Fugu-MT 論文翻訳(概要): TopoFlow: Physics-guided Neural Networks for high-resolution air quality prediction

論文の概要: TopoFlow: Physics-guided Neural Networks for high-resolution air quality prediction

arxiv url: http://arxiv.org/abs/2602.16821v1
Date: Wed, 18 Feb 2026 19:38:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-20 15:21:28.312274
Title: TopoFlow: Physics-guided Neural Networks for high-resolution air quality prediction
Title（参考訳）: TopoFlow:高分解能空気質予測のための物理誘導ニューラルネットワーク
Authors: Ammar Kheder, Helmi Toropainen, Wenqing Peng, Samuel Antão, Jia Chen, Zhi-Song Liu, Michael Boy,
Abstract要約: TopoFlowは、効率的な高解像度空気品質予測のための物理誘導型ニューラルネットワークである。汚染物質動態を規定する要因として,地形と風向の2つがあげられる。 TopoFlowのPM2.5 RMSEは9.71 ug/m3で、運用予測システムよりも71-80%改善されている。
参考スコア（独自算出の注目度）: 8.841726805480361
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose TopoFlow (Topography-aware pollutant Flow learning), a physics-guided neural network for efficient, high-resolution air quality prediction. To explicitly embed physical processes into the learning framework, we identify two critical factors governing pollutant dynamics: topography and wind direction. Complex terrain can channel, block, and trap pollutants, while wind acts as a primary driver of their transport and dispersion. Building on these insights, TopoFlow leverages a vision transformer architecture with two novel mechanisms: topography-aware attention, which explicitly models terrain-induced flow patterns, and wind-guided patch reordering, which aligns spatial representations with prevailing wind directions. Trained on six years of high-resolution reanalysis data assimilating observations from over 1,400 surface monitoring stations across China, TopoFlow achieves a PM2.5 RMSE of 9.71 ug/m3, representing a 71-80% improvement over operational forecasting systems and a 13% improvement over state-of-the-art AI baselines. Forecast errors remain well below China's 24-hour air quality threshold of 75 ug/m3 (GB 3095-2012), enabling reliable discrimination between clean and polluted conditions. These performance gains are consistent across all four major pollutants and forecast lead times from 12 to 96 hours, demonstrating that principled integration of physical knowledge into neural networks can fundamentally advance air quality prediction.
Abstract（参考訳）: 物理誘導型ニューラルネットワークであるトポフロー(トポグラフィー対応汚染物質フローラーニング)を提案する。物理過程を学習フレームワークに明示的に組み込むため, 汚染物質動態を規定する2つの重要な要因, 地形と風向を同定した。複雑な地形は汚染物質を流し、ブロックし、トラップすることができるが、風は輸送と分散の主要な要因である。これらの知見に基づいて、TopoFlowは2つの新しいメカニズムを持つ視覚トランスフォーマーアーキテクチャを活用している。 TopoFlowは、中国の1400以上の表面監視ステーションから観測された6年間の高分解能リアナリシスデータに基づいて、PM2.5 RMSEの9.71 ug/m3を達成し、運用予測システムよりも71-80%改善し、最先端のAIベースラインよりも13%改善した。予報誤差は中国の24時間空気質閾値75 ug/m3(GB 3095-2012)を大きく下回っている。これらの性能向上は、4つの主要な汚染物質すべてに一貫性があり、12時間から96時間までのリードタイムを予測する。

関連論文リスト

Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting [99.4484686548807]
我々は,グローバルなステーションレベルの予測に適した意味的トポロジ学習フレームワークであるOmniAirを提案する。提案手法は,不均一分散グローバルネットワークにおける長距離非ユークリッド相関と物理拡散パターンを効果的に捉える。実験によると、OmniAirは18のベースラインに対して最先端のパフォーマンスを実現し、既存のモデルよりも10倍近いスピードで高い効率とスケーラビリティを維持している。
論文参考訳（メタデータ） (2026-01-29T15:58:07Z)
HydroGEM: A Self Supervised Zero Shot Hybrid TCN Transformer Foundation Model for Continental Scale Streamflow Quality Control [2.153503585184628]
本稿では,大陸規模のストリームフロー品質管理の基礎モデルであるHydroGEMを紹介する。 HydroGEMは2段階の訓練をしており、3,724の駅から6.03万回の事前訓練を行っている。保持された合成試験では、検出のためのHydroGEM F1 = 0.792、既存の方法よりも36.3%改善された。
論文参考訳（メタデータ） (2025-12-16T05:39:26Z)
Interpretable Air Pollution Forecasting by Physics-Guided Spatiotemporal Decoupling [4.606462413596598]
本研究では,物理誘導型,解釈可能な時間差学習フレームワークを提案する。我々のモデルは、複数の予測地平線にまたがる最先端のベースラインを一貫して上回る。予測性能と解釈可能性の統合は,実世界のアプリケーションにおいて,より信頼性の高い航空品質管理基盤を提供する。
論文参考訳（メタデータ） (2025-11-25T12:36:27Z)
Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
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。
論文参考訳（メタデータ） (2025-10-28T01:18:00Z)
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)
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)
FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
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)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)

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。