論文の概要: PCDCNet: A Surrogate Model for Air Quality Forecasting with Physical-Chemical Dynamics and Constraints

• arxiv url: http://arxiv.org/abs/2505.19842v2
• Date: Tue, 27 May 2025 04:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 14:37:20.25623
• Title: PCDCNet: A Surrogate Model for Air Quality Forecasting with Physical-Chemical Dynamics and Constraints
• Title（参考訳）: PCDCNet:物理化学力学と制約を考慮した大気質予測のためのサーロゲートモデル
• Authors: Shuo Wang, Yun Cheng, Qingye Meng, Olga Saukh, Jiang Zhang, Jingfang Fan, Yuanting Zhang, Xingyuan Yuan, Lothar Thiele,
• Abstract要約: PCDCNetは数値モデリングの原理とディープラーニングを統合する代理モデルである。 72時間のPM2.5およびO3予測において、最先端(SOTA)性能を達成する。 我々のモデルはオンラインプラットフォームにデプロイされ、無料のリアルタイム空気質予測を提供する。
• 参考スコア（独自算出の注目度）: 18.122247904707837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air quality forecasting (AQF) is critical for public health and environmental management, yet remains challenging due to the complex interplay of emissions, meteorology, and chemical transformations. Traditional numerical models, such as CMAQ and WRF-Chem, provide physically grounded simulations but are computationally expensive and rely on uncertain emission inventories. Deep learning models, while computationally efficient, often struggle with generalization due to their lack of physical constraints. To bridge this gap, we propose PCDCNet, a surrogate model that integrates numerical modeling principles with deep learning. PCDCNet explicitly incorporates emissions, meteorological influences, and domain-informed constraints to model pollutant formation, transport, and dissipation. By combining graph-based spatial transport modeling, recurrent structures for temporal accumulation, and representation enhancement for local interactions, PCDCNet achieves state-of-the-art (SOTA) performance in 72-hour station-level PM2.5 and O3 forecasting while significantly reducing computational costs. Furthermore, our model is deployed in an online platform, providing free, real-time air quality forecasts, demonstrating its scalability and societal impact. By aligning deep learning with physical consistency, PCDCNet offers a practical and interpretable solution for AQF, enabling informed decision-making for both personal and regulatory applications.
• Abstract（参考訳）: 大気質予測(AQF)は公衆衛生と環境管理にとって重要であるが、放射能、気象学、化学変換の複雑な相互作用のために依然として困難である。 CMAQ や WRF-Chem のような伝統的な数値モデルでは、物理的に基底を持つシミュレーションを提供するが、計算コストが高く、不確実な放出在庫に依存している。 深層学習モデルは計算的に効率的であるが、物理的制約の欠如により一般化に苦慮することが多い。 このギャップを埋めるために,数値モデリングの原理とディープラーニングを統合する代理モデルであるCDCNetを提案する。 PCDCNetは、汚染物質の生成、輸送、散逸をモデル化するために、排出、気象の影響、およびドメインインフォームド制約を明示的に含んでいる。 PCDCNetは、グラフベースの空間輸送モデル、時間的蓄積のための繰り返し構造、局所的相互作用の表現強化を組み合わせることにより、72時間局レベルのPM2.5とO3予測において、計算コストを大幅に削減しながら、最先端(SOTA)性能を達成する。 さらに、我々のモデルはオンラインプラットフォームにデプロイされ、自由でリアルタイムな空気質予測を提供し、そのスケーラビリティと社会的影響を実証する。 PCDCNetは、ディープラーニングと物理的な一貫性を整合させることで、AQFの実践的で解釈可能なソリューションを提供する。

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)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Fast, Scale-Adaptive, and Uncertainty-Aware Downscaling of Earth System Model Fields with Generative Machine Learning [0.0]
  高分解能地球モデル(ESM)シミュレーションは、人為的気候変動の生態学的および社会経済的影響を評価するために不可欠である。 最近の機械学習アプローチは、ESMシミュレーションのダウンスケールにおいて有望な結果を示し、最先端の統計手法よりも優れている。 ゼロショット方式で再トレーニングすることなく、任意のESMシミュレーションを効率的に正確にダウンスケールする一貫性モデル(CM)を学習することで、これらの欠点に対処する。
  論文  参考訳（メタデータ） (2024-03-05T08:41:41Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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。