論文の概要: Data level and decision level fusion of satellite multi-sensor AOD retrievals for improving PM2.5 estimations, a study on Tehran

• arxiv url: http://arxiv.org/abs/2302.10278v1
• Date: Wed, 1 Feb 2023 08:07:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 14:26:36.862078
• Title: Data level and decision level fusion of satellite multi-sensor AOD retrievals for improving PM2.5 estimations, a study on Tehran
• Title（参考訳）: PM2.5推定精度向上のための衛星マルチセンサAOD検索のデータレベルと決定レベル融合に関する研究
• Authors: Ali Mirzaei, Hossein Bagheri and Mehran Sattari
• Abstract要約: 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。
• 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: One of the techniques for estimating the surface particle concentration with a diameter of fewer than 2.5 micrometers (PM2.5) is using aerosol optical depth (AOD) products. Different AOD products are retrieved from various satellite sensors, like MODIS and VIIRS, by various algorithms, such as Deep Blue and Dark Target. Therefore, they do not have the same accuracy and spatial resolution. Additionally, the weakness of algorithms in AOD retrieval reduces the spatial coverage of products, particularly in cloudy or snowy areas. Consequently, for the first time, the present study investigated the possibility of fusing AOD products from observations of MODIS and VIIRS sensors retrieved by Deep Blue and Dark Target algorithms to estimate PM2.5 more accurately. For this purpose, AOD products were fused by machine learning algorithms using different fusion strategies at two levels: the data level and the decision level. First, the performance of various machine learning algorithms for estimating PM2.5 using AOD data was evaluated. After that, the XGBoost algorithm was selected as the base model for the proposed fusion strategies. Then, AOD products were fused. The fusion results showed that the estimated PM2.5 accuracy at the data level in all three metrics, RMSE, MAE, and R2, was improved (R2=0.64). Despite the simplicity and lower computational cost of the data level fusion method, the spatial coverage did not improve considerably due to eliminating poor quality data through the fusion process. Afterward, the fusion of products at the decision level was followed in eleven scenarios. In this way, the best result was obtained by fusing Deep Blue products of MODIS and VIIRS sensors (R2=0.81)
• Abstract（参考訳）: 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。 したがって、それらは同じ精度と空間分解能を持っていない。 さらに、aod検索におけるアルゴリズムの弱さは、特に曇りや雪の多い地域での製品の空間的カバレッジを減少させる。 その結果,Deep Blue および Dark Target アルゴリズムにより得られたMODIS および VIIRS センサの観測結果から,AOD 生成物を拡散させてPM2.5 をより正確に推定できる可能性について検討した。 この目的のために、AOD製品はデータレベルと意思決定レベルという2つのレベルで異なる融合戦略を使用して機械学習アルゴリズムによって融合された。 まず,AODデータを用いたPM2.5推定アルゴリズムの性能評価を行った。 その後、提案した融合戦略のベースモデルとしてXGBoostアルゴリズムが選択された。 その後、AOD製品が融合した。 核融合実験の結果, RMSE, MAE, R2の3つの指標で推定PM2.5精度が向上した(R2=0.64)。 データレベル融合法の単純さと計算コストの低下にもかかわらず, 核融合プロセスによる粗悪なデータ除去により空間被覆は著しく改善されなかった。 その後、意思決定レベルでの製品の統合は11のシナリオで続いた。 このようにして、最も良い結果はMODISとVIIRSセンサー(R2=0.81)のディープブルー生成物を融合させることで得られる。

関連論文リスト

• AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation [38.89367726721828]
  リモートセンシング画像オブジェクト検出(RSIOD)は、衛星や空中画像内の特定の物体を特定し、特定することを目的としている。 現在のRSIODデータセットにはラベル付きデータが不足しており、現在の検出アルゴリズムのパフォーマンスを著しく制限している。 本稿では,RSIODに適したレイアウト制御可能な拡散生成モデル(AeroGen)を提案する。
  論文  参考訳（メタデータ） (2024-11-23T09:04:33Z)
• Deep Feature Gaussian Processes for Single-Scene Aerosol Optical Depth Reconstruction [6.303674461269533]
  AOD再建のための既存の方法は時間情報に依存している。 高空間分解能のリモートセンシングデータでは、多時間観測は利用できないことが多い。 ディープラーニングを使用することで、変数をより説明可能なパワーで特徴空間に変換する。
  論文  参考訳（メタデータ） (2024-05-27T15:20:40Z)
• Align and Distill: Unifying and Improving Domain Adaptive Object Detection [16.879446142847392]
  ドメイン適応オブジェクト検出(DAOD)手法は近年,この問題に対処する上で大きな成果を上げている。 過去の結果を疑問視し、さらなる進歩を妨げるような、システムベンチマークの落とし穴を特定します。 統一されたベンチマークと実装フレームワークであるAlign and Distill (ALDI)。 新しいベンチマークデータセットであるCFC-DAODは、さまざまな実世界のデータの評価を可能にし、(4)最先端の結果を大きなマージンで達成する新しいメソッドALDI++である。
  論文  参考訳（メタデータ） (2024-03-18T17:58:02Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• 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)
• DiffNAS: Bootstrapping Diffusion Models by Prompting for Better Architectures [63.12993314908957]
  そこで我々は,DiffNASと呼ばれるベースモデル探索手法を提案する。 GPT-4をスーパーネットとして利用して検索を高速化し,検索メモリを補足して結果を向上する。 厳密な実験により,GPTに基づくシナリオでは,探索効率を2倍に向上できることが示された。
  論文  参考訳（メタデータ） (2023-10-07T09:10:28Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• A machine learning-based framework for high resolution mapping of PM2.5 in Tehran, Iran, using MAIAC AOD data [0.0]
  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。
  論文  参考訳（メタデータ） (2022-04-05T10:06:36Z)
• 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)
• Learning Selective Mutual Attention and Contrast for RGB-D Saliency Detection [145.4919781325014]
  クロスモーダル情報を効果的に融合する方法は、RGB-Dの有能な物体検出の鍵となる問題である。 多くのモデルは特徴融合戦略を用いるが、低次点対点融合法によって制限されている。 本研究では,異なるモダリティから注目とコンテキストを融合させることにより,新たな相互注意モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-12T08:50:10Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。