論文の概要: Discovering Hidden Pollution Hotspots Using Sparse Sensor Measurements
- arxiv url: http://arxiv.org/abs/2410.04309v1
- Date: Sat, 5 Oct 2024 23:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 08:30:03.554777
- Title: Discovering Hidden Pollution Hotspots Using Sparse Sensor Measurements
- Title（参考訳）: スパースセンサによる隠れた汚染ホットスポットの発見
- Authors: Ankit Bhardwaj, Ananth Balashankar, Shiva Iyer, Nita Soans, Anant Sudarshan, Rohini Pande, Lakshminarayanan Subramanian,
- Abstract要約: ニューデリーの公共センサネットワークは、すべての汚染ホットスポットを特定するには不十分であることを示す。
分析の結果、189のホットスポットが発見され、政府のネットワークですでに検出されている660を補った。
スペース・タイム・クリギング(Space-Time Kriging)を用いて、50%のセンサー故障でホットスポットの検出において98%の精度と95.4%のリコールを達成した。
- 参考スコア（独自算出の注目度）: 5.964549794346141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective air pollution management in urban areas relies on both monitoring and mitigation strategies, yet high costs often limit sensor networks to a few key pollution hotspots. In this paper, we show that New Delhi's public sensor network is insufficient for identifying all pollution hotspots. To address this, we augmented the city's network with 28 low-cost sensors, monitoring PM 2.5 concentrations over 30 months (May 2018 to November 2020). Our analysis uncovered 189 additional hotspots, supplementing the 660 already detected by the government network. We observed that Space-Time Kriging with limited but accurate sensor data provides a more robust and generalizable approach for identifying these hotspots, as compared to deep learning models that require large amounts of fine-grained multi-modal data (emissions inventory, meteorology, etc.) which was not reliably, frequently and accurately available in the New Delhi context. Using Space-Time Kriging, we achieved 98% precision and 95.4% recall in detecting hotspots with 50% sensor failure. Furthermore, this method proved effective in predicting hotspots in areas without sensors, achieving 95.3% precision and 88.5% recall in the case of 50% missing sensors. Our findings revealed that a significant portion of New Delhi's population, around 23 million people, was exposed to pollution hotspots for at least half of the study period. We also identified areas beyond the reach of the public sensor network that should be prioritized for pollution control. These results highlight the need for more comprehensive monitoring networks and suggest Space-Time Kriging as a viable solution for cities facing similar resource constraints.
- Abstract（参考訳）: 都市部における大気汚染の効果的な管理は、監視と緩和戦略の両方に依存しているが、高コストはしばしばセンサーネットワークをいくつかの主要な汚染ホットスポットに制限する。
本稿では,ニューデリーの公共センサネットワークは,すべての汚染ホットスポットを特定するには不十分であることを示す。
これに対応するために、28の低コストセンサーで市のネットワークを拡張し、30ヶ月(2018年5月～2020年11月)でPM2.5濃度を監視しました。
分析の結果、189のホットスポットが発見され、政府のネットワークですでに検出されている660を補った。
ニューデリーの文脈では,高密度のマルチモーダルデータ(エミッションインベントリ,気象学など)を必要とする深層学習モデルと比較して,センサデータに制限のある空間時間クリギングの方が,より堅牢で一般化可能なアプローチであることがわかった。
スペース・タイム・クリギング(Space-Time Kriging)を用いて、50%のセンサー故障でホットスポットの検出において98%の精度と95.4%のリコールを達成した。
さらに、この方法はセンサーのない地域でホットスポットを予測するのに有効であることが証明され、50%のセンサーが欠けた場合には95.3%の精度と88.5%のリコールが達成された。
調査の結果、ニューデリーの人口のうち約2300万人が少なくとも半数は汚染ホットスポットに曝されていることがわかった。
また,公的なセンサネットワークの範囲を超えて,汚染対策に優先すべき領域を特定した。
これらの結果は、より包括的な監視ネットワークの必要性を強調し、同様のリソース制約に直面した都市において、Space-Time Krigingを実行可能なソリューションとして提案する。
関連論文リスト
- Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。
センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。
弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
論文 参考訳（メタデータ） (2024-11-11T12:20:57Z) - Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。
この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。
従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文 参考訳（メタデータ） (2024-08-27T15:03:20Z) - Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。
無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。
そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文 参考訳（メタデータ） (2023-12-08T13:50:30Z) - 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) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Air Pollution Hotspot Detection and Source Feature Analysis using
Cross-domain Urban Data [2.458537954999774]
汚染源に隣接する地域はしばしば環境汚染濃度が高く、これらは一般に大気汚染ホットスポットと呼ばれる。
本稿では,局所的なスパイク検出とサンプル重み付けクラスタリングを含む,モバイルセンシングデータからホットスポットを検出する2段階のアプローチを提案する。
ソフトバリデーションとして,モバイルセンシングデータを使用しない都市を対象としたホットスポット推定モデルを構築した。
論文 参考訳（メタデータ） (2022-11-15T18:44:03Z) - Hybrid Cloud-Edge Collaborative Data Anomaly Detection in Industrial
Sensor Networks [16.06269863500741]
本稿では,クラウドエッジ協調産業センサネットワークにおけるハイブリッド異常検出手法を提案する。
提案されたアプローチは、全体的なリコールの11.19%の増加と、F1スコアの14.29%の改善を達成することができる。
論文 参考訳（メタデータ） (2022-04-21T08:03:22Z) - A deep mixture density network for outlier-corrected interpolation of
crowd-sourced weather data [3.1542695050861544]
本稿では,自動検出による環境変数のベイズ時間モデリングのための深層学習手法を提案する。
例を挙げると、1900年頃のイギリス諸島の民間の気象観測所と非公式の気象観測所のアーカイブである気象観測サイト(Met Office's Weather Observation Website)のデータを用いています。
論文 参考訳（メタデータ） (2022-01-25T18:54:59Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Neural Network Virtual Sensors for Fuel Injection Quantities with
Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。
本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文 参考訳（メタデータ） (2020-06-30T23:33:17Z) - 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)
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。