論文の概要: AI for Social Good: An Investigation of the Causal Relationship Between Environmental Regulations and Their Effects on Air Pollution in London, UK
- arxiv url: http://arxiv.org/abs/2606.15257v1
- Date: Sat, 13 Jun 2026 11:23:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.163957
- Title: AI for Social Good: An Investigation of the Causal Relationship Between Environmental Regulations and Their Effects on Air Pollution in London, UK
- Title（参考訳）: 社会財のためのAI:英国ロンドンにおける環境規制と大気汚染への影響の因果関係に関する研究
- Authors: Yang Han, Jacqueline CK Lam, Victor OK Li, Yiu-Wai Man,
- Abstract要約: 本研究は,2010年から2020年までのロンドンにおけるPM$_2.5$濃度に対する大気汚染規制の総括効果を推定する不確実性を考慮したベイズ深層学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 10.620817550423657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Air pollution regulation is central to urban public health governance, but estimating its effects is difficult because policies are implemented non-randomly and pollution trajectories are shaped by meteorology, socioeconomic change, temporal trends, and overlapping interventions. This study develops an uncertainty-aware Bayesian deep learning framework to estimate the aggregate effect of air pollution regulations on PM$_{2.5}$ concentrations in London from 2010 to 2020. The framework integrates daily PM$_{2.5}$ observations from Inner London monitoring stations, meteorological covariates, annual socioeconomic indicators, month-of-year and day-of-week indicators, and daily regulation status data for 32 policy measures. A Bayesian LSTM captures temporal dependencies in environmental and socioeconomic covariates, Bayesian embedding layers represent temporal and regulation status inputs, and a regulation status prediction branch supports propensity score-based adjustment for non-random policy implementation. Regulatory effects are estimated by comparing observed PM$_{2.5}$ concentrations with counterfactual predictions under a hypothetical no-regulation scenario, with uncertainty summarized across repeated Bayesian training runs and bootstrap resampling. Results show that London's regulations were associated with an average PM$_{2.5}$ reduction of 1.88 $μ$g/m$^3$, a relative reduction of 12.35%, with a 95% confidence interval of 1.64-2.12 $μ$g/m$^3$. Estimated effects were limited before 2013, became clearer from 2013 to 2017, and were strongest in 2018 and 2019. The findings suggest that sustained and cumulative regulatory interventions contributed to measurable improvements in London's air quality. This study demonstrates how uncertainty-aware causal AI can support environmental accountability, public health protection, and evidence-based governance for environmental decision-making.
- Abstract（参考訳）: 大気汚染規制は都市公衆衛生管理の中心であるが、政策が非ランダムに実施され、大気汚染の軌跡は気象学、社会経済の変化、時間的傾向、重複する介入によって形成されるため、その効果を推定することは困難である。
本研究は,2010年から2020年までのロンドンにおけるPM$_{2.5}$濃度に対する大気汚染規制の総括効果を推定するために,不確実性を考慮したベイズ深層学習フレームワークを開発した。
このフレームワークは、インナーロンドン監視局、気象共変量、年次社会経済指標、月ごと・日毎の指標、32の政策措置に関する日々の規制状況データから毎日のPM$_{2.5}$の観測を統合している。
ベイジアンLSTMは、環境および社会経済の共変量における時間的依存関係を捉え、ベイジアン埋め込み層は、時間的および規制的な状態入力を表し、規制状態予測部は、非ランダムポリシー実装に対する確率スコアに基づく調整をサポートする。
PM$_{2.5}$濃度を仮説的非規制シナリオ下での反実的予測と比較し, ベイズ訓練とブートストラップ再サンプリングを繰り返して不確かさを要約し, 調整効果を推定した。
その結果、ロンドンの規制は平均PM$_{2.5}$ 1.88$μ$g/m$^3$、相対還元12.35%、95%信頼区間1.64-2.12$μ$g/m$^3$と関係していることがわかった。
推定効果は2013年より前に制限され、2013年から2017年はより明確になり、2018年と2019年に最強となった。
この結果は、持続的かつ累積的な規制介入が、ロンドンの大気質の計測可能な改善に寄与したことを示唆している。
本研究では,不確実性を考慮した因果AIが環境説明責任,公衆衛生保護,環境決定のためのエビデンスに基づくガバナンスをいかに支援できるかを示す。
関連論文リスト
- PollutionNet: A Vision Transformer Framework for Climatological Assessment of NO$_2$ and SO$_2$ Using Satellite-Ground Data Fusion [4.364999214109123]
PollutionNetは、Sentinel-5P TROPOMI 垂直柱密度(VCD)データを地上観測と統合したビジョントランスフォーマーベースのフレームワークである。
自己アテンションメカニズムを活用することで、PolutionNetはCNNやRNNモデルでしばしば見逃される複雑な依存関係をキャプチャする。
PollutionNetはベースラインモデルと比較して予測エラーを最大14%削減する。
論文 参考訳（メタデータ） (2026-03-31T15:39:26Z) - Reasoning-Enhanced Rare-Event Prediction with Balanced Outcome Correction [45.88028371034407]
本稿では,予測のためのLPCORP(Low-Prevalence CORrector for Prediction)*を提案する。
医療・消費者サービス分野における実世界のデータセット上でLPCORPを評価する。
論文 参考訳（メタデータ） (2026-01-23T02:34:29Z) - 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) - Predicting Air Pollution in Cork, Ireland Using Machine Learning [0.0]
世界の都市では大気汚染が深刻な健康上の脅威となり、アイルランドのコークでは二酸化窒素濃度がWHOの安全基準を最大で278%以上上回っている。
この研究は、人工知能を利用して前例のない精度で大気汚染を予測し、5つの観測所から10年近いデータを分析し、30年間の気象記録と組み合わせた。
論文 参考訳（メタデータ） (2025-07-06T00:11:11Z) - 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$濃度における人為的放出の因果関係について検討した。
論文 参考訳（メタデータ） (2025-03-24T17:25:44Z) - AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment [46.56288727659417]
大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。
本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。
AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
論文 参考訳（メタデータ） (2025-02-25T07:34:18Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - 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) - Interpretable and Transferable Models to Understand the Impact of
Lockdown Measures on Local Air Quality [5.273501657421094]
新型コロナウイルス(COVID-19)関連のロックダウン対策は、経済活動や交通の変化が環境空気の質に与える影響を理解するユニークな機会を提供する。
地上の大気汚染モニタリングステーションからの測定値を用いて,ロックダウン期間における汚染の低減を推定する。
我々は,スイスと中国における大気汚染測定所のデータについて,現状の成果が得られたことを示す。
論文 参考訳（メタデータ） (2020-11-19T23:09:30Z)
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。