論文の概要: Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network

• arxiv url: http://arxiv.org/abs/2504.10014v1
• Date: Mon, 14 Apr 2025 09:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:55:48.641672
• Title: Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network
• Title（参考訳）: 気象誘導型モダリティデカップリング型時空間ネットワークによる大気質予測
• Authors: Hang Yin, Yan-Ming Zhang, Jian Xu, Jian-Long Chang, Yin Li, Cheng-Lin Liu,
• Abstract要約: 大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
• 参考スコア（独自算出の注目度）: 47.699409089023696
• License:
• Abstract: Air quality prediction plays a crucial role in public health and environmental protection. Accurate air quality prediction is a complex multivariate spatiotemporal problem, that involves interactions across temporal patterns, pollutant correlations, spatial station dependencies, and particularly meteorological influences that govern pollutant dispersion and chemical transformations. Existing works underestimate the critical role of atmospheric conditions in air quality prediction and neglect comprehensive meteorological data utilization, thereby impairing the modeling of dynamic interdependencies between air quality and meteorological data. To overcome this, we propose MDSTNet, an encoder-decoder framework that explicitly models air quality observations and atmospheric conditions as distinct modalities, integrating multi-pressure-level meteorological data and weather forecasts to capture atmosphere-pollution dependencies for prediction. Meantime, we construct ChinaAirNet, the first nationwide dataset combining air quality records with multi-pressure-level meteorological observations. Experimental results on ChinaAirNet demonstrate MDSTNet's superiority, substantially reducing 48-hour prediction errors by 17.54\% compared to the state-of-the-art model. The source code and dataset will be available on github.
• Abstract（参考訳）: 大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 正確な空気質予測は複雑な多変量時空間問題であり、時間的パターン、汚染物質相関、空間的ステーション依存性、特に汚染物質分散と化学変換を管理する気象学的影響の相互作用を含む。 既存の研究は、大気質予測における大気環境の重要性を過小評価し、包括的な気象データの利用を無視することで、大気質と気象データの動的相互依存性のモデル化を損なう。 MDSTNetは,大気質の観測と大気環境を異なるモダリティとして明示的にモデル化し,多気圧レベルの気象データと天気予報を統合し,大気汚染の依存性を予測するためのエンコーダデコーダフレームワークである。 大気の質記録と多気圧レベルの気象観測を組み合わせた最初の全国的なデータセットである ChinaAirNet を構築した。 ChinaAirNetの実験結果は、MDSTNetの優位性を実証し、最先端のモデルと比較して48時間の予測誤差を17.54 %削減した。 ソースコードとデータセットはgithubで入手できる。

関連論文リスト

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• 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)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• 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)
• 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)
• A Distributed Approach to Meteorological Predictions: Addressing Data Imbalance in Precipitation Prediction Models through Federated Learning and GANs [0.0]
  気象データの分類は、気象現象をクラスに分類することで、微妙な分析と正確な予測を容易にする。 分類アルゴリズムは、データ不均衡のような課題を巧みにナビゲートすることが不可欠である。 データ拡張技術は、稀だが重要な気象事象を分類する際のモデルの精度を向上させることができる。
  論文  参考訳（メタデータ） (2023-10-19T21:28:20Z)
• Prompt Federated Learning for Weather Forecasting: Toward Foundation Models on Meteorological Data [37.549578998407675]
  地球規模の気候問題に対処するためには、大規模な気象データに基づいて総合的な気象予報を行うための共同プラットフォームを開発する必要がある。 本稿では,複雑な気象データを理解し,天気予報を行う領域にまたがる基礎モデルを構築した。 低リソースセンサの通信と計算の制約を満たすために,新しいプロンプト学習機構が採用された。
  論文  参考訳（メタデータ） (2023-01-22T16:47:05Z)
• 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)
• Mining atmospheric data [0.0]
  最初の問題は、新しい公開データセットとベンチマークの構築に関するものだ。 第2の課題は、大気データ分類のための深層学習手法の調査である。 対象とする用途は、空気質の評価と予測である。
  論文  参考訳（メタデータ） (2021-06-26T10:04:35Z)
• 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)

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。