論文の概要: FuXi-Air: Urban Air Quality Forecasting Based on Emission-Meteorology-Pollutant multimodal Machine Learning

• arxiv url: http://arxiv.org/abs/2506.07616v1
• Date: Mon, 09 Jun 2025 10:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.908093
• Title: FuXi-Air: Urban Air Quality Forecasting Based on Emission-Meteorology-Pollutant multimodal Machine Learning
• Title（参考訳）: FuXi-Air:Electron-Meteorology-Pollutant Multimodal Machine Learningに基づく都市大気質予測
• Authors: Zhixin Geng, Xu Fan, Xiqiao Lu, Yan Zhang, Guangyuan Yu, Cheng Huang, Qian Wang, Yuewu Li, Weichun Ma, Qi Yu, Libo Wu, Hao Li,
• Abstract要約: 高精度な空気質予測を支援するために,マルチモーダルデータ融合に基づく空気質予測モデルFuXi-Airを構築した。 このモデルでは、主要な大気汚染物質6種の72時間の予測を、25～30秒以内に複数の監視地点で時間分解能で完了させることに成功した。
• 参考スコア（独自算出の注目度）: 22.270124698874934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air pollution has emerged as a major public health challenge in megacities. Numerical simulations and single-site machine learning approaches have been widely applied in air quality forecasting tasks. However, these methods face multiple limitations, including high computational costs, low operational efficiency, and limited integration with observational data. With the rapid advancement of artificial intelligence, there is an urgent need to develop a low-cost, efficient air quality forecasting model for smart urban management. An air quality forecasting model, named FuXi-Air, has been constructed in this study based on multimodal data fusion to support high-precision air quality forecasting and operated in typical megacities. The model integrates meteorological forecasts, emission inventories, and pollutant monitoring data under the guidance of air pollution mechanism. By combining an autoregressive prediction framework with a frame interpolation strategy, the model successfully completes 72-hour forecasts for six major air pollutants at an hourly resolution across multiple monitoring sites within 25-30 seconds. In terms of both computational efficiency and forecasting accuracy, it outperforms the mainstream numerical air quality models in operational forecasting work. Ablation experiments concerning key influencing factors show that although meteorological data contribute more to model accuracy than emission inventories do, the integration of multimodal data significantly improves forecasting precision and ensures that reliable predictions are obtained under differing pollution mechanisms across megacities. This study provides both a technical reference and a practical example for applying multimodal data-driven models to air quality forecasting and offers new insights into building hybrid forecasting systems to support air pollution risk warning in smart city management.
• Abstract（参考訳）: 大気汚染は、メガシティーにおける公衆衛生上の大きな課題として浮上している。 数値シミュレーションと単サイト機械学習アプローチは,大気質予測タスクに広く応用されている。 しかし、これらの手法は、高い計算コスト、運用効率の低いこと、観測データとの限定的な統合など、複数の制限に直面している。 人工知能の急速な進歩により、スマートシティ管理のための低コストで効率的な空気質予測モデルを開発する必要がある。 大気質予測モデルであるFuXi-Airは, マルチモーダルデータ融合を用いて, 高精度な大気質予測をサポートし, 典型的な大都市で運用されている。 このモデルは、大気汚染機構のガイダンスの下で気象予報、排出在庫、汚染物質モニタリングデータを統合する。 自己回帰予測フレームワークとフレーム補間戦略を組み合わせることで、25～30秒以内に、複数の監視部位にわたる時間分解能で6つの主要な大気汚染物質の72時間予測を完了させることに成功した。 計算効率と予測精度の両面では、運用予測作業において主流の数値的空気質モデルよりも優れている。 主要な影響因子に関するアブレーション実験により, 気象データは排出在庫よりもモデル精度に寄与するが, マルチモーダルデータの統合は予測精度を著しく向上し, メガシティの異なる汚染機構の下で信頼性の高い予測が得られることが確認された。 本研究は, 大気質予測にマルチモーダルデータ駆動モデルを適用するための技術的手法と実例の両方を提供し, スマートシティ管理における大気汚染リスク警告を支援するハイブリッド予測システムの構築に関する新たな知見を提供する。

関連論文リスト

• Spatiotemporal Causal Decoupling Model for Air Quality Forecasting [11.49002971545212]
  本研究では,大気質指数(AQI)と気象特性の因果関係をモデル化するために,既存の研究の制約を精査するために因果グラフ法を用いる。 本稿では, 因果デカップリング手法を取り入れた空気質予測モデルAirCadeを紹介する。 オープンソース空気質データセット上でのAirCadeの評価は、最先端モデルよりも20%以上改善されていることを示す。
  論文  参考訳（メタデータ） (2025-05-26T15:21:57Z)
• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  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。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling [5.236306661644172]
  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。
  論文  参考訳（メタデータ） (2025-03-24T07:24:31Z)
• A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
  ルル環境は高度でスケーラブルな大気汚染予測システムである。 エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。 本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
  論文  参考訳（メタデータ） (2025-02-26T10:54:27Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• 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)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• 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)

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。