論文の概要: AirRadar: Inferring Nationwide Air Quality in China with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2501.13141v1
• Date: Wed, 22 Jan 2025 14:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:08.636708
• Title: AirRadar: Inferring Nationwide Air Quality in China with Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークで中国全土の大気質を推定するAirRadar
• Authors: Qiongyan Wang, Yutong Xia, Siru ZHong, Weichuang Li, Yuankai Wu, Shifen Cheng, Junbo Zhang, Yu Zheng, Yuxuan Liang,
• Abstract要約: EmphAirRadarは、監視局を持たない場所で、リアルタイムの空気質を正確に推定するために設計されたディープニューラルネットワークである。 学習可能なマスクトークンを活用することで、AirRadarは監視されていない地域での空気質の特徴を再構築する。 中国における1,085の監視ステーションから1年間のデータセットを用いて,AirRadarの有効性を検証する。
• 参考スコア（独自算出の注目度）: 27.30426866654955
• License:
• Abstract: Monitoring real-time air quality is essential for safeguarding public health and fostering social progress. However, the widespread deployment of air quality monitoring stations is constrained by their significant costs. To address this limitation, we introduce \emph{AirRadar}, a deep neural network designed to accurately infer real-time air quality in locations lacking monitoring stations by utilizing data from existing ones. By leveraging learnable mask tokens, AirRadar reconstructs air quality features in unmonitored regions. Specifically, it operates in two stages: first capturing spatial correlations and then adjusting for distribution shifts. We validate AirRadar's efficacy using a year-long dataset from 1,085 monitoring stations across China, demonstrating its superiority over multiple baselines, even with varying degrees of unobserved data. The source code can be accessed at https://github.com/CityMind-Lab/AirRadar.
• Abstract（参考訳）: リアルタイムの空気質のモニタリングは、公衆衛生の保護と社会進歩の促進に不可欠である。 しかし、大気質監視局の広範な展開は、その大幅なコストに制約されている。 この制限に対処するために,既存のデータを活用することで,監視局を欠いた場所でリアルタイムの空気質を正確に推定するように設計されたディープニューラルネットワークである \emph{AirRadar} を紹介した。 学習可能なマスクトークンを活用することで、AirRadarは監視されていない地域での空気質の特徴を再構築する。 具体的には、まず空間的相関を捉え、次に分布シフトを調整するという2つの段階で動作する。 AirRadarの有効性は、中国全国の1,085の監視ステーションから1年間のデータセットを使用して検証し、観測されていないさまざまなデータであっても、複数のベースラインよりも優れていることを示した。 ソースコードはhttps://github.com/CityMind-Lab/AirRadarでアクセスできる。

関連論文リスト

• SAT-CEP-monitor: An air quality monitoring software architecture combining complex event processing with satellite remote sensing [2.962390297307338]
  都市部は、人為的ガス排出による大気質の悪化に最も影響を受けている。 複雑なイベント処理と各種衛星センサからのリモートセンシングデータを効率的に組み合わせて,NRTの大気質をモニタリングするソフトウェアアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-29T17:45:23Z)
• 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)
• Gaussian Processes for Monitoring Air-Quality in Kampala [3.173497841606415]
  本研究では,センサが存在しない場所での現在の大気汚染を予測し,センサ位置で将来の大気汚染を予測するためのガウス過程の活用について検討する。 私たちは、AirQoのセンサーネットワークのデータを使って、ウガンダのカンパラ市に焦点を当てています。
  論文  参考訳（メタデータ） (2023-11-28T09:25:23Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
  AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。 AirFormerは72時間の予測で予測エラーを5%削減する。
  論文  参考訳（メタデータ） (2022-11-29T07:22:49Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• AIREX: Neural Network-based Approach for Air Quality Inference in Unmonitored Cities [0.491574468325115]
  監視局は、継続的に空気の質に関する情報を取得するために設置されているが、すべての地域をカバーするわけではない。 既存の方法は、監視対象都市のみの空気質を推定することを目的としており、監視対象都市では空気質を推定しない。 本研究では,未モニタリング都市における大気質を正確に推定するためのニューラルネットワークベースのアプローチAIREXを提案する。
  論文  参考訳（メタデータ） (2021-08-16T14:41:14Z)
• 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)
• AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference [7.238981927352622]
  都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。 課題の1つは、空気質推論のためのいくつかの関連するステーションを効果的に選択する方法である。 都市大気質推定のための強化学習に基づく新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-27T02:04:00Z)

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。