論文の概要: Using Machine Learning in Analyzing Air Quality Discrepancies of Environmental Impact

• arxiv url: http://arxiv.org/abs/2506.17319v1
• Date: Wed, 18 Jun 2025 15:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.345307
• Title: Using Machine Learning in Analyzing Air Quality Discrepancies of Environmental Impact
• Title（参考訳）: 環境影響の空気質の差異分析における機械学習の利用
• Authors: Shuangbao Paul Wang, Lucas Yang, Rahouane Chouchane, Jin Guo, Michael Bailey,
• Abstract要約: このデータセットはボルチモアの住民650,643人、米国の202大都市で4470万人をカバーしている。 その結果, 大気汚染レベルは, 偏りのある保険推定方法と明確な相関があることが示唆された。 同様の格差は、住民の民族間の大気汚染レベルに存在する。
• 参考スコア（独自算出の注目度）: 1.699522032127109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we apply machine learning and software engineering in analyzing air pollution levels in City of Baltimore. The data model was fed with three primary data sources: 1) a biased method of estimating insurance risk used by homeowners loan corporation, 2) demographics of Baltimore residents, and 3) census data estimate of NO2 and PM2.5 concentrations. The dataset covers 650,643 Baltimore residents in 44.7 million residents in 202 major cities in US. The results show that air pollution levels have a clear association with the biased insurance estimating method. Great disparities present in NO2 level between more desirable and low income blocks. Similar disparities exist in air pollution level between residents' ethnicity. As Baltimore population consists of a greater proportion of people of color, the finding reveals how decades old policies has continued to discriminate and affect quality of life of Baltimore citizens today.
• Abstract（参考訳）: 本研究では,ボルチモア市における大気汚染レベルの分析に機械学習とソフトウェア工学を適用した。 データモデルには3つの主要なデータソースが供給された。 1)住宅ローン会社で用いられる保険リスクを推定するバイアス付き方法 2)ボルチモア住民の人口統計,及び 3)NO2およびPM2.5濃度の国勢調査データ。 このデータセットはボルチモアの住民650,643人、米国の202大都市で4470万人をカバーしている。 その結果, 大気汚染レベルは, 偏りのある保険推定方法と明確な相関があることが示唆された。 より望ましい収入ブロックと低い収入ブロックの間には、NO2レベルの大きな格差が存在する。 同様の格差は、住民の民族間の大気汚染レベルに存在する。 ボルチモアの人口はより多くの有色人種で構成されているため、この発見は何十年にもわたって古い政策がボルチモア市民の生活の質を差別し、影響を与え続けていることを示している。

関連論文リスト

• AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment [46.56288727659417]
  大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。 本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。 AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-02-25T07:34:18Z)
• United in Diversity? Contextual Biases in LLM-Based Predictions of the 2024 European Parliament Elections [42.72938925647165]
  大規模言語モデル(LLM)に基づく「合成サンプル」は、人間の調査の効率的な代替手段として有効であると議論されている。 合成サンプル」は、訓練データや微調整プロセスが多様な文脈を表わさないため偏見を呈する可能性がある。 本研究は, LLM生成合成試料を公衆の意見予測に利用できるか, どのような条件で利用できるかを検討する。
  論文  参考訳（メタデータ） (2024-08-29T16:01:06Z)
• Indoor Air Quality Dataset with Activities of Daily Living in Low to Middle-income Communities [5.019848446554892]
  インドでは夏と冬の6ヶ月間に30箇所の屋内から空気の質を測定した。 データセットにはさまざまな種類の屋内環境が含まれている。 発展途上国のユニークな汚染パターンに対応することを目的としたデータ駆動学習モデル研究の基盤を提供することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:53:21Z)
• Vox Populi, Vox AI? Using Language Models to Estimate German Public Opinion [45.84205238554709]
  我々は,2017年ドイツ縦断選挙研究の回答者の個人特性と一致するペルソナの合成サンプルを生成した。 我々は,LSM GPT-3.5に対して,各回答者の投票選択を予測し,これらの予測を調査に基づく推定と比較する。 GPT-3.5は市民の投票選択を正確に予測せず、緑の党と左派に偏見を呈している。
  論文  参考訳（メタデータ） (2024-07-11T14:52:18Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Local Inequities in the Relative Production of and Exposure to Vehicular Air Pollution in Los Angeles [0.0]
  大気汚染は大気汚染と公衆衛生の危機を引き起こしている。 本研究は, 地域住民の車体大気汚染曝露が運転量に比例するかどうかを調べることで, 汚染負荷を評価する。 同様に、住民の運転量が少ないトラクションは、ホワイトの人口が少ないトラクションと同様に、大気汚染に曝されることがわかりました。
  論文  参考訳（メタデータ） (2023-01-01T16:45:47Z)
• AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
  AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。 AirFormerは72時間の予測で予測エラーを5%削減する。
  論文  参考訳（メタデータ） (2022-11-29T07:22:49Z)
• Evaluation of Time Series Forecasting Models for Estimation of PM2.5 Levels in Air [0.0]
  この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。 予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T16:24:39Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。