論文の概要: Using remotely sensed data for air pollution assessment

• arxiv url: http://arxiv.org/abs/2402.06653v1
• Date: Sun, 4 Feb 2024 14:27:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 13:53:23.647533
• Title: Using remotely sensed data for air pollution assessment
• Title（参考訳）: リモートセンシングデータを用いた大気汚染評価
• Authors: Teresa Bernardino, Maria Alexandra Oliveira, Jo\~ao Nuno Silva
• Abstract要約: この研究の主な目的は、観測データがない場所で汚染物質濃度を推定できるモデルを作成することである。 2019年、イベリア半島の5種類の汚染物質の濃度を予測する機械学習モデルが開発された。 平均値が少し高くなる$O_3$と$PM10$を除いて、全てのモデルでRMSEを許容するクロスバリデーションを提示した。
• 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: Air pollution constitutes a global problem of paramount importance that affects not only human health, but also the environment. The existence of spatial and temporal data regarding the concentrations of pollutants is crucial for performing air pollution studies and monitor emissions. However, although observation data presents great temporal coverage, the number of stations is very limited and they are usually built in more populated areas. The main objective of this work is to create models capable of inferring pollutant concentrations in locations where no observation data exists. A machine learning model, more specifically the random forest model, was developed for predicting concentrations in the Iberian Peninsula in 2019 for five selected pollutants: $NO_2$, $O_3$ $SO_2$, $PM10$, and $PM2.5$. Model features include satellite measurements, meteorological variables, land use classification, temporal variables (month, day of year), and spatial variables (latitude, longitude, altitude). The models were evaluated using various methods, including station 10-fold cross-validation, in which in each fold observations from 10\% of the stations are used as testing data and the rest as training data. The $R^2$, RMSE and mean bias were determined for each model. The $NO_2$ and $O_3$ models presented good values of $R^2$, 0.5524 and 0.7462, respectively. However, the $SO_2$, $PM10$, and $PM2.5$ models performed very poorly in this regard, with $R^2$ values of -0.0231, 0.3722, and 0.3303, respectively. All models slightly overestimated the ground concentrations, except the $O_3$ model. All models presented acceptable cross-validation RMSE, except the $O_3$ and $PM10$ models where the mean value was a little higher (12.5934 $\mu g/m^3$ and 10.4737 $\mu g/m^3$, respectively).
• Abstract（参考訳）: 大気汚染は、人間の健康だけでなく環境にも影響を及ぼす世界的重要課題である。 大気汚染物質の濃度に関する空間的・時間的データの存在は、大気汚染の研究や排出の監視に不可欠である。 しかし、観測データはかなりの時間的カバレッジを示すが、駅数は極めて限られており、通常は人口の多い地域で構築されている。 この研究の主な目的は、観測データがない場所で汚染物質濃度を推定できるモデルを作成することである。 機械学習モデル(特にランダム森林モデル)は、2019年にイベリア半島で選択された5つの汚染物質(NO_2$、$O_3$$SO_2$、$PM10$、$PM2.5$)の濃度を予測するために開発された。 モデルの特徴として、衛星測定、気象変数、土地利用分類、時間変数(月、日)、空間変数(緯度、経度、高度)がある。 実験では,各駅の10倍の観測データを試験データとして,残りをトレーニングデータとして,駅10倍のクロスバリデーションを含む各種手法を用いて評価した。 R^2$, RMSE, 平均偏差は各モデルで決定された。 NO_2$ と $O_3$ はそれぞれ$R^2$ と 0.5524 と 0.7462 のよい値を示した。 しかし、$so_2$、$pm10$、$pm2.5$モデルは、それぞれ -0.0231 、 0.3722 および 0.3303 の $r^2$ の値で、この点で非常に貧弱であった。 すべてのモデルは、$O_3$モデルを除いて、地上濃度をわずかに過大評価した。 すべてのモデルは、平均値が少し高い$o_3$と$pm10$モデル(それぞれ12.5934$\mu g/m^3$と10.4737$\mu g/m^3$)を除いて、許容できるクロスバリデーションrmseを示した。

