論文の概要: OpenCarbon: A Contrastive Learning-based Cross-Modality Neural Approach for High-Resolution Carbon Emission Prediction Using Open Data
- arxiv url: http://arxiv.org/abs/2506.03224v1
- Date: Tue, 03 Jun 2025 10:12:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 21:20:13.958492
- Title: OpenCarbon: A Contrastive Learning-based Cross-Modality Neural Approach for High-Resolution Carbon Emission Prediction Using Open Data
- Title（参考訳）: OpenCarbon: オープンデータを用いた高分解能二酸化炭素排出予測のための対照的学習に基づくクロスモーダルニューラルネットワーク
- Authors: Jinwei Zeng, Yu Liu, Guozhen Zhang, Jingtao Ding, Yuming Lin, Jian Yuan, Yong Li,
- Abstract要約: 高分解能二酸化炭素排出量の正確な推定は、効率的な排出管理と緩和計画に不可欠である。
オープンデータに基づく予測モデルを開発し、訓練し、利用可能なオープンデータに基づいて、新しい領域のエミッションを簡単に推測することができる。
我々のモデルであるOpenCarbonは、二酸化炭素排出量に対する様々な機能間の相互作用と暗黙の影響、複雑な空間的連続性相関の2つの主要な設計を特徴としている。
- 参考スコア（独自算出の注目度）: 17.181659184917358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately estimating high-resolution carbon emissions is crucial for effective emission governance and mitigation planning. While conventional methods for precise carbon accounting are hindered by substantial data collection efforts, the rise of open data and advanced learning techniques offers a promising solution. Once an open data-based prediction model is developed and trained, it can easily infer emissions for new areas based on available open data. To address this, we incorporate two modalities of open data, satellite images and point-of-interest (POI) data, to predict high-resolution urban carbon emissions, with satellite images providing macroscopic and static and POI data offering fine-grained and relatively dynamic functionality information. However, estimating high-resolution carbon emissions presents two significant challenges: the intertwined and implicit effects of various functionalities on carbon emissions, and the complex spatial contiguity correlations that give rise to the agglomeration effect. Our model, OpenCarbon, features two major designs that target the challenges: a cross-modality information extraction and fusion module to extract complementary functionality information from two modules and model their interactions, and a neighborhood-informed aggregation module to capture the spatial contiguity correlations. Extensive experiments demonstrate our model's superiority, with a significant performance gain of 26.6\% on R2. Further generalizability tests and case studies also show OpenCarbon's capacity to capture the intrinsic relation between urban functionalities and carbon emissions, validating its potential to empower efficient carbon governance and targeted carbon mitigation planning. Codes and data are available: https://github.com/JinweiZzz/OpenCarbon.
- Abstract（参考訳）: 高分解能二酸化炭素排出量の正確な推定は、効率的な排出管理と緩和計画に不可欠である。
炭素の正確な会計を行う従来の手法は、膨大なデータ収集努力によって妨げられているが、オープンデータと高度な学習技術の台頭は、有望な解決策を提供する。
オープンデータベースの予測モデルの開発とトレーニングが完了すれば、利用可能なオープンデータに基づいて、新しい領域のエミッションを簡単に推測できる。
これを解決するために、衛星画像とPOI(point-of-interest)データの2つのモードを組み込んで、高解像度の都市炭素排出量を予測する。
しかし、高分解能炭素排出量を推定することは、様々な機能による炭素排出量に対する相互的および暗黙的な影響と、凝集効果を引き起こす複雑な空間的連続性相関の2つの重要な課題を示す。
我々のモデルであるOpenCarbonは、2つのモジュールから補完機能情報を抽出し、それらの相互作用をモデル化するクロスモダリティ情報抽出と融合モジュールと、空間的連続性相関を捕捉する近傍情報集約モジュールの2つの主要な設計を特徴としている。
大規模な実験は、我々のモデルの優位性を示し、R2に対して26.6\%の大幅な性能向上を示した。
さらなる一般化可能性試験とケーススタディは、都市機能と二酸化炭素排出量の本質的な関係を捉える能力を示し、効率的な炭素ガバナンスと目的とする炭素削減計画の可能性を検証している。
コードとデータは、https://github.com/JinweiZzz/OpenCarbon.comで入手できる。
関連論文リスト
- Improving Power Plant CO2 Emission Estimation with Deep Learning and Satellite/Simulated Data [0.0]
発電所からのCO2排出は、重要なスーパーエミッターとして、地球温暖化に大きく貢献する。
本研究では、Sentinel-5PからのNO2データの統合、連続したXCO2マップの生成、OCO-2/3からの実際の衛星観測をデータスカース領域における71以上の発電所に組み込むことにより、利用可能なデータセットを拡張することによる課題に対処する。
論文 参考訳（メタデータ） (2025-02-04T08:05:15Z) - CarbonSense: A Multimodal Dataset and Baseline for Carbon Flux Modelling [9.05128569357374]
データ駆動型カーボンフラックスモデリングのための、最初の機械学習対応データセットであるCarbonSenseを紹介する。
我々の実験は、マルチモーダルなディープラーニング技術がこの領域にもたらす可能性を示している。
論文 参考訳（メタデータ） (2024-06-07T13:47:40Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - Estimating On-road Transportation Carbon Emissions from Open Data of
Road Network and Origin-destination Flow Data [16.21501733814205]
我々は、オンロード二酸化炭素排出量推定(HENCE)のための階層的なグラフ学習法を構築した。
2つの大規模な実世界のデータセットの実験では、HENCEの有効性と、R-squared が 0.75 を超え、平均で 9.60% のベースラインを上回っていることが示されている。
論文 参考訳（メタデータ） (2024-02-07T13:51:33Z) - CAFE: Carbon-Aware Federated Learning in Geographically Distributed Data
Centers [18.54380015603228]
大規模人工知能(AI)モデルの訓練には、計算能力とエネルギーが要求されるため、炭素フットプリントが増加し、環境に悪影響を及ぼす可能性がある。
本稿は、地理的に分散した(地理的に分散した)データセンターでAIモデルをトレーニングする際の課題を考察し、学習性能と炭素フットプリントのバランスを強調する。
固定炭素フットプリント予算内でのトレーニングを最適化するために,CAFE(Carbon-Aware Federated Learning)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-06T23:59:22Z) - Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。
そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。
予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
論文 参考訳（メタデータ） (2023-03-24T18:32:38Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - How Knowledge Graph and Attention Help? A Quantitative Analysis into
Bag-level Relation Extraction [66.09605613944201]
バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。
その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
論文 参考訳（メタデータ） (2021-07-26T09:38:28Z)
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。