論文の概要: Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting

• arxiv url: http://arxiv.org/abs/2211.05267v1
• Date: Wed, 9 Nov 2022 23:56:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 16:06:22.996043
• Title: Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting
• Title（参考訳）: Web検索クエリの監視による大気汚染レベル検出:ディープラーニングによる時系列予測
• Authors: Chen Lin, Safoora Yousefi, Elvis Kahoro, Payam Karisani, Donghai Liang, Jeremy Sarnat, Eugene Agichtein
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.978612711536259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time air pollution monitoring is a valuable tool for public health and environmental surveillance. In recent years, there has been a dramatic increase in air pollution forecasting and monitoring research using artificial neural networks (ANNs). Most of the prior work relied on modeling pollutant concentrations collected from ground-based monitors and meteorological data for long-term forecasting of outdoor ozone, oxides of nitrogen, and PM2.5. Given that traditional, highly sophisticated air quality monitors are expensive and are not universally available, these models cannot adequately serve those not living near pollutant monitoring sites. Furthermore, because prior models were built on physical measurement data collected from sensors, they may not be suitable for predicting public health effects experienced from pollution exposure. This study aims to develop and validate models to nowcast the observed pollution levels using Web search data, which is publicly available in near real-time from major search engines. We developed novel machine learning-based models using both traditional supervised classification methods and state-of-the-art deep learning methods to detect elevated air pollution levels at the US city level, by using generally available meteorological data and aggregate Web-based search volume data derived from Google Trends. We validated the performance of these methods by predicting three critical air pollutants (ozone (O3), nitrogen dioxide (NO2), and fine particulate matter (PM2.5)), across ten major U.S. metropolitan statistical areas (MSAs) in 2017 and 2018.
• Abstract（参考訳）: リアルタイム大気汚染モニタリングは公衆衛生と環境監視にとって貴重なツールである。 近年,人工ニューラルネットワーク(ANN)を用いた大気汚染予測とモニタリング研究が劇的に増加している。 以前の研究のほとんどは、屋外オゾン、窒素酸化物、PM2.5の長期予測のための地上観測と気象データから収集した汚染物質濃度のモデル化に頼っていた。 従来の高度に洗練された空気品質モニターは高価であり、一般には利用できないため、これらのモデルは汚染物質モニタリングサイトの近くに住んでいない人々には十分役に立たない。 さらに, センサから収集した物理計測データに基づいて先行モデルを構築したため, 汚染被曝による公衆衛生効果の予測には適さない可能性がある。 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ディープラーニング法の両方を用いて機械学習に基づく新しいモデルを開発し,一般の気象データとGoogle Trendsから得られたWebベースの検索ボリュームデータを用いて,米国の都市レベルの大気汚染レベルの上昇を検出する。 2017年と2018年に米国の主要10大都市圏(MSA)で3つの大気汚染物質(オゾン(O3)、二酸化窒素(NO2)、微粒子物質(PM2.5))を予測し,その性能を検証した。

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)
• Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts [0.11249583407496218]
  大気汚染は公衆衛生、特に都市部において重大な脅威となる。 本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:02:53Z)
• 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)
• A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
  英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。 欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。 このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
  論文  参考訳（メタデータ） (2024-01-16T18:03:07Z)
• Applications of machine learning and IoT for Outdoor Air Pollution Monitoring and Prediction: A Systematic Literature Review [5.210689364246219]
  世界保健機関(WHO)によると、大気汚染は毎年700万人が死亡している。 屋外空気は、低、中、高所得国に影響を及ぼす主要な環境健康問題である。 過去数年間、研究コミュニティは、屋外大気汚染予測のためのIoT対応機械学習アプリケーションを調査してきた。
  論文  参考訳（メタデータ） (2024-01-03T15:36:33Z)
• 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)
• IoT-Based Air Quality Monitoring System with Machine Learning for Accurate and Real-time Data Analysis [0.0]
  本研究では, どこでも使用可能な携帯型空気質検知装置の開発を提案する。 収集されたデータは、クラウドベースのWebアプリThinkSpeakを使って保存および視覚化される。
  論文  参考訳（メタデータ） (2023-07-02T14:18:04Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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)
• 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。