論文の概要: Deep Convolutional Neural Network for Plume Rise Measurements in Industrial Environments

• arxiv url: http://arxiv.org/abs/2302.07416v1
• Date: Wed, 15 Feb 2023 00:41:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 16:12:08.402916
• Title: Deep Convolutional Neural Network for Plume Rise Measurements in Industrial Environments
• Title（参考訳）: 産業環境における深部畳み込み型ニューラルネットワークによるプレム上昇測定
• Authors: Mohammad Koushafar, Gunho Sohn, Mark Gordon
• Abstract要約: 梅雲の高さの推定は、大気質の輸送モデル、地域環境評価ケース、地球規模の気候モデルに不可欠である。 本研究では,煙突の上昇を観測し,長期的かつリアルタイムに煙突の上昇を計測する,低コストな計測技術を提案する。
• 参考スコア（独自算出の注目度）: 0.6445605125467572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The estimation of plume cloud height is essential for air-quality transport models, local environmental assessment cases, and global climate models. When pollutants are released by a smokestack, plume rise is the constant height at which the plume cloud is carried downwind as its momentum dissipates and the temperatures of the plume cloud and the ambient equalize. Although different parameterizations and equations are used in most air quality models to predict plume rise, verification of these parameterizations has been limited in the past three decades. Beyond validation, there is also value in real-time measurement of plume rise to improve the accuracy of air quality forecasting. In this paper, we propose a low-cost measurement technology that can monitor smokestack plumes and make long-term, real-time measurements of plume rise, improving predictability. To do this, a two-stage method is developed based on deep convolutional neural networks. In the first stage, an improved Mask R-CNN is applied to detect the plume cloud borders and distinguish the plume from its background and other objects. This proposed model is called Deep Plume Rise Net (DPRNet). In the second stage, a geometric transformation phase is applied through the wind direction information from a nearby monitoring station to obtain real-life measurements of different parameters. Finally, the plume cloud boundaries are obtained to calculate the plume rise. Various images with different atmospheric conditions, including day, night, cloudy, and foggy, have been selected for DPRNet training algorithm. Obtained results show the proposed method outperforms widely-used networks in plume cloud border detection and recognition.
• Abstract（参考訳）: プルーム雲の高さの推定は、大気質の輸送モデル、地域環境アセスメントケース、地球規模の気候モデルに必要不可欠である。 煙突によって汚染物質が放出されると、プルーム上昇はプルーム雲の運動量は減少し、プルーム雲の温度と周囲温度は等しくなるため、プルーム雲が下降する一定の高さである。 ほとんどの大気質モデルで異なるパラメータ化と方程式がプルーム上昇を予測するために使われているが、この30年でこれらのパラメータ化の検証は制限されている。 検証以外にも、空気品質予測の精度を向上させるために、プルーム上昇のリアルタイム測定にも価値がある。 本稿では,スモークスタックプラムをモニタし,プラム上昇の長期リアルタイム測定を行い,予測可能性の向上を図る,低コストな計測技術を提案する。 これを実現するために,深層畳み込みニューラルネットワークを用いた2段階法を開発した。 第1段階では、改良されたMask R-CNNを用いて、雲の境界を検知し、背景や他の物体と区別する。 このモデルはDeep Plume Rise Net (DPRNet)と呼ばれる。 第2段階では、近傍の監視局からの風向情報を介して幾何変換位相を適用して、異なるパラメータの実寿命測定を行う。 最後に、羽根雲の境界を求め、羽根上昇を算出する。 DPRNetトレーニングアルゴリズムでは、昼、夜、曇り、霧などの異なる大気条件の様々な画像が選択されている。 その結果,提案手法は,梅雨雲境界検出および認識において,広く利用されているネットワークよりも優れていた。

関連論文リスト

• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• ACE Metric: Advection and Convection Evaluation for Accurate Weather Forecasting [7.016835396874093]
  本研究では, モデルによる対流・対流予測の精度を評価するために, 対流・対流誤差(ACE)測定値を提案する。 We have confirmeded the ACE evaluation metric on the WeatherBench2 and movingMNIST datasets。
  論文  参考訳（メタデータ） (2024-06-07T06:49:59Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• 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)
• Robust 3D Object Detection in Cold Weather Conditions [7.924836086640871]
  逆気象条件はLiDARベースの物体検出器に悪影響を及ぼす可能性がある。 寒冷環境における自動車排ガスの凝縮現象に着目した。 本稿では,データ拡張と新たなトレーニング損失項を用いてこの問題を解決することを提案する。
  論文  参考訳（メタデータ） (2022-05-24T09:37:07Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud Completion [69.32451612060214]
  実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。 ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。 本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-07T06:59:06Z)
• 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)
• SmaAt-UNet: Precipitation Nowcasting using a Small Attention-UNet Architecture [5.28539620288341]
  データ駆動型ニューラルネットワークのアプローチにより,正確な降水量を推定できることが示唆された。 オランダ地域の降水マップとフランスのクラウドカバレッジのバイナリ画像を用いて、実際のデータセットに対する我々のアプローチを評価した。
  論文  参考訳（メタデータ） (2020-07-08T20:33:10Z)

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。