論文の概要: Difference Learning for Air Quality Forecasting Transport Emulation
- arxiv url: http://arxiv.org/abs/2402.14806v1
- Date: Thu, 22 Feb 2024 18:58:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 13:53:39.238473
- Title: Difference Learning for Air Quality Forecasting Transport Emulation
- Title(参考訳): 空気質予測輸送エミュレーションの差分学習
- Authors: Reed River Chen, Christopher Ribaudo, Jennifer Sleeman, Chace
Ashcraft, Collin Kofroth, Marisa Hughes, Ivanka Stajner, Kevin Viner, Kai
Wang
- Abstract要約: アメリカ合衆国海洋大気局(National Oceanic and Atmospheric Administration)は、アメリカ合衆国大陸に対して大気質の予測ガイダンスを提供している。
彼らの大気質予測モデルは15kmの空間分解能に基づいているが、その目標は3kmの空間分解能に達することである。
現在では、化学種の輸送をモデル化するための計算的要求が禁止されているため、これは実現不可能である。
本手法は, 極端に空気質なイベントが存在する場合に, いかに技術が維持され, 運用上の潜在的な候補となるかを示す。
- 参考スコア(独自算出の注目度): 3.019717250933788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human health is negatively impacted by poor air quality including increased
risk for respiratory and cardiovascular disease. Due to a recent increase in
extreme air quality events, both globally and locally in the United States,
finer resolution air quality forecasting guidance is needed to effectively
adapt to these events. The National Oceanic and Atmospheric Administration
provides air quality forecasting guidance for the Continental United States.
Their air quality forecasting model is based on a 15 km spatial resolution;
however, the goal is to reach a three km spatial resolution. This is currently
not feasible due in part to prohibitive computational requirements for modeling
the transport of chemical species. In this work, we describe a deep learning
transport emulator that is able to reduce computations while maintaining skill
comparable with the existing numerical model. We show how this method maintains
skill in the presence of extreme air quality events, making it a potential
candidate for operational use. We also explore evaluating how well this model
maintains the physical properties of the modeled transport for a given set of
species.
- Abstract(参考訳): ヒトの健康は、呼吸器疾患や心血管疾患のリスクの増加など、空気の質の低下に悪影響を及ぼす。
近年、世界中でも地域でも極端な空気質のイベントが増えているため、これらのイベントに効果的に適応するためには、より微細な解像度の空気質予測ガイダンスが必要である。
アメリカ合衆国海洋大気局(national oceanic and atmospheric administration)は、アメリカ合衆国大陸の大気質予測ガイダンスを提供している。
彼らの大気質予測モデルは15kmの空間解像度に基づいているが、目標は3kmの空間解像度に達することである。
現在では、化学種の輸送をモデル化するための計算的要求が禁止されているため、これは実現不可能である。
本研究では,既存の数値モデルに匹敵する能力を維持しつつ,計算量を削減できるディープラーニングトランスポートエミュレータについて述べる。
本手法は,空気品質の極端なイベントが存在する場合に,いかにスキルを保ち続けるかを示し,運用上の候補となる可能性を示す。
また、このモデルが特定の種のモデル輸送の物理的性質をいかに良好に維持しているかを評価することも検討する。
関連論文リスト
- FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Forecast-Aware Model Driven LSTM [0.0]
粗悪な空気質は人間の健康に大きな影響を及ぼす可能性がある。
モデルバイアスを補正するために使われる伝統的な手法は、線形性や基礎となる分布について仮定する。
ディープラーニングは、極端な空気質のイベントが存在する場合に、空気質の予測を約束する。
論文 参考訳(メタデータ) (2023-03-23T00:03:07Z) - AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。
AirFormerは72時間の予測で予測エラーを5%削減する。
論文 参考訳(メタデータ) (2022-11-29T07:22:49Z) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳(メタデータ) (2022-11-20T06:46:35Z) - AirSPEC: An IoT-empowered Air Quality Monitoring System integrated with
a Machine Learning Framework to Detect and Predict defined Air Quality
parameters [0.0]
機械学習モデルにより実装が容易で、セマンティックに配布され、権限を与える新しいモノのインターネットフレームワークが提案されている。
提案システムは,一次センサデータを処理,可視化,保存するNodeREDダッシュボードを備えている。
ダッシュボードは、時間的および地理空間的な空気質予測を得るために、機械学習モデルと統合されている。
論文 参考訳(メタデータ) (2021-11-28T12:13:30Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - HighAir: A Hierarchical Graph Neural Network-Based Air Quality
Forecasting Method [8.86417830514213]
HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。
都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。
ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
論文 参考訳(メタデータ) (2021-01-12T02:31:14Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳(メタデータ) (2020-07-23T13:32:47Z) - AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference [7.238981927352622]
都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。
課題の1つは、空気質推論のためのいくつかの関連するステーションを効果的に選択する方法である。
都市大気質推定のための強化学習に基づく新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-03-27T02:04:00Z)
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。