間の予報を生成する。
予測は数十メートルから数十キロメートルの空間分解能で作成され、大気質データを必要とするいくつかのユースケースに適合する。
これにより、ある解像度で利用可能なすべての入力をシームレスに統合し、同じ解像度で予測を返すことができる。
そして、エンジンはいくつかのブロックで構築されたU-Netアーキテクチャに基づいており、入力を処理し、異なる解像度で予測を出力することができる。
我々は、ヨーロッパとアメリカの大都市でエンジンの実装と評価を行い、他の予測方法よりも明らかに優れています。
特に、サンプルの精度は高いままであり、訓練データセットに含まれない都市でエンジンが使用できることを意味する。
エンジンの貴重な利点は、計算能力があまり必要ないことである。予測は標準CPU上で数分で構築できる。
したがって、新しい空気質モニタリングステーションの計測が利用可能になったら(一般的には毎時)、非常に頻繁に更新することが可能であり、従来の空気品質予測に使用される物理モデルではそうではない。
関連論文リスト
- DustNet: skillful neural network predictions of Saharan dust [0.0]
DustNetは8分未満でトレーニングし、デスクトップコンピュータ上で2秒で予測を生成する。
以上の結果から、DustNetは、気象パターンに対する塵の影響の理解を変える可能性のある、迅速かつ正確なAOD予測の可能性を示唆している。
論文 参考訳(メタデータ) (2024-06-17T17:15:30Z) - 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) - 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) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Managing Large Dataset Gaps in Urban Air Quality Prediction:
DCU-Insight-AQ at MediaEval 2022 [2.0796717061432006]
我々は,AQIが今後1日,5日,7日で予測される大気質データのギャップフィリングに注目した。
シナリオでは、1つまたは複数の空気、天気予報センサーがオフラインにあり、予測精度を調査する。
論文 参考訳(メタデータ) (2022-12-19T16:53:16Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - Predicting air quality via multimodal AI and satellite imagery [0.2492060267829796]
本稿では,監視局が存在しない空気質指標を予測するためのマルチモーダル機械学習モデルを提案する。
欧州大気汚染監視局(ESA Copernicus)プロジェクトからtextitaltitude, population, etc.$などの機能を備えた新しい欧州汚染監視局(ECA)のデータセットが作成されている。
これらの予測は、異なる地域における空気の質を比較するのに使用できる「空気品質指標」を作成するために集約される。
論文 参考訳(メタデータ) (2022-11-01T22:56:15Z) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳(メタデータ) (2022-06-30T17:59:14Z) - PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM
Network [0.0]
本稿では, 主汚染物質の濃度が健康に悪影響を及ぼすことを予測できるエンジンについて述べる。
予測は、畳み込みLSTMブロックを含むニューラルネットワークを備えた正規グリッド上で実行される。
エンジンの貴重な利点は、計算能力があまり必要ないことだ。予測は標準GPU上で数分で構築できる。
論文 参考訳(メタデータ) (2020-06-14T22:50:51Z) - DeepPlume: Very High Resolution Real-Time Air Quality Mapping [0.0]
本稿では, 窒素ジオキシド (NO2) , オゾン (O3) , 粒子状物質 (PM2.5, PM10) などの汚染物質のリアルタイム濃度を同時予測できるエンジンについて述べる。
エンジンは世界の大部分をカバーし、リアルタイムの官庁の測度、大気モデル予測、土地被覆データ、道路網、交通量推定で供給され、数十mの範囲で非常に高解像度の予測を生成する。
論文 参考訳(メタデータ) (2020-02-14T14:05:45Z)
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。