論文の概要: Detecting Urban PM$_{2.5}$ Hotspots with Mobile Sensing and Gaussian Process Regression
- arxiv url: http://arxiv.org/abs/2509.17175v1
- Date: Sun, 21 Sep 2025 17:50:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.148608
- Title: Detecting Urban PM$_{2.5}$ Hotspots with Mobile Sensing and Gaussian Process Regression
- Title（参考訳）: 移動センシングとガウス過程回帰による都市PM$_{2.5}$ホットスポットの検出
- Authors: Niál Perry, Peter P. Pedersen, Charles N. Christensen, Emanuel Nussli, Sanelma Heinonen, Lorena Gordillo Dagallier, Raphaël Jacquat, Sebastian Horstmann, Christoph Franck,
- Abstract要約: 我々はルワンダのキガリで200mの解像度でPM$_2.5$汚染マップを初めて作成した。
キガリのホットスポットは、大気汚染が都市全体の平均を上回っている。
オープンソースのソフトウェアを使うことで、私たちの方法は世界中の都市で低コストのセンサーで再適用できます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-cost mobile sensors can be used to collect PM$_{2.5}$ concentration data throughout an entire city. However, identifying air pollution hotspots from the data is challenging due to the uneven spatial sampling, temporal variations in the background air quality, and the dynamism of urban air pollution sources. This study proposes a method to identify urban PM$_{2.5}$ hotspots that addresses these challenges, involving four steps: (1) equip citizen scientists with mobile PM$_{2.5}$ sensors while they travel; (2) normalise the raw data to remove the influence of background ambient pollution levels; (3) fit a Gaussian process regression model to the normalised data and (4) calculate a grid of spatially explicit 'hotspot scores' using the probabilistic framework of Gaussian processes, which conveniently summarise the relative pollution levels throughout the city. We apply our method to create the first ever map of PM$_{2.5}$ pollution in Kigali, Rwanda, at a 200m resolution. Our results suggest that the level of ambient PM$_{2.5}$ pollution in Kigali is dangerously high, and we identify the hotspots in Kigali where pollution consistently exceeds the city-wide average. We also evaluate our method using simulated mobile sensing data for Beijing, China, where we find that the hotspot scores are probabilistically well calibrated and accurately reflect the 'ground truth' spatial profile of PM$_{2.5}$ pollution. Thanks to the use of open-source software, our method can be re-applied in cities throughout the world with a handful of low-cost sensors. The method can help fill the gap in urban air quality information and empower public health officials.
- Abstract（参考訳）: 低コストの移動センサを使用して、都市全体でPM$_{2.5}$の濃度データを収集することができる。
しかし, このデータから大気汚染ホットスポットを特定することは, 不均一な空間サンプリング, 背景空気質の時間的変動, 都市大気汚染源のダイナミズムなどにより困難である。
本研究では,(1)移動中のPM$_{2.5}のセンサを装着した市民科学者に移動中のPM$_{2.5}のセンサを装着すること,(2)背景環境汚染レベルの影響を除去するために生データを正規化すること,(3)正規化データにガウスのプロセス回帰モデルを適合させること,(4)ガウスのプロセスの確率的枠組みを用いて空間的に明示的な「ホットスポットスコア」のグリッドを計算すること,の4つの手法を提案する。
我々は,ルワンダのキガリにおけるPM$_{2.5}$汚染の最初のマップを200mの解像度で作成するために,本手法を適用した。
以上の結果から,キガリにおける環境PM$_{2.5}=汚染のレベルは危険に高いことが示唆される。
また,中国北京における実測データを用いて,ホットスポットのスコアが,PM$_{2.5}$公害の「地中真実」の空間的プロファイルを正確に反映していることを示す。
オープンソースのソフトウェアを使うことで、私たちの方法は世界中の都市で低コストのセンサーで再適用できます。
この方法は、都市大気質情報のギャップを埋め、公衆衛生当局に力を与えるのに役立つ。
関連論文リスト
- Causal Links Between Anthropogenic Emissions and Air Pollution Dynamics in Delhi [0.0]
デリー・ナショナル・キャピタル地域は、人為的放出と気象条件の間の複雑な相互作用により大気汚染のエピソードを経験している。
本研究では,予測モデルと因果推論手法を用いて,PM_2.5$および$O_3$濃度における人為的放出の因果関係について検討した。
論文 参考訳（メタデータ） (2025-03-24T17:25:44Z) - 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) - Gaussian Processes for Monitoring Air-Quality in Kampala [3.173497841606415]
本研究では,センサが存在しない場所での現在の大気汚染を予測し,センサ位置で将来の大気汚染を予測するためのガウス過程の活用について検討する。
私たちは、AirQoのセンサーネットワークのデータを使って、ウガンダのカンパラ市に焦点を当てています。
論文 参考訳（メタデータ） (2023-11-28T09:25:23Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - Air Pollution Hotspot Detection and Source Feature Analysis using
Cross-domain Urban Data [2.458537954999774]
汚染源に隣接する地域はしばしば環境汚染濃度が高く、これらは一般に大気汚染ホットスポットと呼ばれる。
本稿では,局所的なスパイク検出とサンプル重み付けクラスタリングを含む,モバイルセンシングデータからホットスポットを検出する2段階のアプローチを提案する。
ソフトバリデーションとして,モバイルセンシングデータを使用しない都市を対象としたホットスポット推定モデルを構築した。
論文 参考訳（メタデータ） (2022-11-15T18:44:03Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - In the Danger Zone: U-Net Driven Quantile Regression can Predict
High-risk SARS-CoV-2 Regions via Pollutant Particulate Matter and Satellite
Imagery [0.5929956715430166]
本研究では,Uネット駆動型量子回帰モデルを提案し,容易に取得可能な衛星画像に基づいてPM_2.5$大気汚染を予測した。
このような予測は、新型コロナウイルスの感染と致死性を減らすための公共政策戦略を極めて助言する可能性がある。
論文 参考訳（メタデータ） (2021-05-06T02:50:54Z) - HVAQ: A High-Resolution Vision-Based Air Quality Dataset [3.9523800511973017]
PM2.5, PM10, 温度, 湿度データからなる高時間・空間分解能空気質データセットを提案する。
我々は,センサの密度と画像によって予測精度が向上することを示すために,いくつかの視覚に基づくPM濃度予測アルゴリズムをデータセット上で評価した。
論文 参考訳（メタデータ） (2021-02-18T13:42:34Z) - Averaging Atmospheric Gas Concentration Data using Wasserstein
Barycenters [68.978070616775]
ハイパースペクトル衛星画像は、世界中の温室効果ガス濃度を毎日報告している。
気象データと組み合わさったワッサーシュタイン・バリセンタを用いて, ガス濃度データセットの平均化と, 質量集中性の向上を提案する。
論文 参考訳（メタデータ） (2020-10-06T14:31:25Z)
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。