関連論文リスト

• Language models scale reliably with over-training and on downstream tasks [121.69867718185125]
  スケーリング法則は、高価なトレーニング実行を引き出すための有用なガイドである。 しかし、現在の研究と言語モデルがどのように訓練されているかには差がある。 対照的に、スケーリング法則は主に推論における損失を予測するが、モデルは通常下流のタスクのパフォーマンスで比較される。
  論文  参考訳（メタデータ） (2024-03-13T13:54:00Z)
• A Data-Driven Supervised Machine Learning Approach to Estimating Global Ambient Air Pollution Concentrations With Associated Prediction Intervals [0.0]
  我々は、時間的および空間的計測の欠如を示唆するスケーラブルでデータ駆動型の教師あり機械学習フレームワークを開発した。 このモデルは, 時間的および空間的計測の欠如を示唆し, NO$, O$_3$, PM$_10$, PM$_2.5$, SO$などの汚染物質の包括的データセットを生成するように設計されている。 モデルの性能について検討し,今後のモニタリングステーションの戦略的配置に関する洞察と勧告を提供する。
  論文  参考訳（メタデータ） (2024-02-15T11:09:22Z)
• COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically for Model-Based RL [50.385005413810084]
  ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。 $textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
  論文  参考訳（メタデータ） (2023-10-11T06:10:07Z)
• 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)
• A comparative study of statistical and machine learning models on near-real-time daily emissions prediction [0.0]
  二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。 本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
  論文  参考訳（メタデータ） (2023-02-02T15:14:27Z)
• Predicting air quality via multimodal AI and satellite imagery [0.2492060267829796]
  本稿では,監視局が存在しない空気質指標を予測するためのマルチモーダル機械学習モデルを提案する。 欧州大気汚染監視局(ESA Copernicus)プロジェクトからtextitaltitude, population, etc.$などの機能を備えた新しい欧州汚染監視局(ECA)のデータセットが作成されている。 これらの予測は、異なる地域における空気の質を比較するのに使用できる「空気品質指標」を作成するために集約される。
  論文  参考訳（メタデータ） (2022-11-01T22:56:15Z)
• A Relational Intervention Approach for Unsupervised Dynamics Generalization in Model-Based Reinforcement Learning [113.75991721607174]
  同じ環境に属する2つの推定$hatz_i, hatz_j$の確率を推定するための介入予測モジュールを導入する。 提案手法により推定される$hatZ$は,従来の方法よりも冗長な情報が少ないことを実証的に示す。
  論文  参考訳（メタデータ） (2022-06-09T15:01:36Z)
• High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
  温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。 ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。 我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
  論文  参考訳（メタデータ） (2022-05-17T17:53:50Z)
• Datamodels: Predicting Predictions from Training Data [86.66720175866415]
  本稿では,モデルクラスの振る舞いを学習データの観点から分析するための概念的枠組みであるデータモデリングについて述べる。 単純な線形データモデルであっても、モデル出力をうまく予測できることが示される。
  論文  参考訳（メタデータ） (2022-02-01T18:15:24Z)
• Prediction of daily maximum ozone levels using Lasso sparse modeling method [0.0]
  本稿では, 翌日の最大オゾン濃度の予測に, 最新の統計手法を適用した。 このモデルは、様々な汚染物質の現在の時間濃度レベルや気象変数など、多くの候補特性を使用する。 3年のデータでトレーニングされたモデルは、RMSE=5.63 ppb、MAE=4.42 ppb、RMSE=5.68 ppb、MAE=4.52 ppbという比較的良好な予測精度を示す。
  論文  参考訳（メタデータ） (2020-10-18T02:58:53Z)
• TraDE: Transformers for Density Estimation [101.20137732920718]
  TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。 本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
  論文  参考訳（メタデータ） (2020-04-06T07:32:51Z)

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。