論文の概要: Leveraging Deep Learning for Physical Model Bias of Global Air Quality Estimates

• arxiv url: http://arxiv.org/abs/2508.04886v1
• Date: Wed, 06 Aug 2025 21:24:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.647357
• Title: Leveraging Deep Learning for Physical Model Bias of Global Air Quality Estimates
• Title（参考訳）: 地球大気質推定値の物理モデルバイアスに対する深層学習の活用
• Authors: Kelsey Doerksen, Yuliya Marchetti, Kevin Bowman, Steven Lu, James Montgomery, Yarin Gal, Freddie Kalaitzis, Kazuyuki Miyazaki,
• Abstract要約: 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。
• 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 the world's largest environmental risk factor for human disease and premature death, resulting in more than 6 million permature deaths in 2019. Currently, there is still a challenge to model one of the most important air pollutants, surface ozone, particularly at scales relevant for human health impacts, with the drivers of global ozone trends at these scales largely unknown, limiting the practical use of physics-based models. We employ a 2D Convolutional Neural Network based architecture that estimate surface ozone MOMO-Chem model residuals, referred to as model bias. We demonstrate the potential of this technique in North America and Europe, highlighting its ability better to capture physical model residuals compared to a traditional machine learning method. We assess the impact of incorporating land use information from high-resolution satellite imagery to improve model estimates. Importantly, we discuss how our results can improve our scientific understanding of the factors impacting ozone bias at urban scales that can be used to improve environmental policy.
• Abstract（参考訳）: 大気汚染は人間の病気や早死ににとって世界最大の環境リスク要因であり、2019年には600万人以上が死亡している。 現在、大気汚染物質である表面オゾンを、特にヒトの健康影響に関連するスケールでモデル化することは依然として課題であり、これらのスケールでのグローバルオゾンのトレンドの要因は、物理学ベースのモデルの使用を制限している。 モデルバイアスと呼ばれる表面オゾン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、北米とヨーロッパでこの手法の可能性を実証し、従来の機械学習手法と比較して、物理モデル残差を捕捉する能力を強調した。 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。 重要なことは、我々の結果は、環境政策の改善に使用できる都市規模でのオゾンの偏りに影響を与える要因の科学的理解をいかに改善できるかを議論する。

関連論文リスト

• Uncertainty Quantification for Surface Ozone Emulators using Deep Learning [31.05745189965697]
  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。
  論文  参考訳（メタデータ） (2025-08-06T21:22:06Z)
• 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)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• 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)
• 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)
• Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting [7.978612711536259]
  以前の研究は、地上モニターや気象データから収集した汚染物質濃度を長期予測のモデルに頼っていた。 本研究では,主要な検索エンジンからほぼリアルタイムで公開されているWeb検索データを用いて,観測された汚染レベルを推定するモデルを開発し,検証することを目的とする。 従来型の教師付き分類法と最先端の深層学習法を併用して,米国の都市レベルで大気汚染レベルの上昇を検出する機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-11-09T23:56:35Z)
• Trustworthy modelling of atmospheric formaldehyde powered by deep learning [0.0]
  ホルムアルデヒド(HCHO)は大気中の最も重要な微量ガスの一つである。 呼吸器やその他の疾患を引き起こす汚染物質である。 HCHO化学と衛星データを用いた長期モニタリングの研究は、人間の健康の観点から重要である。
  論文  参考訳（メタデータ） (2022-08-18T10:33:55Z)
• 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)
• Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
  統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。 現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
  論文  参考訳（メタデータ） (2020-09-23T17:52:09Z)

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。