Fugu-MT 論文翻訳(概要): Simulating the Air Quality Impact of Prescribed Fires Using Graph Neural Network-Based PM$

論文の概要: Simulating the Air Quality Impact of Prescribed Fires Using Graph Neural Network-Based PM$_{2.5}$ Forecasts

arxiv url: http://arxiv.org/abs/2312.04291v2
Date: Thu, 23 May 2024 23:41:48 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 23:36:34.765685
Title: Simulating the Air Quality Impact of Prescribed Fires Using Graph Neural Network-Based PM$_{2.5}$ Forecasts
Title（参考訳）: グラフニューラルネットワークを用いたPM$_{2.5}$予測による予報火災の空気質への影響のシミュレーション
Authors: Kyleen Liao, Jatan Buch, Kara Lamb, Pierre Gentine,
Abstract要約: 本研究では, 時空PM$_2.5$予測のための時空間グラフニューラルネットワーク(GNN)に基づく予測モデルを提案する。 2段階のアプローチを用いて、予測モデルを用いて、山火事のPM$_2.5$の寄与を推定する。本稿では,GNNに基づくPM$_2.5$予測モデルと所定の火災シミュレーションを統合し,PM$_2.5$予測手法を提案する。
参考スコア（独自算出の注目度）: 0.1052166918701117
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The increasing size and severity of wildfires across the western United States have generated dangerous levels of PM$_{2.5}$ concentrations in recent years. In a changing climate, expanding the use of prescribed fires is widely considered to be the most robust fire mitigation strategy. However, reliably forecasting the potential air quality impact from prescribed fires, which is critical in planning the prescribed fires' location and time, at hourly to daily time scales remains a challenging problem. In this paper, we introduce a spatial-temporal graph neural network (GNN) based forecasting model for hourly PM$_{2.5}$ predictions across California. Using a two-step approach, we leverage our forecasting model to estimate the PM$_{2.5}$ contribution of wildfires. Integrating the GNN-based PM$_{2.5}$ forecasting model with prescribed fire simulations, we propose a novel framework to forecast the PM$_{2.5}$ pollution of prescribed fires. This framework helps determine March as the optimal month for implementing prescribed fires in California and quantifies the potential air quality trade-offs involved in conducting more prescribed fires outside the fire season.
Abstract（参考訳）: 米国西部の山火事の規模と深刻度は近年、PM$_{2.5}$濃度の危険なレベルを生み出している。変化する気候では、所定の火災の利用を拡大することが最も堅牢な消火戦略であると考えられている。しかし、特定火災による潜在的な大気質への影響を確実に予測することは、特定火災の位置と時刻を時間ごとから日毎のスケールで計画する上で重要な課題である。本稿では,時空間グラフニューラルネットワーク(GNN)を用いた1時間PM$_{2.5}$予測モデルを提案する。 2段階のアプローチを用いて、予測モデルを用いて、山火事のPM$_{2.5}$寄与を推定する。本稿では,GNNに基づくPM$_{2.5}$予測モデルと所定の火災シミュレーションを統合し,PM$_{2.5}$予測のための新しい枠組みを提案する。この枠組みは、カリフォルニアで所定の火災を実施するのに最適な月として3月を決定するのに役立ち、火災シーズンの外でより所定の火災を行うのにかかわる潜在的な大気質のトレードオフを定量化する。

関連論文リスト

Seasonal Fire Prediction using Spatio-Temporal Deep Neural Networks [2.748450182087935]
We use SeasFire, a comprehensive global wildfire data with climate, vegetation, oceanic indices, and human-related variables, to enable seasonal wildfire forecasting with machine learning。予測分析のために、野火の時間的文脈を捉えた異なるアーキテクチャでディープラーニングモデルを訓練する。本研究は,季節火災予報における深層学習モデルの可能性を示すものである。
論文参考訳（メタデータ） (2024-04-09T16:28:54Z)
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)
Modelling wildland fire burn severity in California using a spatial Super Learner approach [0.04188114563181614]
米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
論文参考訳（メタデータ） (2023-11-25T22:09:14Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
論文参考訳（メタデータ） (2023-09-05T23:24:34Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
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)
A Multi-Modal Wildfire Prediction and Personalized Early-Warning System Based on a Novel Machine Learning Framework [0.0]
2018年のカリフォルニアの山火事は1848.5億ドルの損害を与えた。何百万人もの影響を受けた人々の中で、障害者は不適切な警報手段によって不当に影響を受ける。本プロジェクトでは,マルチモーダル山火事予報システムと早期警報システムを開発した。
論文参考訳（メタデータ） (2022-08-18T22:03:32Z)
From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文参考訳（メタデータ） (2021-03-14T17:56:17Z)
Modeling Wildfire Perimeter Evolution using Deep Neural Networks [0.0]
本研究では,24時間間における山火事周囲の進化を予測できる山火事拡散モデルを提案する。このモデルはカリフォルニアのシエラネバダ山脈西部の山火事から、実際の歴史的データセットから、山火事の拡散力学を学習することができる。
論文参考訳（メタデータ） (2020-09-08T20:06:01Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。