論文の概要: CityAQVis: Integrated ML-Visualization Sandbox Tool for Pollutant Estimation in Urban Regions Using Multi-Source Data (Software Article)
- arxiv url: http://arxiv.org/abs/2510.18878v2
- Date: Fri, 24 Oct 2025 17:31:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 09:00:15.228401
- Title: CityAQVis: Integrated ML-Visualization Sandbox Tool for Pollutant Estimation in Urban Regions Using Multi-Source Data (Software Article)
- Title（参考訳）: CityAQVis:マルチソースデータ(ソフトウェア記事)を用いた都市域における汚染評価のための統合ML可視化サンドボックスツール
- Authors: Brij Bidhin Desai, Yukta Arvind Rajapur, Aswathi Mundayatt, Jaya Sreevalsan-Nair,
- Abstract要約: CityAQVisは、地上の汚染物質濃度を予測し視覚化するために設計された、インタラクティブな機械学習サンドボックスツールである。
その結果,MLによる視覚分析が,状況認識を改善し,品質管理におけるデータ駆動による意思決定を支援する可能性を強調した。
- 参考スコア（独自算出の注目度）: 1.108292291257035
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban air pollution poses significant risks to public health, environmental sustainability, and policy planning. Effective air quality management requires predictive tools that can integrate diverse datasets and communicate complex spatial and temporal pollution patterns. There is a gap in interactive tools with seamless integration of forecasting and visualization of spatial distributions of air pollutant concentrations. We present CityAQVis, an interactive machine learning ML sandbox tool designed to predict and visualize pollutant concentrations at the ground level using multi-source data, which includes satellite observations, meteorological parameters, population density, elevation, and nighttime lights. While traditional air quality visualization tools often lack forecasting capabilities, CityAQVis enables users to build and compare predictive models, visualizing the model outputs and offering insights into pollution dynamics at the ground level. The pilot implementation of the tool is tested through case studies predicting nitrogen dioxide (NO2) concentrations in metropolitan regions, highlighting its adaptability to various pollutants. Through an intuitive graphical user interface (GUI), the user can perform comparative visualizations of the spatial distribution of surface-level pollutant concentration in two different urban scenarios. Our results highlight the potential of ML-driven visual analytics to improve situational awareness and support data-driven decision-making in air quality management.
- Abstract（参考訳）: 都市大気汚染は公衆衛生、環境の持続可能性、政策計画に重大なリスクをもたらす。
効果的な空気質管理には、多様なデータセットを統合し、複雑な空間的および時間的汚染パターンを伝達する予測ツールが必要である。
大気汚染物質濃度の空間分布の予測と可視化をシームレスに統合したインタラクティブツールにはギャップがある。
CityAQVisは,衛星観測,気象パラメータ,人口密度,標高,夜間光を含む多ソースデータを用いて,地上での汚染物質濃度の予測と可視化を目的とした,インタラクティブな機械学習MLサンドボックスである。
従来の空気質の可視化ツールは予測能力に欠けることが多いが、CityAQVisはユーザーが予測モデルを構築して比較し、モデルの出力を視覚化し、地上レベルで汚染のダイナミクスに関する洞察を提供する。
このツールの試験的な実装は、大都市圏における二酸化窒素(NO2)濃度を予測するケーススタディを通じて行われ、様々な汚染物質への適応性を強調している。
直感的なグラフィカルユーザインタフェース(GUI)により、ユーザは2つの異なる都市シナリオにおいて、表面レベルの汚染物質濃度の空間分布を比較視覚化することができる。
その結果,MLによる視覚分析が,状況認識を改善し,品質管理におけるデータ駆動による意思決定を支援する可能性を強調した。
関連論文リスト
- Forecasting and Visualizing Air Quality from Sky Images with Vision-Language Models [0.4317207251910848]
大気汚染は公衆衛生と環境の持続可能性にとって重要な脅威である。
本稿では,スカイイメージから環境大気汚染レベルを予測するAI駆動エージェントを提案する。
提案手法は, 統計的テクスチャ解析と教師あり学習を組み合わせた汚染分類手法である。
論文 参考訳（メタデータ） (2025-09-18T15:36:38Z) - Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。
複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。
低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2025-05-21T03:57:10Z) - 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) - 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) - Spatiotemporal Air Quality Mapping in Urban Areas Using Sparse Sensor Data, Satellite Imagery, Meteorological Factors, and Spatial Features [11.845097068829551]
本稿では,高時間空気質指標マッピングのためのフレームワークを提案する。
空間的および時間的依存関係に基づいて,非時間的位置におけるAQI値を推定する。
パキスタンのラホールにおけるケーススタディを通じて,我々のアプローチの活用について解説する。
論文 参考訳（メタデータ） (2025-01-20T04:39:13Z) - Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳（メタデータ） (2024-09-29T08:18:50Z) - Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts [0.11249583407496218]
大気汚染は公衆衛生、特に都市部において重大な脅威となる。
本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2024-05-30T10:02:53Z) - Environmental Insights: Democratizing Access to Ambient Air Pollution
Data and Predictive Analytics with an Open-Source Python Package [0.0]
Environmental Insightsは、大気汚染濃度データへのアクセスを民主化するために設計されたオープンソースのPythonパッケージである。
このツールを使うと、ユーザーは過去の大気汚染データを検索し、機械学習モデルを使って将来の状況を予測することができる。
論文 参考訳（メタデータ） (2024-03-06T12:34:50Z) - 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) - 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。