論文の概要: A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data

• arxiv url: http://arxiv.org/abs/2509.12051v1
• Date: Mon, 15 Sep 2025 15:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.372479
• Title: A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data
• Title（参考訳）: PM2.5データの時空間予測のための統計モデルと機械学習モデルの比較
• Authors: Zeinab Mohamed, Wenlong Gong,
• Abstract要約: PM2.5$の高濃度への曝露は、呼吸や心血管系病院の入院の増加、救急部門の訪問や死亡の増大と関係している。 伝統的な空気質監視システムは、空間的および時間的データに制限がある。 低コストセンサーの出現により、空気品質データの粒度が劇的に向上し、リアルタイムで高解像度なモニタリングが可能になった。 この研究は、PurpleAirセンサーからの広範なデータを利用して、カリフォルニア州全体で正確な時間ごとのPM$_2.5$マップの作成において、様々な統計モデルと機械学習モデルの有効性を評価し、比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ambient air pollution poses significant health and environmental challenges. Exposure to high concentrations of PM$_{2.5}$ have been linked to increased respiratory and cardiovascular hospital admissions, more emergency department visits and deaths. Traditional air quality monitoring systems such as EPA-certified stations provide limited spatial and temporal data. The advent of low-cost sensors has dramatically improved the granularity of air quality data, enabling real-time, high-resolution monitoring. This study exploits the extensive data from PurpleAir sensors to assess and compare the effectiveness of various statistical and machine learning models in producing accurate hourly PM$_{2.5}$ maps across California. We evaluate traditional geostatistical methods, including kriging and land use regression, against advanced machine learning approaches such as neural networks, random forests, and support vector machines, as well as ensemble model. Our findings enhanced the predictive accuracy of PM2.5 concentration by correcting the bias in PurpleAir data with an ensemble model, which incorporating both spatiotemporal dependencies and machine learning models.
• Abstract（参考訳）: 大気汚染は健康と環境に重大な課題をもたらす。 PM$_{2.5}$の高濃度への曝露は、呼吸器および心血管系病院の入院の増加、救急部訪問の増加、死亡と関係している。 EPA認証局のような伝統的な大気汚染監視システムは、空間的および時間的データに制限がある。 低コストセンサーの出現により、空気品質データの粒度が劇的に向上し、リアルタイムで高解像度なモニタリングが可能になった。 この研究は、PurpleAirセンサーからの広範なデータを利用して、カリフォルニア全域の正確な時間帯PM$_{2.5}$マップの作成において、様々な統計モデルと機械学習モデルの有効性を評価し、比較する。 我々は、ニューラルネットワークやランダムフォレスト、サポートベクターマシンといった先進的な機械学習手法やアンサンブルモデルに対して、クリグや土地利用の回帰を含む従来の統計手法を評価する。 本研究では,時空間依存モデルと機械学習モデルの両方を取り入れたアンサンブルモデルを用いて,PurpleAirデータのバイアスを補正することによりPM2.5濃度の予測精度を高めた。

関連論文リスト

• Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
  ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。 このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。 実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-08-15T04:46:25Z)
• 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)
• Enhancing PM2.5 Data Imputation and Prediction in Air Quality Monitoring Networks Using a KNN-SINDy Hybrid Model [0.0]
  大気汚染、特に微粒子物質(PM2.5)は公衆衛生や環境に重大なリスクをもたらす。 本研究では、2016年からのトレーニングデータを用いて、PM2.5データの欠落を予測し、その性能を確立されたSoft Impute(SI)およびK-Nearest Neighbors(KNN)手法と比較することにより、SINDy2.5(Sparse Identification of Dynamics)の適用について検討する。
  論文  参考訳（メタデータ） (2024-09-18T02:08:17Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Unleashing Realistic Air Quality Forecasting: Introducing the Ready-to-Use PurpleAirSF Dataset [4.190243190157989]
  本稿では,PurpleAirネットワークからの包括的かつ容易にアクセス可能なデータセットであるPurpleAirSFを紹介する。 本稿では、PurpleAirSFの構築に使用されるデータ収集および処理方法の詳細について述べる。 従来の予測モデルと現代の予測モデルの両方を用いて予備実験を行い、将来の大気質予測タスクのベンチマークを作成する。
  論文  参考訳（メタデータ） (2023-06-24T12:10:16Z)
• 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)
• 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。