論文の概要: Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning

• arxiv url: http://arxiv.org/abs/2406.02582v1
• Date: Thu, 30 May 2024 19:18:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 23:49:24.598134
• Title: Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning
• Title（参考訳）: 深層学習を用いた毒性都市プラムの時空間予測
• Authors: Yinan Wang, M. Giselle Fernández-Godino, Nipun Gunawardena, Donald D. Lucas, Xiaowei Yue,
• Abstract要約: コンピュータモデルは通常、流体方程式を解くことによって有毒なプラムの輸送を予測するために用いられる。 本稿では,プラムの挙動を管理する数学的方程式から着想を得たSTGasNetという新しい学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.816586190252767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial accidents, chemical spills, and structural fires can release large amounts of harmful materials that disperse into urban atmospheres and impact populated areas. Computer models are typically used to predict the transport of toxic plumes by solving fluid dynamical equations. However, these models can be computationally expensive due to the need for many grid cells to simulate turbulent flow and resolve individual buildings and streets. In emergency response situations, alternative methods are needed that can run quickly and adequately capture important spatiotemporal features. Here, we present a novel deep learning model called ST-GasNet that was inspired by the mathematical equations that govern the behavior of plumes as they disperse through the atmosphere. ST-GasNet learns the spatiotemporal dependencies from a limited set of temporal sequences of ground-level toxic urban plumes generated by a high-resolution large eddy simulation model. On independent sequences, ST-GasNet accurately predicts the late-time spatiotemporal evolution, given the early-time behavior as an input, even for cases when a building splits a large plume into smaller plumes. By incorporating large-scale wind boundary condition information, ST-GasNet achieves a prediction accuracy of at least 90% on test data for the entire prediction period.
• Abstract（参考訳）: 産業事故、化学物質の流出、構造的な火災は大量の有害物質を放出し、都市大気に分散し人口に影響を及ぼす可能性がある。 コンピュータモデルは通常、流体力学方程式を解くことによって有毒なプラムの輸送を予測するために用いられる。 しかし、これらのモデルは、乱流をシミュレートし、個々の建物や通りを解決するために多くの格子セルを必要とするため、計算コストがかかる可能性がある。 緊急対応時には、重要な時空間的特徴を迅速かつ適切に把握できる代替手段が必要である。 本稿では,ST-GasNetと呼ばれる新しい深層学習モデルを提案する。 ST-GasNetは高分解能大渦シミュレーションモデルにより生成された地中有害な都市プラムの時間的配列の限られたセットから時空間依存性を学習する。 独立したシーケンスでは、ST-GasNetは、建物が大きな羽根を小さな羽根に分割した場合であっても、入力としての初期挙動を考えると、リアルタイムの時空間進化を正確に予測する。 大規模な風の境界条件情報を組み込むことで、ST-GasNetは予測期間全体のテストデータに対して、少なくとも90%の予測精度を達成する。

関連論文リスト

• EasyST: A Simple Framework for Spatio-Temporal Prediction [18.291117879544945]
  本稿では,時空間予測のための簡単なフレームワークであるEasySTパラダイムを提案する。 複雑な時間的GNNからの知識を蒸留することにより、軽量で堅牢なマルチ層パーセプトロン(MLP)の一般化を学習する。 EasySTは、効率と精度の点で最先端のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-10T11:40:01Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をより微細なテンポラルスケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 我々は、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• PASTA: PArallel Spatio-Temporal Attention with spatial auto-correlation gating for fine-grained crowd flow prediction [33.08230699138568]
  空間的自己相関ゲーティングを備えたニューラルネットワークPArallel Spatioを導入する。 提案手法の構成要素は,空間的自己相関ゲーティング,マルチスケール残差ブロック,時間的注意ゲーティングモジュールである。
  論文  参考訳（メタデータ） (2023-10-02T14:10:42Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Learning Incident Prediction Models Over Large Geographical Areas for Emergency Response Systems [0.7340017786387767]
  本稿では,道路の地形,気象,歴史的事故,リアルタイム交通渋滞に関するデータを用いて,事故予測を支援するパイプラインについて述べる。 実験結果から,本手法は現状の手法と比較して,現場での応答時間を著しく短縮できることがわかった。
  論文  参考訳（メタデータ） (2021-06-15T17:33:36Z)
• Multioutput Gaussian Processes with Functional Data: A Study on Coastal Flood Hazard Assessment [0.0]
  我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。 いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。 我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
  論文  参考訳（メタデータ） (2020-07-28T08:15:17Z)

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。