論文の概要: Trustworthy modelling of atmospheric formaldehyde powered by deep
learning
- arxiv url: http://arxiv.org/abs/2209.07414v1
- Date: Thu, 18 Aug 2022 10:33:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-18 17:00:18.423859
- Title: Trustworthy modelling of atmospheric formaldehyde powered by deep
learning
- Title(参考訳): 深層学習による大気中ホルムアルデヒドの信頼性モデリング
- Authors: Mriganka Sekhar Biswas, Manmeet Singh
- Abstract要約: ホルムアルデヒド(HCHO)は大気中の最も重要な微量ガスの一つである。
呼吸器やその他の疾患を引き起こす汚染物質である。
HCHO化学と衛星データを用いた長期モニタリングの研究は、人間の健康の観点から重要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Formaldehyde (HCHO) is one one of the most important trace gas in the
atmosphere, as it is a pollutant causing respiratory and other diseases. It is
also a precursor of tropospheric ozone which damages crops and deteriorates
human health. Study of HCHO chemistry and long-term monitoring using satellite
data is important from the perspective of human health, food security and air
pollution. Dynamic atmospheric chemistry models struggle to simulate
atmospheric formaldehyde and often overestimate by up to two times relative to
satellite observations and reanalysis. Spatial distribution of modelled HCHO
also fail to match satellite observations. Here, we present deep learning
approach using a simple super-resolution based convolutional neural network
towards simulating fast and reliable atmospheric HCHO. Our approach is an
indirect method of HCHO estimation without the need to chemical equations. We
find that deep learning outperforms dynamical model simulations which involves
complicated atmospheric chemistry representation. Causality establishing the
nonlinear relationships of different variables to target formaldehyde is
established in our approach by using a variety of precursors from meteorology
and chemical reanalysis to target OMI AURA satellite based HCHO predictions. We
choose South Asia for testing our implementation as it doesnt have in situ
measurements of formaldehyde and there is a need for improved quality data over
the region. Moreover, there are spatial and temporal data gaps in the satellite
product which can be removed by trustworthy modelling of atmospheric
formaldehyde. This study is a novel attempt using computer vision for
trustworthy modelling of formaldehyde from remote sensing can lead to cascading
societal benefits.
- Abstract(参考訳): ホルムアルデヒド(英語版)(hcho)は空気中の最も重要な微量ガスの一つであり、呼吸器やその他の疾患を引き起こす汚染物質である。
また、農作物を損傷し、人間の健康を悪化させる対流圏オゾンの前駆体でもある。
HCHO化学と衛星データを用いた長期モニタリングの研究は、ヒトの健康、食品の安全性、大気汚染の観点から重要である。
動的大気化学モデルは、大気のホルムアルデヒドをシミュレートするのに苦労し、しばしば衛星の観測と再分析に対して最大2倍の過大評価をする。
モデル化hchoの空間分布も衛星観測と一致しない。
本稿では,超解像型畳み込みニューラルネットワークを用いて,高速で信頼性の高い大気HCHOのシミュレーションを行う。
本手法は化学式を必要とせずにHCHO推定を間接的に行う手法である。
深層学習は複雑な大気化学表現を伴う力学モデルシミュレーションより優れることがわかった。
本手法では,OMI AURA衛星を用いたHCHO予測のために,気象学および化学分析の様々な前駆体を用いて,異なる変数とホルムアルデヒドの非線形関係を確立する。
我々は,ホルムアルデヒドのin situ測定を行わず,地域の品質データを改善する必要があるため,実装をテストするために南アジアを選択した。
さらに、大気中のホルムアルデヒドの信頼できるモデリングにより、衛星生成物の空間的および時間的データギャップを除去することができる。
リモートセンシングによるホルムアルデヒドの信頼性モデリングにコンピュータビジョンを用いた新しい試みは、カスケード社会的利益をもたらす可能性がある。
関連論文リスト
- OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。
1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
論文 参考訳(メタデータ) (2024-05-12T09:32:40Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Towards Learned Emulation of Interannual Water Isotopologue Variations
in General Circulation Models [2.161227459325287]
本研究では, 降水時の酸素同位体組成の明示的な物理に基づくシミュレーションを, 機械学習を用いて置き換える可能性を検討する。
我々は、UNetアーキテクチャの成功に基づいて畳み込みニューラルネットワーク(CNN)を実装し、球面ネットワークアーキテクチャが地球の緯度-経度格子を平坦な画像として扱うという単純なアプローチよりも優れているかどうかをテストする。
論文 参考訳(メタデータ) (2023-01-31T07:54:52Z) - 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) - Detecting Elevated Air Pollution Levels by Monitoring Web Search
Queries: Deep Learning-Based Time Series Forecasting [7.978612711536259]
以前の研究は、地上モニターや気象データから収集した汚染物質濃度を長期予測のモデルに頼っていた。
本研究では,主要な検索エンジンからほぼリアルタイムで公開されているWeb検索データを用いて,観測された汚染レベルを推定するモデルを開発し,検証することを目的とする。
従来型の教師付き分類法と最先端の深層学習法を併用して,米国の都市レベルで大気汚染レベルの上昇を検出する機械学習モデルを開発した。
論文 参考訳(メタデータ) (2022-11-09T23:56:35Z) - 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) - Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven
Modeling of Air Pollutants [2.578242050187029]
本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。
汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。
以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
論文 参考訳(メタデータ) (2020-10-13T16:46:07Z) - A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone
Concentrations Fourteen Days in Advance [0.19573380763700707]
現在利用可能な空気質予測のための数値モデリングシステムは、事前に24時間から48時間予測することができる。
畳み込みニューラルネットワーク(CNN)モデルに基づくモデリングシステムを開発した。
本研究の主な目的は, オゾン濃度の時間変動の予測であるが, その他の汚染物質にも適用可能である。
論文 参考訳(メタデータ) (2020-08-13T16:02:05Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z)
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。