論文の概要: Development and Evaluation of Ensemble Learning-based Environmental
Methane Detection and Intensity Prediction Models
- arxiv url: http://arxiv.org/abs/2312.10879v1
- Date: Mon, 18 Dec 2023 01:52:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 14:12:13.513268
- Title: Development and Evaluation of Ensemble Learning-based Environmental
Methane Detection and Intensity Prediction Models
- Title(参考訳): アンサンブル学習による環境メタン検出と強度予測モデルの開発と評価
- Authors: Reek Majumder, Jacquan Pollard, M Sabbir Salek, David Werth, Gurcan
Comert, Adrian Gale, Sakib Mahmud Khan, Samuel Darko, Mashrur Chowdhury
- Abstract要約: データ駆動機械学習 (ML) モデルを用いて, ファジティヴCH4とその関連強度を同定した。
我々はアンサンブル学習法を用いて、より弱い低層MLモデル上に構築された最も優れた重み付きアンサンブルMLモデルを決定する。
- 参考スコア(独自算出の注目度): 6.694954044418315
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The environmental impacts of global warming driven by methane (CH4) emissions
have catalyzed significant research initiatives in developing novel
technologies that enable proactive and rapid detection of CH4. Several
data-driven machine learning (ML) models were tested to determine how well they
identified fugitive CH4 and its related intensity in the affected areas.
Various meteorological characteristics, including wind speed, temperature,
pressure, relative humidity, water vapor, and heat flux, were included in the
simulation. We used the ensemble learning method to determine the
best-performing weighted ensemble ML models built upon several weaker
lower-layer ML models to (i) detect the presence of CH4 as a classification
problem and (ii) predict the intensity of CH4 as a regression problem.
- Abstract(参考訳): メタン(CH4)による地球温暖化による環境影響は、CH4の能動的かつ迅速な検出を可能にする新しい技術開発において重要な研究イニシアチブを触媒している。
データ駆動機械学習(ML)モデルをいくつかテストし、影響領域における逃亡型CH4とその関連強度をどの程度正確に識別したかを確認した。
このシミュレーションには風速、温度、圧力、相対湿度、水蒸気、熱流束など様々な気象特性が含まれている。
我々は,いくつかの弱層mlモデルに基づく最良重み付け型mlモデルを決定するためにアンサンブル学習法を用いた。
i)CH4の存在を分類問題として検出し、
(ii)回帰問題としてch4の強度を予測する。
関連論文リスト
- MetaSD: A Unified Framework for Scalable Downscaling of Meteorological Variables in Diverse Situations [8.71735078449217]
本稿ではメタラーニングを活用した統一的なダウンスケーリング手法を提案する。
ERA5, GFSから温度, 風, 表面圧力, 総降水量からなる変数を訓練した。
提案手法は, 対流降水量, 電位, エネルギー高さ, 湿度CFS, S2S, CMIP6の時間スケールに拡張可能である。
論文 参考訳(メタデータ) (2024-04-26T06:31:44Z) - 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) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D
Variational Assimilation [71.21242137496031]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳(メタデータ) (2023-12-16T02:07:56Z) - Machine Learning Driven Sensitivity Analysis of E3SM Land Model
Parameters for Wetland Methane Emissions [12.826828430320843]
メタン(CH4)は二酸化炭素に次いで2番目に重要な温室効果ガスであり、観測された温暖化の16-25%に寄与する。
感度分析(SA)は、メタン放出の臨界パラメータを特定し、将来の予測におけるバイアスや不確実性を減少させるのに役立つ。
本研究では,エナジー・エクサスケール・アース・システム・モデル(E3SM)ランド・モデル(ELM)のメタン・モジュールにおける臨界生物地球化学的プロセスに関与する19のパラメータについてSAを行う。
論文 参考訳(メタデータ) (2023-12-05T14:16:13Z) - 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) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳(メタデータ) (2022-01-10T10:02:40Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Modeling of Pan Evaporation Based on the Development of Machine Learning
Methods [0.0]
気温、風速、日照時間、湿度、太陽放射などの気候変化は蒸発過程に大きな影響を及ぼす可能性がある。
本研究の目的は、毎月のパン蒸発推定をモデル化するための機械学習(ML)モデルの有効性を検討することである。
論文 参考訳(メタデータ) (2021-10-10T10:06:16Z) - Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air
Combustion [0.0]
運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。
対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。
この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
論文 参考訳(メタデータ) (2021-03-15T13:29:08Z) - A Transfer Learning-based State of Charge Estimation for Lithium-Ion
Battery at Varying Ambient Temperatures [14.419790834463548]
リチウムイオン電池(LiB)駆動デバイスに安定かつ効率的な環境を提供するためには、充電状態(SoC)推定が重要です。
ほとんどのデータ駆動SoCモデルは、温度に対するLiBの高感度を無視し、深刻な予測誤差を引き起こす可能性がある固定周囲温度のために構築されています。
提案手法は, 固定温度での予測誤差(例えば-20degCで24.35%, 25degCで49.82%)を低減させるだけでなく, 新温度での予測精度も向上する。
論文 参考訳(メタデータ) (2021-01-11T05:26:37Z)
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。