論文の概要: Graph-Based Physics-Guided Urban PM2.5 Air Quality Imputation with Constrained Monitoring Data

• arxiv url: http://arxiv.org/abs/2506.06917v1
• Date: Sat, 07 Jun 2025 20:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.065443
• Title: Graph-Based Physics-Guided Urban PM2.5 Air Quality Imputation with Constrained Monitoring Data
• Title（参考訳）: 拘束モニタリングデータを用いたグラフベース物理誘導都市PM2.5大気汚染対策
• Authors: Shangjie Du, Hui Wei, Dong Yoon Lee, Zhizhang Hu, Shijia Pan,
• Abstract要約: この研究はグラフベースの物理誘導学習フレームワークであるGraPhyを紹介した。 カリフォルニアの社会経済的に不利なサンホアキン・バレーのデータを用いた実験では、GraPhyは平均二乗誤差(MSE)、平均絶対誤差(MAE)、R-二乗値(R2)で評価された全体的な最高の性能を達成し、様々なベースラインモデルと比較してパフォーマンスを9%から56%改善した。
• 参考スコア（独自算出の注目度）: 7.076209890890611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces GraPhy, a graph-based, physics-guided learning framework for high-resolution and accurate air quality modeling in urban areas with limited monitoring data. Fine-grained air quality monitoring information is essential for reducing public exposure to pollutants. However, monitoring networks are often sparse in socioeconomically disadvantaged regions, limiting the accuracy and resolution of air quality modeling. To address this, we propose a physics-guided graph neural network architecture called GraPhy with layers and edge features designed specifically for low-resolution monitoring data. Experiments using data from California's socioeconomically disadvantaged San Joaquin Valley show that GraPhy achieves the overall best performance evaluated by mean squared error (MSE), mean absolute error (MAE), and R-square value (R2), improving the performance by 9%-56% compared to various baseline models. Moreover, GraPhy consistently outperforms baselines across different spatial heterogeneity levels, demonstrating the effectiveness of our model design.
• Abstract（参考訳）: この研究はグラフベースの物理誘導学習フレームワークであるGraPhyを紹介した。 汚染物質への公衆曝露を減らすためには, 大気質の詳細なモニタリング情報が不可欠である。 しかし、監視ネットワークは社会経済的に不利な地域では希少であり、空気質モデリングの精度と解像度を制限している。 そこで我々は,低分解能モニタリングデータに特化して設計されたレイヤとエッジ機能を備えたGraPhyという物理誘導型グラフニューラルネットワークアーキテクチャを提案する。 カリフォルニアの社会経済的に不利なサンホアキン・バレーのデータを用いた実験では、GraPhyは平均二乗誤差(MSE)、平均絶対誤差(MAE)、R-二乗値(R2)で評価された全体的な最高の性能を達成し、様々なベースラインモデルと比較してパフォーマンスを9%から56%改善した。 さらに、GraPhyは、異なる空間的不均一度レベルにわたるベースラインを一貫して上回り、モデル設計の有効性を実証する。

関連論文リスト

• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• Can Deep Learning Trigger Alerts from Mobile-Captured Images? [0.0594961162060159]
  本研究は,データ拡張手法の検証,大気質予測のためのCNNに基づく回帰モデリング,モバイル技術によるユーザ中心の大気質モニタリングに寄与する。 提案システムは,個人が情報的環境衛生と幸福な意思決定を行うための実践的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-07T03:39:43Z)
• HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection [78.47008997035158]
  グラフデータはより多様性を示すが、摂動に対する堅牢性は低く、外れ値の統合を複雑にする。 我々は、グラフOOD検出性能を改善するために、textbfHybrid外部および内部の textbfGraph textbfOutlier textbfExposure (HGOE) の導入を提案する。
  論文  参考訳（メタデータ） (2024-07-31T16:55:18Z)
• Spatio-Temporal Field Neural Networks for Air Quality Inference [13.582971831446647]
  本稿では,新しいモデルSpatio-Temporal Field Neural Networkとその対応するフレームワークであるPraamidal Inferenceを提案する。 本モデルは中国本土における大気質の全国的推定における最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-02T10:14:42Z)
• Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting [0.0]
  大気汚染は様々な方法で変化し、多くの複雑な要因に依存する。 画像に基づく表現は、大気汚染やその他の影響要因が自然なグラフ構造を持つため理想的ではないかもしれない。 グラフ畳み込みネットワーク(GCN: Graph Convolutional Network)は、都市全体における空気質の読み出しの空間的特徴を効率的に表現することができる。 本手法は, 実環境大気汚染データを用いたハイブリッドGCN法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-25T07:57:07Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• DeepWSD: Projecting Degradations in Perceptual Space to Wasserstein Distance in Deep Feature Space [67.07476542850566]
  本稿では,統計的分布の観点から知覚空間の品質劣化をモデル化する。 品質は、深い特徴領域におけるワッサーシュタイン距離に基づいて測定される。 ニューラルネットワークの特徴に基づいて実行されるディープワッサースタイン距離(ディープWSD)は、品質汚染のより良い解釈性をもたらす。
  論文  参考訳（メタデータ） (2022-08-05T02:46:12Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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。