論文の概要: Uncertainty Quantification for Surface Ozone Emulators using Deep Learning

• arxiv url: http://arxiv.org/abs/2508.04885v1
• Date: Wed, 06 Aug 2025 21:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.646335
• Title: Uncertainty Quantification for Surface Ozone Emulators using Deep Learning
• Title（参考訳）: 深層学習を用いた表面オゾンエミュレータの不確かさの定量化
• Authors: Kelsey Doerksen, Yuliya Marchetti, Steven Lu, Kevin Bowman, James Montgomery, Kazuyuki Miyazaki, Yarin Gal, Freddie Kalaitzis,
• Abstract要約: 2023年時点で、世界の人口の94%が安全でない汚染にさらされている。 従来の物理学に基づくモデルは、人間の健康への影響に関連するスケールの実践的使用において不足している。 我々は,マルチmOdelマルチcOnstituent Chemicalデータ同化モデルの表面オゾン残差を予測するために,不確実性を考慮したU-Netアーキテクチャを実装した。
• 参考スコア（独自算出の注目度）: 31.05745189965697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution is a global hazard, and as of 2023, 94\% of the world's population is exposed to unsafe pollution levels. Surface Ozone (O3), an important pollutant, and the drivers of its trends are difficult to model, and traditional physics-based models fall short in their practical use for scales relevant to human-health impacts. Deep Learning-based emulators have shown promise in capturing complex climate patterns, but overall lack the interpretability necessary to support critical decision making for policy changes and public health measures. We implement an uncertainty-aware U-Net architecture to predict the Multi-mOdel Multi-cOnstituent Chemical data assimilation (MOMO-Chem) model's surface ozone residuals (bias) using Bayesian and quantile regression methods. We demonstrate the capability of our techniques in regional estimation of bias in North America and Europe for June 2019. We highlight the uncertainty quantification (UQ) scores between our two UQ methodologies and discern which ground stations are optimal and sub-optimal candidates for MOMO-Chem bias correction, and evaluate the impact of land-use information in surface ozone residual modeling.
• Abstract（参考訳）: 大気汚染は世界的な危険であり、2023年現在、世界の人口の94%が安全でない汚染レベルにさらされている。 表面オゾン (O3) は重要な汚染物質であり, その傾向の要因はモデル化が困難であり, 従来の物理モデルでは人体に影響を及ぼすスケールの実用性に乏しい。 深層学習ベースのエミュレータは複雑な気候パターンを捉えることを約束しているが、政策変更や公衆衛生対策の批判的意思決定を支援するために必要な解釈性は全体的に欠如している。 我々は,Multi-mOdel Multi-cOnstituent Chemical Data Assimilation (MOMO-Chem)モデルの表面オゾン残基(バイアス)をベイジアンおよび量子回帰法を用いて予測するために,不確実性を考慮したU-Netアーキテクチャを実装した。 我々は,2019年6月の北米とヨーロッパにおける偏見の地域的推定における手法の有効性を実証した。 我々は,2つのUQ手法間の不確実性定量化(UQ)スコアと,地上局がMOMO-Chemバイアス補正の最適候補および準最適候補であることを示すとともに,地表オゾン残差モデリングにおける土地利用情報の影響を評価する。

関連論文リスト

• Leveraging Deep Learning for Physical Model Bias of Global Air Quality Estimates [31.05745189965697]
  表面オゾンMOMO-Chemモデル残差を推定する2次元畳み込みニューラルネットワークアーキテクチャを用いる。 我々は,高解像度衛星画像からの土地利用情報の導入がモデル推定に及ぼす影響を評価する。
  論文  参考訳（メタデータ） (2025-08-06T21:24:32Z)
• MVAR: MultiVariate AutoRegressive Air Pollutants Forecasting Model [18.785110680719235]
  既存の研究は主に単一汚染物質予測に焦点を合わせ、異なる汚染物質間の相互作用と様々な空間応答を無視している。 本稿では, 長期風速入力への依存性を低減させる多変量自動回帰空気汚染予測モデルを提案する。 我々は2018年から2023年まで、中国北75都市6大汚染物質を包括的データセットを構築し、ERA5の再分析データとFuXi-2.0予測データを含む。
  論文  参考訳（メタデータ） (2025-07-16T08:30:41Z)
• Dense Air Pollution Estimation from Sparse in-situ Measurements and Satellite Data [6.206127662604578]
  本稿では,公衆衛生・環境政策において重要な課題である,環境中の窒素濃度(NO$$)を推定する上での課題について論じる。 衛星を用いた大気汚染推定モデルの構築手法 これらの制限により,本研究では新しい密度推定手法を導入する。 均一にランダムなオフセットサンプリング戦略を利用することで,提案手法はより大規模なパッチに均等に真実データの位置を分散する。 推定において、高密度推定法は、単一のステップで見積もりのグリッドを生成することができ、より大きな領域に対して見積もりを提供するのに必要な計算資源を著しく削減することができる。
  論文  参考訳（メタデータ） (2025-04-23T18:38:16Z)
• FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction [0.0]
  FOCUSは,大規模水域におけるPFAS汚染を予測するためのラベル付きノイズ認識損失関数を備えた深層学習フレームワークである。 我々は、予測精度を向上させるために、水文フローデータ、土地被覆情報、および既知のPFASソースに近いものを統合する。 結果は、スケーラブルなPFASモニタリングのためのフレームワークの可能性を強調します。
  論文  参考訳（メタデータ） (2025-02-17T16:57:10Z)
• 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)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Variable importance measure for spatial machine learning models with application to air pollution exposure prediction [2.633085745593072]
  本研究の目的は, 大気汚染の健康影響を学習する能力を最大限に活用するために, データのない場所での被験者の大気汚染の予測を行うことである。 これらの課題を、米国国家PM2.5亜種規制データの硫黄(S)と、シアトルの交通関連大気汚染データセットの超微粒子(UFP)の2つのデータセットで解決する。 私たちの重要な貢献は、幅広いモデルの解釈可能かつ同等の尺度に導かれる、変数の重要度に対する一対一のアプローチである。
  論文  参考訳（メタデータ） (2024-06-04T05:51:36Z)
• 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)
• 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。