論文の概要: FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction

• arxiv url: http://arxiv.org/abs/2502.14894v1
• Date: Mon, 17 Feb 2025 16:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:11:55.364012
• Title: FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction
• Title（参考訳）: FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction
• Authors: Jowaria Khan, Alexa Friedman, Sydney Evans, Runzi Wang, Kaley Beins, David Andrews, Elizabeth Bondi-Kelly,
• Abstract要約: FOCUSは,大規模水域におけるPFAS汚染を予測するためのラベル付きノイズ認識損失関数を備えた深層学習フレームワークである。 我々は、予測精度を向上させるために、水文フローデータ、土地被覆情報、および既知のPFASソースに近いものを統合する。 結果は、スケーラブルなPFASモニタリングのためのフレームワークの可能性を強調します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Per and polyfluoroalkyl substances (PFAS), chemicals found in products like non-stick cookware, are unfortunately persistent environmental pollutants with severe health risks. Accurately mapping PFAS contamination is crucial for guiding targeted remediation efforts and protecting public and environmental health, yet detection across large regions remains challenging due to the cost of testing and the difficulty of simulating their spread. In this work, we introduce FOCUS, a geospatial deep learning framework with a label noise-aware loss function, to predict PFAS contamination in surface water over large regions. By integrating hydrological flow data, land cover information, and proximity to known PFAS sources, our approach leverages both spatial and environmental context to improve prediction accuracy. We evaluate the performance of our approach through extensive ablation studies and comparative analyses against baselines like sparse segmentation, as well as existing scientific methods, including Kriging and pollutant transport simulations. Results highlight our framework's potential for scalable PFAS monitoring.
• Abstract（参考訳）: パーおよびポリフルオロアルキル物質(PFAS)、非スティック調理器具などの製品に含まれる化学物質は、残念ながら深刻な健康リスクを伴う環境汚染物質である。 PFAS汚染の正確なマッピングは、目標とする修復活動の指導と公衆および環境の健康保護に不可欠であるが、試験コストと拡散のシミュレーションが困難であることから、広範囲にわたる検出は依然として困難である。 本研究では,大規模水域におけるPFAS汚染を予測するために,ラベル付きノイズ認識損失関数を備えた地理空間深層学習フレームワークであるFOCUSを紹介する。 水文フローデータ、土地被覆情報、および既知のPFAS源との近接性を統合することにより、空間と環境の両方の文脈を利用して予測精度を向上する。 本研究は, 広範囲なアブレーション研究と, スパースセグメンテーションなどのベースラインに対する比較分析, クリグや汚染物質輸送シミュレーションなどの既存の科学的手法を用いて, 提案手法の性能評価を行った。 結果は、スケーラブルなPFASモニタリングのためのフレームワークの可能性を強調します。

関連論文リスト

• Risk Analysis of Flowlines in the Oil and Gas Sector: A GIS and Machine Learning Approach [10.899606549835351]
  本稿では,地理情報システム(GIS)と機械学習(ML)を用いて,石油・ガス部門における流れのリスク分析を行う。 油田から表層施設まで油、ガス、水を輸送する重要なコンディットであるフローラインは、送電パイプラインと比較して過小評価されることが多い。 本研究では、このギャップを高度なツールを用いて予測し、障害を軽減し、環境安全を改善し、人体曝露を減らす。
  論文  参考訳（メタデータ） (2025-01-20T01:25:07Z)
• Application of Analytical Hierarchical Process and its Variants on Remote Sensing Datasets [0.16532031170453743]
  ガンガ川は地球上で最も重要な川流域の一つである。 大気汚染の重大な問題に直面しており、その脆弱性を効果的かつ標的とした修復努力のために評価することが不可欠である。
  論文  参考訳（メタデータ） (2024-12-01T11:24:03Z)
• Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination [0.0]
  この研究は、長期環境モニタリング用に設計されたPythonパッケージであるPyLEnMの機能を拡張する。 我々は,Sr-90やI-129のような汚染物質が規制基準に達するのに必要な時間枠を推定する手法を導入する。 本手法は,Savannah River Site (SRS) F-Areaから得られたデータを用いて検討した。
  論文  参考訳（メタデータ） (2024-11-15T14:21:32Z)
• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• Investigating Data Contamination for Pre-training Language Models [46.335755305642564]
  我々は,一連のGPT-2モデルを事前学習することで,事前学習段階におけるデータ汚染の影響について検討する。 評価データから,テキスト汚染 (テキスト, 評価サンプルの入力テキスト) と接地トラス汚染 (テキスト, 入力に要求されるプロンプトと所望の出力) の両方の効果を強調した。
  論文  参考訳（メタデータ） (2024-01-11T17:24:49Z)
• Monitoring water contaminants in coastal areas through ML algorithms leveraging atmospherically corrected Sentinel-2 data [3.155658695525581]
  本研究では,CatBoost Machine Learning(ML)とSentinel-2 Level-2Aの高分解能データを統合することにより,濁度汚染をモニタリングする新たなアプローチを開拓した。 従来の方法は労働集約的であり、CatBoostは効率的なソリューションを提供し、予測精度に優れている。 大気補正されたSentinel-2データをGoogle Earth Engine(GEE)を通じて利用することで、スケーラブルで正確な濁度モニタリングに寄与する。
  論文  参考訳（メタデータ） (2024-01-08T10:20:34Z)
• 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)
• Spectral Analysis of Marine Debris in Simulated and Observed Sentinel-2/MSI Images using Unsupervised Classification [0.0]
  本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。 その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。 これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2023-06-26T18:46:47Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
  地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。 したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。 近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
  論文  参考訳（メタデータ） (2021-04-10T13:40:22Z)

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。