論文の概要: Ground-Level Near Real-Time Modeling for PM2.5 Pollution Prediction

• arxiv url: http://arxiv.org/abs/2604.18973v1
• Date: Tue, 21 Apr 2026 01:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.570034
• Title: Ground-Level Near Real-Time Modeling for PM2.5 Pollution Prediction
• Title（参考訳）: PM2.5汚染予測のための地表面近傍リアルタイムモデリング
• Authors: Zachary R. Fox, Janet O. Agbaje, Dakotah Maguire, Javier E. Santos, Jeremy Logan, Maggie Davis, Rima Habre, Jim VanDerslice, Heidi A. Hanson,
• Abstract要約: 大気汚染は世界中の公衆衛生上の脅威であり、多くの病気を発生または悪化させる可能性がある。 疫学研究と公衆衛生決定は、汚染曝露の影響をほぼリアルタイムで評価できないことで汚される。 これを解決するために、環境汚染物質の正確なデジタルツインを開発することで、タイムリーなデータ駆動分析が可能になる。
• 参考スコア（独自算出の注目度）: 1.437068792421796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution is a worldwide public health threat that can cause or exacerbate many illnesses, including respiratory disease, cardiovascular disease, and some cancers. However, epidemiological studies and public health decision-making are stymied by the inability to assess pollution exposure impacts in near real time. To address this, developing accurate digital twins of environmental pollutants will enable timely data-driven analytics - a crucial step in modernizing health policy and decision-making. Although other models predict and analyze fine particulate matter exposure, they often rely on modeled input data sources and data streams that are not regularly updated. Another challenge stems from current models relying on predefined grids. In contrast, our deep-learning approach interpolates surface level PM2.5 concentrations between sparsely distributed US EPA monitoring stations in a grid-free manner. By incorporating additional, readily available datasets - including topographic, meteorological, and land-use data - we improve its ability to predict pollutant concentrations with high spatial and temporal resolution. This enables model querying at any spatial location for rapid predictions without computing over the entire grid. To ensure robustness, we randomize spatial sampling during training to enable our model to perform well in both dense and sparse monitored regions. This model is well suited for near real-time deployment because its lightweight architecture allows for fast updates in response to streaming data. Moreover, model flexibility and scalability allow it to be adapted to various geographical contexts and scales, making it a practical tool for delivering accurate and timely air quality assessments. Its capacity to rapidly evaluate multiple scenarios can be especially valuable for decision-making during public health crises.
• Abstract（参考訳）: 大気汚染は世界中の公衆衛生上の脅威であり、呼吸器疾患、心血管疾患、一部のがんなど多くの病気を発生または悪化させる可能性がある。 しかし、疫学研究と公衆衛生決定は、汚染曝露の影響をほぼリアルタイムで評価できないことで、悪臭を覚える。 これを解決するために、環境汚染物質の正確なデジタルツインを開発することで、タイムリーなデータ駆動分析が可能になる。 他のモデルは微粒子の物質露光を予測し分析するが、しばしばモデル化された入力データソースと定期的に更新されないデータストリームに依存している。 もうひとつの課題は、事前定義されたグリッドに依存する現在のモデルに起因している。 これとは対照的に,我々の深層学習アプローチは,わずかに分散した米国EPA監視局間のPM2.5濃度をグリッドフリーで補間する。 地形、気象、土地利用データを含む、利用可能な追加データセットを組み込むことで、空間的および時間的解像度の高い汚染物質濃度を予測する能力を向上させる。 これにより、グリッド全体を計算することなく、任意の空間位置でモデルクエリを高速に予測することができる。 頑健性を確保するため、トレーニング中の空間サンプリングをランダムにし、密集した監視領域と疎在な監視領域の両方でモデルが良好に動作できるようにする。 このモデルは、ストリーミングデータに対する迅速な更新を可能にする軽量アーキテクチャのため、ほぼリアルタイムなデプロイメントに適している。 さらに、モデルの柔軟性とスケーラビリティにより、様々な地理的文脈やスケールに適応することができ、正確でタイムリーな空気質の評価を提供するための実用的なツールとなる。 複数のシナリオを迅速に評価する能力は、公衆衛生危機時の意思決定に特に有用である。

関連論文リスト

• End-to-end data-driven prediction of urban airflow and pollutant dispersion [1.3874486202578666]
  本研究の目的は, 意思決定者を支援するため, 都市汚染物質分散の迅速かつ正確なモデルを開発することである。 道路キャニオンにおける気流と汚染物質分散のモデル化と予測を行うために, エンドツーエンドのデータ駆動方式を提案する。 その結果, 時間的地平線上での時間的および統計的に定常な場予測において, モデルの有効性が示された。
  論文  参考訳（メタデータ） (2026-03-18T11:19:13Z)
• 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)
• A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data [0.0]
  PM2.5$の高濃度への曝露は、呼吸や心血管系病院の入院の増加、救急部門の訪問や死亡の増大と関係している。 伝統的な空気質監視システムは、空間的および時間的データに制限がある。 低コストセンサーの出現により、空気品質データの粒度が劇的に向上し、リアルタイムで高解像度なモニタリングが可能になった。 この研究は、PurpleAirセンサーからの広範なデータを利用して、カリフォルニア州全体で正確な時間ごとのPM$_2.5$マップの作成において、様々な統計モデルと機械学習モデルの有効性を評価し、比較する。
  論文  参考訳（メタデータ） (2025-09-15T15:32:57Z)
• An AI-driven framework for the prediction of personalised health response to air pollution [30.858937705130106]
  大気汚染は公衆衛生にとって重大な脅威となり、多くの呼吸器や心臓血管疾患を発生または悪化させる。 個人感覚の最近の進歩は、行動や生理的なデータの収集に変化をもたらした。 本研究では、ウェアラブルフィットネスデバイスからの生理データをリアルタイム環境暴露と統合することで、汚染に対する個人化された健康反応を予測する新しいワークフローを提案する。
  論文  参考訳（メタデータ） (2025-05-15T17:59:07Z)
• 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)
• 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)
• A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
  英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。 欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。 このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
  論文  参考訳（メタデータ） (2024-01-16T18:03:07Z)
• 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)
• 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)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)

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。