論文の概要: CoNOAir: A Neural Operator for Forecasting Carbon Monoxide Evolution in Cities
- arxiv url: http://arxiv.org/abs/2501.06007v2
- Date: Mon, 13 Jan 2025 11:02:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:23:12.597854
- Title: CoNOAir: A Neural Operator for Forecasting Carbon Monoxide Evolution in Cities
- Title(参考訳): CoNOAir:都市における一酸化炭素の進化を予測するニューラルネットワーク
- Authors: Sanchit Bedi, Karn Tiwari, Prathosh A. P., Sri Harsha Kota, N. M. Anoop Krishnan,
- Abstract要約: 一酸化炭素 (CO) は、産業、自動車、および国内要求のために化石燃料からエネルギーを生成するため、都市部において主要な汚染物質である。
COの進化をリアルタイムで予測することで、効果的な早期警戒システムや介入戦略の展開が可能になる。
我々は,CO濃度を効果的に予測できる,ニューラル演算子,すなわちコンプレックス・ニューラル・オペレーター・フォー・エア・クオリティ(CoNOAir)に基づく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): 7.839838045175125
- License:
- Abstract: Carbon Monoxide (CO) is a dominant pollutant in urban areas due to the energy generation from fossil fuels for industry, automobile, and domestic requirements. Forecasting the evolution of CO in real-time can enable the deployment of effective early warning systems and intervention strategies. However, the computational cost associated with the physics and chemistry-based simulation makes it prohibitive to implement such a model at the city and country scale. To address this challenge, here, we present a machine learning model based on neural operator, namely, Complex Neural Operator for Air Quality (CoNOAir), that can effectively forecast CO concentrations. We demonstrate this by developing a country-level model for short-term (hourly) and long-term (72-hour) forecasts of CO concentrations. Our model outperforms state-of-the-art models such as Fourier neural operators (FNO) and provides reliable predictions for both short and long-term forecasts. We further analyse the capability of the model to capture extreme events and generate forecasts in urban cities in India. Interestingly, we observe that the model predicts the next hour CO concentrations with R2 values greater than 0.95 for all the cities considered. The deployment of such a model can greatly assist the governing bodies to provide early warning, plan intervention strategies, and develop effective strategies by considering several what-if scenarios. Altogether, the present approach could provide a fillip to real-time predictions of CO pollution in urban cities.
- Abstract(参考訳): 一酸化炭素 (CO) は、産業、自動車、国内要求のために化石燃料からエネルギーを発生させるため、都市部において主要な汚染物質である。
COの進化をリアルタイムで予測することで、効果的な早期警戒システムや介入戦略の展開が可能になる。
しかし、物理と化学に基づくシミュレーションに関連した計算コストは、都市や田舎の規模でそのようなモデルを実装することを禁止している。
この課題に対処するために、我々は、CO濃度を効果的に予測できるニューラルネットワーク、すなわち、空気品質のための複雑ニューラル演算子(CoNOAir)に基づく機械学習モデルを提案する。
本研究では,CO濃度の短期(時間)および長期(72時間)予測のための国レベルのモデルを開発することでこれを実証する。
我々のモデルはフーリエニューラル演算子(FNO)のような最先端モデルよりも優れており、短期予測と長期予測の両方に対して信頼性の高い予測を提供する。
さらに、インドの都市部で極端な出来事を捉え、予報する能力について分析する。
興味深いことに、このモデルでは、検討されたすべての都市において、R2値が0.95以上である次の時間CO濃度を予測する。
このようなモデルの展開は、早期の警告、介入戦略の計画、そしていくつかのシナリオを考慮して効果的な戦略を開発するために、統治機関を大いに支援することができる。
いずれにせよ、この手法は都市部におけるCO汚染のリアルタイム予測に充足する可能性がある。
関連論文リスト
- 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) - A Comprehensive Approach to Carbon Dioxide Emission Analysis in High Human Development Index Countries using Statistical and Machine Learning Techniques [4.106914713812204]
世界規模の二酸化炭素排出量を効果的に削減するためには、二酸化炭素排出量の傾向を予測し、その排出量パターンに基づいて国を分類することが不可欠だ」と述べた。
本稿では,HDI(Human Development Index)を有する20カ国におけるCO2排出量の決定要因について,25年間にわたる経済,環境,エネルギー利用,再生可能資源に関連する要因について,詳細な比較研究を行った。
論文 参考訳(メタデータ) (2024-05-01T21:00:02Z) - 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) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳(メタデータ) (2024-02-06T21:28:42Z) - 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) - Skillful Twelve Hour Precipitation Forecasts using Large Context Neural
Networks [8.086653045816151]
現在の運用予測モデルは物理に基づいており、大気をシミュレートするためにスーパーコンピュータを使用している。
ニューラルネットワークに基づく新しい気象モデルのクラスは、天気予報のパラダイムシフトを表している。
最大12時間前に降水予測が可能なニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-11-14T22:53:04Z) - 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。