論文の概要: Using Deep Ensemble Forest for High Resolution Mapping of PM2.5 from
MODIS MAIAC AOD in Tehran, Iran
- arxiv url: http://arxiv.org/abs/2402.02139v1
- Date: Sat, 3 Feb 2024 13:01:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:50:21.755720
- Title: Using Deep Ensemble Forest for High Resolution Mapping of PM2.5 from
MODIS MAIAC AOD in Tehran, Iran
- Title（参考訳）: イラン・テヘランのMODIS MAIAC AODからのPM2.5の高分解能マッピングにDeep Ensemble Forestを用いた
- Authors: Hossein Bagheri
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: High resolution mapping of PM2.5 concentration over Tehran city is
challenging because of the complicated behavior of numerous sources of
pollution and the insufficient number of ground air quality monitoring
stations. Alternatively, high resolution satellite Aerosol Optical Depth (AOD)
data can be employed for high resolution mapping of PM2.5. For this purpose,
different data-driven methods have been used in the literature. Recently, deep
learning methods have demonstrated their ability to estimate PM2.5 from AOD
data. However, these methods have several weaknesses in solving the problem of
estimating PM2.5 from satellite AOD data. In this paper, the potential of the
deep ensemble forest method for estimating the PM2.5 concentration from AOD
data was evaluated. The results showed that the deep ensemble forest method
with R2 = 0.74 gives a higher accuracy of PM2.5 estimation than deep learning
methods (R2 = 0.67) as well as classic data-driven methods such as random
forest (R2 = 0.68). Additionally, the estimated values of PM2.5 using the deep
ensemble forest algorithm were used along with ground data to generate a high
resolution map of PM2.5. Evaluation of the produced PM2.5 map revealed the good
performance of the deep ensemble forest for modeling the variation of PM2.5 in
the city of Tehran.
- Abstract（参考訳）: テヘラン市上空のpm2.5濃度の高分解能マッピングは、多数の汚染源の複雑な挙動と地上空気質モニタリングステーションの不足により困難である。
あるいは、高分解能衛星エアロゾル光学深度(AOD)データをPM2.5の高分解能マッピングに用いることもできる。
この目的のために、様々なデータ駆動手法が文献に使われている。
近年,AODデータからPM2.5を推定する深層学習手法が実証されている。
しかし、これらの手法は衛星AODデータからPM2.5を推定する問題の解決にいくつかの弱点がある。
本研究では,AODデータからPM2.5濃度を推定する深層アンサンブル林法の可能性を検討した。
その結果,R2=0.74の深層アンサンブル林法は,ランダム林法(R2=0.68)と同様に,深層学習法(R2=0.67)よりもPM2.5推定の精度が高いことがわかった。
さらに,深層アンサンブル森林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。
生産されたPM2.5マップの評価により,テヘラン市におけるPM2.5の変動をモデル化するための深いアンサンブル林の性能が示された。
関連論文リスト
- Interpreting Object-level Foundation Models via Visual Precision Search [53.807678972967224]
より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。
本手法は,マルチモーダル融合による帰属問題を克服するために,内部モデルパラメータをバイパスする。
提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
論文 参考訳（メタデータ） (2024-11-25T08:54:54Z) - Towards Generalizable Deepfake Detection by Primary Region
Regularization [52.41801719896089]
本稿では,新しい正規化の観点から一般化能力を高める。
本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。
5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-07-24T05:43:34Z) - Data level and decision level fusion of satellite multi-sensor AOD
retrievals for improving PM2.5 estimations, a study on Tehran [0.0]
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。
論文 参考訳（メタデータ） (2023-02-01T08:07:00Z) - Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。
EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。
最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
論文 参考訳（メタデータ） (2022-06-08T06:34:24Z) - 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) - 2.5D Visual Relationship Detection [142.69699509655428]
2.5D視覚関係検出(2.5VRD)に関する研究
一般的なVRDとは異なり、2.5VRDは自我中心であり、カメラの視点をすべての2.5D関係の共通参照として利用する。
1k画像から512kオブジェクト間の220kの2.5d関係からなる新しいデータセットを作成する。
論文 参考訳（メタデータ） (2021-04-26T17:19:10Z) - Tracking Air Pollution in China: Near Real-Time PM2.5 Retrievals from
Multiple Data Sources [17.330234783027855]
毎日10kmの空間解像度のPM2.5データは、私たちの最初のほぼリアルタイム製品です。
2000年以降のPM2.5データの長期記録は、政策評価や健康影響研究もサポートする。
論文 参考訳（メタデータ） (2021-03-11T08:17:36Z) - DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D
Salient Object Detection [107.96418568008644]
そこで我々は,DPANetという新しいネットワークを提案し,深度マップの可能性を明確にモデル化し,モーダル間の相補性を効果的に統合する。
深度ポテンシャル知覚を導入することにより、ネットワークは深度情報のポテンシャルを学習ベースで知覚することができる。
論文 参考訳（メタデータ） (2020-03-19T07:27:54Z) - Analytical Equations based Prediction Approach for PM2.5 using
Artificial Neural Network [0.0]
粒子状物質(PM2.5)は大気質指数(AQI)を測定する重要な粒子状汚染物質の一つである。
PM2.5をモニターするために空気質監視局が使用する従来の機器は、コストが高く、かさばる、時間を消費し、電力を消費する。
本稿では,ニューラルネットワーク(ANN)を用いたPM2.5の解析式に基づく予測手法を提案する。
論文 参考訳（メタデータ） (2020-02-26T11:39:18Z) - PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5
Forecasting [15.587337304295819]
我々は,長期依存を捕捉できる新しいグラフベースモデルPM2.5-GNNを開発した。
提案したモデルは、無料の予測サービスを提供するためにオンラインで展開されている。
論文 参考訳（メタデータ） (2020-02-10T03:33:54Z)
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。