論文の概要: Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling
- arxiv url: http://arxiv.org/abs/2510.23977v1
- Date: Tue, 28 Oct 2025 01:18:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:36.703406
- Title: Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling
- Title（参考訳）: 確率サンプリングによる大気汚染の相乗的ニューラル予測
- Authors: Yohan Abeysinghe, Muhammad Akhtar Munir, Sanoojan Baliah, Ron Sarafian, Fahad Shahbaz Khan, Yinon Rudich, Salman Khan,
- Abstract要約: 大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
- 参考スコア（独自算出の注目度）: 50.3911487821783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Air pollution remains a leading global health and environmental risk, particularly in regions vulnerable to episodic air pollution spikes due to wildfires, urban haze and dust storms. Accurate forecasting of particulate matter (PM) concentrations is essential to enable timely public health warnings and interventions, yet existing models often underestimate rare but hazardous pollution events. Here, we present SynCast, a high-resolution neural forecasting model that integrates meteorological and air composition data to improve predictions of both average and extreme pollution levels. Built on a regionally adapted transformer backbone and enhanced with a diffusion-based stochastic refinement module, SynCast captures the nonlinear dynamics driving PM spikes more accurately than existing approaches. Leveraging on harmonized ERA5 and CAMS datasets, our model shows substantial gains in forecasting fidelity across multiple PM variables (PM$_1$, PM$_{2.5}$, PM$_{10}$), especially under extreme conditions. We demonstrate that conventional loss functions underrepresent distributional tails (rare pollution events) and show that SynCast, guided by domain-aware objectives and extreme value theory, significantly enhances performance in highly impacted regions without compromising global accuracy. This approach provides a scalable foundation for next-generation air quality early warning systems and supports climate-health risk mitigation in vulnerable regions.
- Abstract（参考訳）: 大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
粒子状物質(PM)濃度の正確な予測は、タイムリーな公衆衛生警告や介入を可能にするために不可欠であるが、既存のモデルは稀だが有害な汚染事象を過小評価することが多い。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
SynCastは、局所的に適応したトランスフォーマーバックボーン上に構築され、拡散ベースの確率的洗練されたモジュールで強化され、既存のアプローチよりも正確にPMスパイクを駆動する非線形ダイナミクスをキャプチャする。
ERA5データセットとCAMSデータセットを併用すると, 極端条件下では, 複数のPM変数(PM$_1$, PM$_{2.5}$, PM$_{10}$)における忠実度予測が大幅に向上することがわかった。
従来の損失関数は分布尾(希少な公害事象)を低く表現し,ドメイン認識目的と極値理論で導かれるSynCastは,世界的精度を損なうことなく,高度に影響された地域での性能を著しく向上させることを示す。
このアプローチは、次世代の大気汚染早期警報システムにスケーラブルな基盤を提供し、脆弱な地域での気候・健康リスク軽減を支援する。
関連論文リスト
- A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting [40.464076620990866]
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。
論文 参考訳（メタデータ） (2025-09-25T14:54:23Z) - 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) - 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) - Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling [5.236306661644172]
伝統的な物理学に基づくモデルでは、気象学と大気汚染プロセスの結合によって地球規模の大気汚染を予測する。
既存のディープラーニング(DL)ソリューションでは,グローバル大気汚染予測にオンライン結合戦略を採用している。
本研究は,気象分野と汚染物質間のオフライン結合を実現するために,双線形プールを用いたDLベースのオフライン結合フレームワークを開拓した。
論文 参考訳（メタデータ） (2025-03-24T07:24:31Z) - A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
ルル環境は高度でスケーラブルな大気汚染予測システムである。
エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。
本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
論文 参考訳（メタデータ） (2025-02-26T10:54:27Z) - 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) - 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) - 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) - 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)
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。