Fugu-MT 論文翻訳(概要): A Neural Operator for Forecasting Carbon Monoxide Evolution in Cities

論文の概要: A Neural Operator for Forecasting Carbon Monoxide Evolution in Cities

arxiv url: http://arxiv.org/abs/2501.06007v1
Date: Fri, 10 Jan 2025 14:42:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-13 15:26:49.966123
Title: A Neural Operator for Forecasting Carbon Monoxide Evolution in Cities
Title（参考訳）: 都市における一酸化炭素の進化予測のためのニューラル演算子
Authors: Sanchit Bedi, Karn Tiwari, Prathosh A. P., Sri Harsha Kota, N. M. Anoop Krishnan,
Abstract要約: 我々は,CO濃度を効率的に予測する機械学習モデルである,空気品質のための複雑ニューラル演算子(CoNOAir)を紹介した。 CoNOAirは、フーリエニューラルオペレータ(FNO)のような最先端モデルよりも優れたパフォーマンスを示す極度の汚染イベントを捉え、複数のインドの都市で一貫して活動し、1時間あたりのCO予測で0.95以上のR2を達成している。
参考スコア（独自算出の注目度）: 7.839838045175125
License:
Abstract: Real-time forecasting of carbon monoxide (CO) concentrations is essential for enabling timely interventions to improve urban air quality. Conventional air quality models often require extensive computational resources for accurate, multi-scale predictions, limiting their practicality for rapid, real-time application. To address this challenge, we introduce the Complex Neural Operator for Air Quality (CoNOAir), a machine learning model that forecast CO concentrations efficiently. CoNOAir demonstrates superior performance over state-of-theart models, such as the Fourier Neural Operator (FNO), in both short-term (hourly) and extended (72-hour) forecasts at a national scale. It excels in capturing extreme pollution events and performs consistently across multiple Indian cities, achieving an R2 above 0.95 for hourly CO predictions across all evaluated locations. CoNOAir equips authorities with an effective tool for issuing early warnings and designing targeted intervention strategies. This work marks a step forward in achieving dependable, real-time CO pollution predictions for densely populated urban centres.
Abstract（参考訳）: 一酸化炭素(CO)濃度のリアルタイム予測は、都市大気質改善のための時間的介入を可能にするために不可欠である。従来の空気質モデルは、精度の高いマルチスケールの予測のために広範囲な計算資源を必要とし、高速でリアルタイムな応用のためにその実用性を制限している。この課題に対処するために,CO濃度を効率的に予測する機械学習モデルである複合的空気品質演算子(CoNOAir)を紹介した。 CoNOAirは、FNO(Fourier Neural Operator)のような最先端のモデルよりも、短期(時間)および拡張(72時間)の予測を国家規模で示す。極端に汚染された出来事を捉え、複数のインドの都市で連続して活動し、評価された全ての場所のCO予測に0.95以上のR2を達成している。 CoNOAirは、早期警告を発し、標的とする介入戦略を設計するための効果的なツールを当局に提供する。この研究は、人口密度の高い都市部において、信頼性の高いリアルタイムCO汚染予測を達成するための一歩となる。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文参考訳（メタデータ） (2024-09-11T19:31:56Z)
Novel Approach for Predicting the Air Quality Index of Megacities through Attention-Enhanced Deep Multitask Spatiotemporal Learning [0.2886273197127056]
大気汚染は、特に都市部において、世界中の人間の健康にとって最も深刻な環境脅威の1つだ。人口1000万人を超える都市として定義されるメガシティーは、深刻な汚染のホットスポットとして頻繁に見られる。本稿では,長期記憶ネットワークに基づく注意力強化型ディープラーニングモデルを提案する。
論文参考訳（メタデータ） (2024-07-15T23:43:50Z)
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)
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 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)
Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting [0.0]
大気汚染は様々な方法で変化し、多くの複雑な要因に依存する。画像に基づく表現は、大気汚染やその他の影響要因が自然なグラフ構造を持つため理想的ではないかもしれない。グラフ畳み込みネットワーク(GCN: Graph Convolutional Network)は、都市全体における空気質の読み出しの空間的特徴を効率的に表現することができる。本手法は, 実環境大気汚染データを用いたハイブリッドGCN法よりも優れている。
論文参考訳（メタデータ） (2023-04-25T07:57:07Z)
Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文参考訳（メタデータ） (2022-10-31T04:04:03Z)
Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities [28.233460564726034]
Deep-AIRは、畳み込みニューラルネットワークと長期記憶ネットワークを組み合わせた、新しいハイブリッドディープラーニングフレームワークである。提案手法は,大気汚染と都市動態の特徴の相互相互作用の学習を強化するために,1x1畳み込み層を生成する。香港では, 67.6%, 77.2%, 66.1%の精度, 1時間, 24時間大気汚染予測, 65.0%, 75.3%, 63.5%の精度を達成した。
論文参考訳（メタデータ） (2021-03-25T13:47:56Z)
SOCAIRE: Forecasting and Monitoring Urban Air Quality in Madrid [0.0]
本稿では,ニューラルネットワーク,統計モデル,ネストモデルに基づく運用ツールであるSOCAIREを提案する。大気汚染の過去の濃度、人間の活動、数値汚染の推定、数値天気予報など、大気汚染に影響を及ぼす可能性のある各コンポーネントをモデル化することに焦点を当てている。このツールは現在マドリードで運用されており、48時間にわたって毎日の空気の質を予測している。
論文参考訳（メタデータ） (2020-11-19T09:39:10Z)
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)

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。