論文の概要: Multi-task Learning for Source Attribution and Field Reconstruction for
Methane Monitoring
- arxiv url: http://arxiv.org/abs/2211.00864v1
- Date: Wed, 2 Nov 2022 04:21:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:42:46.435695
- Title: Multi-task Learning for Source Attribution and Field Reconstruction for
Methane Monitoring
- Title(参考訳): メタンモニタリングのためのソース属性とフィールド再構成のためのマルチタスク学習
- Authors: Arka Daw, Kyongmin Yeo, Anuj Karpatne, Levente Klein
- Abstract要約: 空間的にスパースなセンサ観測からメタンなどの温室効果ガスのソース情報を推定することは、気候変動を緩和する重要な要素である。
集中領域の高忠実度再構成を実現するマルチタスク学習フレームワークを開発した。
提案手法により, スパースセンサによるメタン濃度の高精度な再現が可能であることが実証された。
- 参考スコア(独自算出の注目度): 7.045900712659982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inferring the source information of greenhouse gases, such as methane, from
spatially sparse sensor observations is an essential element in mitigating
climate change. While it is well understood that the complex behavior of the
atmospheric dispersion of such pollutants is governed by the
Advection-Diffusion equation, it is difficult to directly apply the governing
equations to identify the source location and magnitude (inverse problem)
because of the spatially sparse and noisy observations, i.e., the pollution
concentration is known only at the sensor locations and sensors sensitivity is
limited. Here, we develop a multi-task learning framework that can provide
high-fidelity reconstruction of the concentration field and identify emission
characteristics of the pollution sources such as their location, emission
strength, etc. from sparse sensor observations. We demonstrate that our
proposed framework is able to achieve accurate reconstruction of the methane
concentrations from sparse sensor measurements as well as precisely pin-point
the location and emission strength of these pollution sources.
- Abstract(参考訳): 空間的にスパースなセンサ観測からメタンなどの温室効果ガスの源情報を推定することは、気候変動を緩和する重要な要素である。
このような汚染物質の大気分散の複雑な挙動は、advection-diffusion方程式によって制御されていることはよく理解されているが、空間的に希薄でノイズの多い観測のために、直接制御方程式を適用して源の位置や大きさ(逆問題)を特定することは困難である。
本研究では,濃度場の高忠実度再構成と,その位置,放射強度などの汚染源の放射特性を,センサ観測から特定できるマルチタスク学習フレームワークを開発した。
提案手法は, センサのばらばらな測定値からメタン濃度を正確に再構成し, 汚染源の位置や排出強度を正確に把握できることを実証する。
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) - 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) - Subspace-Constrained Continuous Methane Leak Monitoring and Optimal
Sensor Placement [1.0323063834827415]
漏れを識別するのに要する時間と、修理作業員の派遣に要する時間を最小化することは、大気中に放出されるメタンの量を大幅に減少させる。
本研究は, 油田施設に永久設置した低コストメタンセンサを用いて, バックグラウンドレベル以上のガス濃度を連続的に監視する手法である。
論文 参考訳(メタデータ) (2023-08-03T15:53:01Z) - Towards Spatial Equilibrium Object Detection [88.9747319572368]
本稿では,現代物体検出器の空間的不平衡問題について考察する。
本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。
これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
論文 参考訳(メタデータ) (2023-01-14T17:33:26Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳(メタデータ) (2022-11-18T17:25:14Z) - 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) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳(メタデータ) (2022-06-06T18:00:07Z) - Estimation of Air Pollution with Remote Sensing Data: Revealing
Greenhouse Gas Emissions from Space [1.9659095632676094]
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。
論文 参考訳(メタデータ) (2021-08-31T14:58:04Z) - 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) - 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。