論文の概要: Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts
- arxiv url: http://arxiv.org/abs/2405.19901v1
- Date: Thu, 30 May 2024 10:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 14:59:14.899702
- Title: Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts
- Title（参考訳）: 都市大気汚染予測:衛星観測と気象予報を利用した機械学習アプローチ
- Authors: Giacomo Blanco, Luca Barco, Lorenzo Innocenti, Claudio Rossi,
- Abstract要約: 大気汚染は公衆衛生、特に都市部において重大な脅威となる。
本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.11249583407496218
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Air pollution poses a significant threat to public health and well-being, particularly in urban areas. This study introduces a series of machine-learning models that integrate data from the Sentinel-5P satellite, meteorological conditions, and topological characteristics to forecast future levels of five major pollutants. The investigation delineates the process of data collection, detailing the combination of diverse data sources utilized in the study. Through experiments conducted in the Milan metropolitan area, the models demonstrate their efficacy in predicting pollutant levels for the forthcoming day, achieving a percentage error of around 30%. The proposed models are advantageous as they are independent of monitoring stations, facilitating their use in areas without existing infrastructure. Additionally, we have released the collected dataset to the public, aiming to stimulate further research in this field. This research contributes to advancing our understanding of urban air quality dynamics and emphasizes the importance of amalgamating satellite, meteorological, and topographical data to develop robust pollution forecasting models.
- Abstract（参考訳）: 大気汚染は公衆衛生、特に都市部において重大な脅威となる。
本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
この調査はデータ収集の過程を詳述し、この研究で利用された多様なデータソースの組み合わせについて詳述する。
ミラノ大都市圏で実施された実験を通じて、これらのモデルは次の日の汚染レベルの予測に有効であることを実証し、約30%の誤差を達成した。
提案したモデルは監視局とは無関係であるため,既存のインフラのない地域での利用が容易である。
さらに、収集したデータセットを一般向けに公開し、この分野のさらなる研究を促進することを目的としている。
本研究は,都市大気質の動態の理解を深めることに寄与し,ロバストな大気汚染予測モデルを開発するための衛星・気象・地形データの統合の重要性を強調している。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - 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) - A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。
欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。
このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
論文 参考訳（メタデータ） (2024-01-16T18:03:07Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Unleashing Realistic Air Quality Forecasting: Introducing the
Ready-to-Use PurpleAirSF Dataset [4.190243190157989]
本稿では,PurpleAirネットワークからの包括的かつ容易にアクセス可能なデータセットであるPurpleAirSFを紹介する。
本稿では、PurpleAirSFの構築に使用されるデータ収集および処理方法の詳細について述べる。
従来の予測モデルと現代の予測モデルの両方を用いて予備実験を行い、将来の大気質予測タスクのベンチマークを作成する。
論文 参考訳（メタデータ） (2023-06-24T12:10:16Z) - Detecting Elevated Air Pollution Levels by Monitoring Web Search
Queries: Deep Learning-Based Time Series Forecasting [7.978612711536259]
以前の研究は、地上モニターや気象データから収集した汚染物質濃度を長期予測のモデルに頼っていた。
本研究では,主要な検索エンジンからほぼリアルタイムで公開されているWeb検索データを用いて,観測された汚染レベルを推定するモデルを開発し,検証することを目的とする。
従来型の教師付き分類法と最先端の深層学習法を併用して,米国の都市レベルで大気汚染レベルの上昇を検出する機械学習モデルを開発した。
論文 参考訳（メタデータ） (2022-11-09T23:56:35Z) - Deciphering Environmental Air Pollution with Large Scale City Data [0.0]
交通や発電所からの排出、家庭からの排出、自然発生など、様々な要因が大気汚染の上昇の背後にある主要な原因要因または影響要因であることが知られている。
本稿では,これらのエージェント間の関係を長期にわたって探索するための大規模都市情報データセットを提案する。
また,多種多様なモデルと方法論を用いて汚染物質レベルを推定または予測する問題に対するベンチマークのセットを提供する。
論文 参考訳（メタデータ） (2021-09-09T22:00:51Z) - 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) - Conditional Generative Adversarial Networks to Model Urban Outdoor Air
Pollution [0.8122270502556374]
本稿では, 所定の分類に従って, 合成二酸化窒素の日時系列を生成できるモデルを訓練することを提案する。
提案手法は, 計算時間削減を必要としながら, 高精度で多彩な毎日の汚染時系列を生成することができる。
論文 参考訳（メタデータ） (2020-10-05T18:01:10Z) - 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)
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。