論文の概要: A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting

• arxiv url: http://arxiv.org/abs/2509.21260v1
• Date: Thu, 25 Sep 2025 14:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.99832
• Title: A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting
• Title（参考訳）: 多変量・多汚染大気質予測のための因果関係を考慮した時空間モデル
• Authors: Junxin Lu, Shiliang Sun,
• Abstract要約: AirPCMは、多汚染物質力学と明示的な気象-汚染物質因果モデリングを組み合わせる。 AirPCMは、予測精度と一般化能力の両方において、最先端のベースラインを一貫して超越している。
• 参考スコア（独自算出の注目度）: 40.464076620990866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air pollution, a pressing global problem, threatens public health, environmental sustainability, and climate stability. Achieving accurate and scalable forecasting across spatially distributed monitoring stations is challenging due to intricate multi-pollutant interactions, evolving meteorological conditions, and region specific spatial heterogeneity. To address this challenge, we propose AirPCM, a novel deep spatiotemporal forecasting model that integrates multi-region, multi-pollutant dynamics with explicit meteorology-pollutant causality modeling. Unlike existing methods limited to single pollutants or localized regions, AirPCM employs a unified architecture to jointly capture cross-station spatial correlations, temporal auto-correlations, and meteorology-pollutant dynamic causality. This empowers fine-grained, interpretable multi-pollutant forecasting across varying geographic and temporal scales, including sudden pollution episodes. Extensive evaluations on multi-scale real-world datasets demonstrate that AirPCM consistently surpasses state-of-the-art baselines in both predictive accuracy and generalization capability. Moreover, the long-term forecasting capability of AirPCM provides actionable insights into future air quality trends and potential high-risk windows, offering timely support for evidence-based environmental governance and carbon mitigation planning.
• Abstract（参考訳）: 大気汚染は世界的な問題であり、公衆衛生、環境の持続可能性、気候の安定を脅かす。 複雑な多汚染物質相互作用、気象条件の進化、地域固有の空間的不均一性により、空間的に分散した監視局をまたいだ正確でスケーラブルな予測を達成することは困難である。 この課題に対処するために,多領域多汚染ダイナミックスと明示的な気象-汚染因果モデルを統合する,新しい時空間予測モデルであるAirPCMを提案する。 単一汚染物質や局所的な領域に限られる既存の手法とは異なり、AirPCMは、クロスステーション空間相関、時間的自己相関、気象汚染の動的因果関係を共同で捉えるために統一的なアーキテクチャを採用している。 これにより、突発的な汚染現象を含む様々な地理的、時間的スケールにわたる微粒で解釈可能な多汚染物質予測が強化される。 マルチスケールの実世界のデータセットに対する大規模な評価は、AirPCMが予測精度と一般化能力の両方において、最先端のベースラインを一貫して上回っていることを示している。 さらに、AirPCMの長期予測能力は、将来の大気質のトレンドやリスクの高い窓に関する実用的な洞察を提供し、エビデンスに基づく環境ガバナンスと炭素削減計画のタイムリーな支援を提供する。

関連論文リスト

• 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)
• 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)
• ClimateLLM: Efficient Weather Forecasting via Frequency-Aware Large Language Models [13.740208247043258]
  天気予報の基礎モデルであるClimateLLMを提案する。 時間的および空間横断的な協調フレームワークを通じて、時間的依存関係をキャプチャする。 周波数分解と大言語モデルを統合し、空間的および時間的モデリングを強化する。
  論文  参考訳（メタデータ） (2025-02-16T09:57:50Z)
• A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation [18.881422165965017]
  本稿では,高分解能リアナリシスデータに基づいて学習したスコアベース拡散モデルを用いて,局所気象力学の統計的特性を抽出する新しい生成フレームワークを提案する。 本研究では,地球規模の気候出力と一致した空間的・時間的気象動態をモデル化した。
  論文  参考訳（メタデータ） (2024-12-19T19:47:35Z)
• 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)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• 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)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。