論文の概要: Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling

• arxiv url: http://arxiv.org/abs/2503.18405v1
• Date: Mon, 24 Mar 2025 07:24:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:50.326921
• Title: Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling
• Title（参考訳）: オフライン気象-大気汚染結合型地球大気汚染予測モデル
• Authors: Xu Fan, Yuetan Lin, Bing Gong, Hao Li,
• Abstract要約: 伝統的な物理学に基づくモデルでは、気象学と大気汚染プロセスの結合によって地球規模の大気汚染を予測する。 既存のディープラーニング(DL)ソリューションでは,グローバル大気汚染予測にオンライン結合戦略を採用している。 本研究は,気象分野と汚染物質間のオフライン結合を実現するために,双線形プールを用いたDLベースのオフライン結合フレームワークを開拓した。
• 参考スコア（独自算出の注目度）: 5.236306661644172
• License:
• Abstract: Air pollution has become a major threat to human health, making accurate forecasting crucial for pollution control. Traditional physics-based models forecast global air pollution by coupling meteorology and pollution processes, using either online or offline methods depending on whether fully integrated with meteorological models and run simultaneously. However, the high computational demands of both methods severely limit real-time prediction efficiency. Existing deep learning (DL) solutions employ online coupling strategies for global air pollution forecasting, which finetune pollution forecasting based on pretrained atmospheric models, requiring substantial training resources. This study pioneers a DL-based offline coupling framework that utilizes bilinear pooling to achieve offline coupling between meteorological fields and pollutants. The proposed model requires only 13% of the parameters of DL-based online coupling models while achieving competitive performance. Compared with the state-of-the-art global air pollution forecasting model CAMS, our approach demonstrates superiority in 63% variables across all forecast time steps and 85% variables in predictions exceeding 48 hours. This work pioneers experimental validation of the effectiveness of meteorological fields in DL-based global air pollution forecasting, demonstrating that offline coupling meteorological fields with pollutants can achieve a 15% relative reduction in RMSE across all pollution variables. The research establishes a new paradigm for real-time global air pollution warning systems and delivers critical technical support for developing more efficient and comprehensive AI-powered global atmospheric forecasting frameworks.
• Abstract（参考訳）: 大気汚染は人間の健康にとって大きな脅威となり、汚染管理にとって正確な予測が不可欠になっている。 伝統的な物理学に基づくモデルは、気象モデルと完全に統合され同時に実行されるかどうかによって、オンラインまたはオフラインの手法を用いて、気象と汚染プロセスを結合することで地球規模の大気汚染を予測する。 しかし、両手法の高い計算要求はリアルタイム予測効率を著しく制限する。 既存のディープラーニング(DL)ソリューションでは、大気汚染予測のためのオンライン結合戦略が採用されている。 本研究は,気象分野と汚染物質間のオフライン結合を実現するために,双線形プールを用いたDLベースのオフライン結合フレームワークを開拓した。 提案モデルでは、競争性能を達成しつつ、DLベースのオンライン結合モデルのパラメータの13%しか必要としない。 現状のグローバル大気汚染予測モデルCAMSと比較すると,48時間以上の予測では,全予測時間ステップで63%,85%の変数で優位性を示す。 本研究は, DLをベースとした大気汚染予測における気象分野の有効性を実験的に検証し, 汚染物質とのオフライン結合気象分野が, 全ての汚染変数に対して, RMSEの相対的な減少を達成できることを実証した。 この研究は、リアルタイムな大気汚染警告システムのための新しいパラダイムを確立し、より効率的で包括的なAIによるグローバルな大気予測フレームワークを開発するための重要な技術支援を提供する。

関連論文リスト

• Developing Gridded Emission Inventory from High-Resolution Satellite Object Detection for Improved Air Quality Forecasts [1.4238093681454425]
  本研究では, 気象研究・予測モデルと化学(WRF Chem)を併用した, ダイナミックなAIベースの排出在庫システム構築のための革新的なアプローチを提案する。 このシステムは、エミッション推定において前例のない時間的および空間的な解決を提供し、より正確な短期的な空気質予測と都市エミッションのダイナミクスに関する深い洞察を促進する。 今後の研究は、システムの能力を非車両に拡張し、環境条件に挑戦する際の検出精度をさらに向上することに焦点を当てる。
  論文  参考訳（メタデータ） (2024-10-14T01:32:45Z)
• 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)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts [0.11249583407496218]
  大気汚染は公衆衛生、特に都市部において重大な脅威となる。 本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:02:53Z)
• 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)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Air Quality Forecasting Using Machine Learning: A Global perspective with Relevance to Low-Resource Settings [0.0]
  大気汚染は世界第4位の死因である。 本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:52:02Z)
• 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)
• Discretized Linear Regression and Multiclass Support Vector Based Air Pollution Forecasting Technique [0.0]
  本稿では,クラウドコンピューティング環境における大気汚染の監視と制御を行うIoT(Internet of Things)システムを提案する。 インドにおける大気質データを用いた実験により,提案したLR-MSV法の優れた性能が明らかにされた。
  論文  参考訳（メタデータ） (2022-11-28T06:51:59Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)

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。