Fugu-MT 論文翻訳(概要): Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction

論文の概要: Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction

arxiv url: http://arxiv.org/abs/2603.11725v1
Date: Thu, 12 Mar 2026 09:33:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-13 14:46:25.992074
Title: Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction
Title（参考訳）: 高分解能PM2.5予測のためのクロスリゾリューションアテンションネットワーク
Authors: Ammar Kheder, Helmi Toropainen, Wenqing Peng, Samuel Antão, Zhi-Song Liu, Michael Boy,
Abstract要約: 1kmの解像度で1つの欧州の空気質マップは、2900万ピクセルで構成されており、自尊心の限界をはるかに超えている。 CRAN-PMは,局部的な高分解能PM2.5で大局的な気象データを融合するために,クロスレゾリューション・アテンションを利用するデュアルブランチ・ビジョン・トランスフォーマーである。 CRAN-PMは完全にトレーニング可能でメモリ効率が良く、単一のGPU上で1.8秒で29万画素のEuropean 2022マップを生成する。
参考スコア（独自算出の注目度）: 5.987010268572668
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision Transformers have achieved remarkable success in spatio-temporal prediction, but their scalability remains limited for ultra-high-resolution, continent-scale domains required in real-world environmental monitoring. A single European air-quality map at 1 km resolution comprises 29 million pixels, far beyond the limits of naive self-attention. We introduce CRAN-PM, a dual-branch Vision Transformer that leverages cross-resolution attention to efficiently fuse global meteorological data (25 km) with local high-resolution PM2.5 at the current time (1 km). Instead of including physically driven factors like temperature and topography as input, we further introduce elevation-aware self-attention and wind-guided cross-attention to force the network to learn physically consistent feature representations for PM2.5 forecasting. CRAN-PM is fully trainable and memory-efficient, generating the complete 29-million-pixel European map in 1.8 seconds on a single GPU. Evaluated on daily PM2.5 forecasting throughout Europe in 2022 (362 days, 2,971 European Environment Agency (EEA) stations), it reduces RMSE by 4.7% at T+1 and 10.7% at T+3 compared to the best single-scale baseline, while reducing bias in complex terrain by 36%.
Abstract（参考訳）: 視覚変換器は時空間予測において顕著な成功を収めてきたが、そのスケーラビリティは現実世界の環境モニタリングに必要な超高解像度で大陸規模の領域に限られている。 1kmの解像度で1つの欧州の空気質マップは、2900万ピクセルで構成されており、自尊心の限界をはるかに超えている。 CRAN-PMは、クロスレゾリューション・アテンションを利用して、グローバル気象データ(25km)を局所的な高分解能PM2.5と効率的に融合させるデュアルブランチ・ビジョン・トランスフォーマーである。温度や地形などの物理的要因を入力として含むのではなく、高度認識型自己注意と風向誘導型横断注意を導入し、PM2.5予測のための物理的に一貫した特徴表現をネットワークに学習させる。 CRAN-PMは完全にトレーニング可能でメモリ効率が良く、単一のGPU上で1.8秒で29万画素のヨーロッパ地図を生成する。 2022年(362日、2,971の欧州環境庁(EEA))の欧州全体で毎日PM2.5が予測されていることから、RMSEをT+1で4.7%、T+3で10.7%減らし、複雑な地形の偏差を36%減らした。

関連論文リスト

When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。 PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
論文参考訳（メタデータ） (2026-02-21T07:22:37Z)
TopoFlow: Physics-guided Neural Networks for high-resolution air quality prediction [8.841726805480361]
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。
論文参考訳（メタデータ） (2026-02-18T19:38:11Z)
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)
Deep Learning-Driven Downscaling for Climate Risk Assessment of Projected Temperature Extremes in the Nordic Region [3.7957889222222208]
北ヨーロッパのコッペン・ガイガー地域における急激な変化と気候変動の増加は、適応のための重要なニーズを生み出している。本研究では,Vision Transformer (ViT), Convolutional Long Short-Term Memory (ConvLSTM), Spatiotemporal Transformer with Attention and Im Balance-Aware Network (GeoStaNet)モデルを組み込んだ統合ダウンスケーリングフレームワークを提案する。
論文参考訳（メタデータ） (2025-11-05T17:08:32Z)
Long-Term PM2.5 Forecasting Using a DTW-Enhanced CNN-GRU Model [0.0]
PM2.5濃度の長期予測は、公衆衛生早期警戒システムにとって重要である。既存のディープラーニングアプローチは、48時間を超えて予測安定性を維持するのに苦労している。本稿では,知的ステーション類似度選択のためのDTWとCNN-GRUアーキテクチャを組み合わせたフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-26T23:04:10Z)
Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
論文参考訳（メタデータ） (2025-08-15T04:46:25Z)
AG-VPReID 2025: Aerial-Ground Video-based Person Re-identification Challenge Results [64.38412449125872]
本稿では,高高度(80-120m)の地上ReIDに焦点を当てた初の大規模ビデオベースコンペであるAG-VPReID 2025 Challengeを紹介する。この課題は、3,027個のID、13,500個のトラックレット、UAV、CCTV、ウェアラブルカメラから取得された約370万フレームからなるAG-VPReIDデータセット上に構築された。 UAMのX-TFCLIPによる空中対地ReID設定では72.28%、地上対地ReID設定では70.77%の精度を達成した
論文参考訳（メタデータ） (2025-06-28T10:45:30Z)
Regional data-driven weather modeling with a global stretched-grid [0.3804109677654105]
このモデルはグラフニューラルネットワークに基づいており、これは自然に任意のマルチレゾリューショングリッド構成を提供する。このモデルは北欧の短距離気象予測に適用され、2.5km、時間分解能は6hと予測される。このモデルは、競争力のある降水量や風速予測も生み出すが、極端な出来事を過小評価している。
論文参考訳（メタデータ） (2024-09-04T17:31:20Z)
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)
A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文参考訳（メタデータ） (2021-11-23T08:04:32Z)

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。