論文の概要: A machine learning-based framework for high resolution mapping of PM2.5
in Tehran, Iran, using MAIAC AOD data
- arxiv url: http://arxiv.org/abs/2204.02093v1
- Date: Tue, 5 Apr 2022 10:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 14:03:49.686891
- Title: A machine learning-based framework for high resolution mapping of PM2.5
in Tehran, Iran, using MAIAC AOD data
- Title（参考訳）: MAIAC AODデータを用いたイラン・テヘランのPM2.5高分解能マッピングのための機械学習に基づくフレームワーク
- Authors: Hossein Bagheri
- Abstract要約: 本稿では,高分解能衛星AOD (MAIAC) を用いて,テヘラン市におけるPM2.5濃度の高分解能マッピングの可能性を検討する。
このフレームワークの出力は、MAIAC AOD検索と気象データからPM2.5を予測するために訓練された機械学習モデルである。
この研究は初めて、テヘランでPM2.5の1km分解能マッピングを行い、R2は約0.74、RMSEは9.0mg/m3よりも良くなった。
- 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 investigates the possibility of high resolution mapping of PM2.5
concentration over Tehran city using high resolution satellite AOD (MAIAC)
retrievals. For this purpose, a framework including three main stages, data
preprocessing; regression modeling; and model deployment was proposed. The
output of the framework was a machine learning model trained to predict PM2.5
from MAIAC AOD retrievals and meteorological data. The results of model testing
revealed the efficiency and capability of the developed framework for high
resolution mapping of PM2.5, which was not realized in former investigations
performed over the city. Thus, this study, for the first time, realized daily,
1 km resolution mapping of PM2.5 in Tehran with R2 around 0.74 and RMSE better
than 9.0 mg/m3.
Keywords: MAIAC; MODIS; AOD; Machine learning; Deep learning; PM2.5;
Regression
- Abstract（参考訳）: 本稿では,高分解能衛星AOD(MAIAC)によるPM2.5濃度の高分解能マッピングの可能性を検討する。
この目的のために、データ前処理、回帰モデリング、モデル展開という3つの主要なステージを含むフレームワークが提案された。
このフレームワークの出力は、MAIAC AOD検索と気象データからPM2.5を予測するために訓練された機械学習モデルである。
モデル実験の結果,PM2.5の高分解能マッピングのためのフレームワークの開発効率と性能が明らかにされたが,市中で行われた以前の調査では実現されなかった。
そこで本研究では,テヘランのpm2.5の1km分解能マッピングを0.74,rmseが9.0 mg/m3より優れていることを初めて確認した。
キーワード:MAIAC、MODIS、AOD、機械学習、ディープラーニング、PM2.5、回帰
関連論文リスト
- Qwen2.5-Math Technical Report: Toward Mathematical Expert Model via Self-Improvement [71.46993852662021]
Qwen2.5-Math と Qwen2.5-Math-Instruct-1.5B/7B/72B である。
Qwen2.5-Math-Instructは中国語と英語の両方をサポートし、高度な数学的推論能力を持っている。
論文 参考訳（メタデータ） (2024-09-18T16:45:37Z) - 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) - 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) - Towards Generalist Foundation Model for Radiology by Leveraging
Web-scale 2D&3D Medical Data [66.9359934608229]
この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。
われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。
本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
論文 参考訳（メタデータ） (2023-08-04T17:00:38Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - Data level and decision level fusion of satellite multi-sensor AOD
retrievals for improving PM2.5 estimations, a study on Tehran [0.0]
直径2.5マイクロメートル (PM2.5) 以下の表面粒子濃度を推定する手法の1つは、エアロゾル光学深度 (AOD) 生成物を用いている。
様々なAOD製品は、MODISやVIIRSのような様々な衛星センサーからディープブルーやダークターゲットといった様々なアルゴリズムによって回収される。
本研究では,ディープブルー法とダークターゲット法により得られたMODISとVIIRSセンサの観測結果から,AOD生成物を拡散させてPM2.5をより正確に推定する可能性を検討した。
論文 参考訳（メタデータ） (2023-02-01T08:07:00Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳（メタデータ） (2022-04-21T23:01:21Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳（メタデータ） (2021-07-07T00:52:16Z) - Tracking Air Pollution in China: Near Real-Time PM2.5 Retrievals from
Multiple Data Sources [17.330234783027855]
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。
論文 参考訳（メタデータ） (2021-03-11T08:17:36Z) - A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting
Using CEEMDAN and Deep Temporal Convolutional Neural Network [2.2175470459999636]
本研究では,適応雑音を伴う完全アンサンブル経験モード分解に基づくハイブリッド予測モデルを開発した。
提案したceemdan-deeptcnモデルの予測精度は,時系列モデル,ニューラルネットワーク,一般的なディープラーニングモデルと比較して高い値であることが確認された。
新しいモデルではPM2.5関連因子データパターンをモデル化し,PM2.5濃度を予測するための有望なツールとして利用できる。
論文 参考訳（メタデータ） (2020-12-07T15:22:01Z) - PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5
Forecasting [15.587337304295819]
我々は,長期依存を捕捉できる新しいグラフベースモデルPM2.5-GNNを開発した。
提案したモデルは、無料の予測サービスを提供するためにオンラインで展開されている。
論文 参考訳（メタデータ） (2020-02-10T03:33:54Z)
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。