論文の概要: Air Quality Downscaling with Station-Guided Pseudo-Supervision
- arxiv url: http://arxiv.org/abs/2607.05292v1
- Date: Mon, 06 Jul 2026 16:32:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.24128
- Title: Air Quality Downscaling with Station-Guided Pseudo-Supervision
- Title（参考訳）: ステーションガイド擬似スーパービジョンによる空気質の低下
- Abstract要約: 局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 60.31045749983062
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Super-resolving coarse atmospheric fields to local PM$_{2.5}$ variations is uniquely challenged by a mismatch in spatial support: while pixels represent regional averages, ground-truth observations are discrete, unaligned samples of a continuous spatial signal. To bridge this gap, we present a station-guided framework for high-resolution PM$_{2.5}$ downscaling over Europe. Taking coarse CAMS atmospheric composition fields alongside heterogeneous side information (i.e., human activity, land cover, elevation, satellite aerosol observations, and wind fields) our framework jointly super-resolves ($\times 40$, $\approx$ 1 km) and bias-corrects CAMS rasters, without relying on temporal sequence modelling. To address the challenge of densely supervising our multi-scale transformer network with sparse in-situ data, we introduce a time-agnostic propagation strategy that utilises spatial Gaussian blending of interpolated OpenAQ observations. Extensive qualitative and station-level evaluations across Europe demonstrate that our model recovers fine-grained spatial structures and effectively mitigates localised CAMS biases.
- Abstract（参考訳）: 局所的なPM$_{2.5}$変動に対する超解け粗い大気場は、空間的支持のミスマッチによって一意に挑戦される:ピクセルは局所的な平均を表すが、地表面の観測は離散的であり、連続的な空間的信号の非整列サンプルである。
このギャップを埋めるために、ヨーロッパにおける高解像度PM$_{2.5}$ダウンスケーリングのためのステーション誘導フレームワークを提案する。
粗いCAMS大気組成場を異種側情報(人間活動,土地被覆,高度,衛星エアロゾル観測,風力など)と組み合わせることで,時間的シーケンスモデリングを必要とせず,超解像(40$,$\approx$1 km)とバイアス補正CAMSラスタ(CAMSラスタ)を併用する。
マルチスケールトランスフォーマーネットワークをスパース・イン・シチュート・データで高密度に監視する課題に対処するために,空間ガウス混合によるOpenAQ観測の時間依存的伝播戦略を導入する。
ヨーロッパ全体での大規模定性的・駅レベルの評価は, 詳細な空間構造を復元し, 局所的なCAMSバイアスを効果的に緩和することを示した。
関連論文リスト
- Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network [1.7768447567837418]
この研究は、インドのグジャラート州スラトで新たに導入されたモバイルセンシングデータセットを紹介した。
PM$*2.5$濃度、気象変数(温度、湿度、風速、風向)、土地利用の特徴を含む。
本稿では,詳細な短期PM$*2.5$予測とホットスポット識別のためのSA-GNNを提案する。
論文 参考訳（メタデータ） (2026-09-04T03:50:32Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Tracking Urban Atmospheric Pollutants using Sentinel-5P Satellite Data [0.7090165638014331]
都市部における二酸化窒素(NO$)は、燃焼に関連する大気汚染の重要な指標であり、都市において強い空間的・時間的変動を示す。
本研究では, エクアドルのグアヤス州におけるセンチネル-5P/TROPOMI観測による都市大気汚染の追跡を目的とした衛星ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-21T15:59:04Z) - CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。
フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。
実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
論文 参考訳（メタデータ） (2026-05-12T08:08:33Z) - ViCrop-Det: Spatial Attention Entropy Guided Cropping for Training-Free Small-Object Detection [6.1221124436192875]
ViCrop-Detは、適応的な空間信頼領域収縮を導入する、トレーニング不要な推論フレームワークである。
RT-DETR-R50 と Deformable DETR に +1-3 mAP@50 を連続的に追加し,20-23% の遅延オーバヘッドを有することを示す。
計算マッチング設定下では、適応的ルーティング戦略は、一様スライシングベースラインを包括的に超越し、高度に最適化された精度-速度トレードオフを実現する。
論文 参考訳（メタデータ） (2026-04-29T15:35:03Z) - 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) - 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 Data-Driven Supervised Machine Learning Approach to Estimating Global
Ambient Air Pollution Concentrations With Associated Prediction Intervals [0.0]
我々は、時間的および空間的計測の欠如を示唆するスケーラブルでデータ駆動型の教師あり機械学習フレームワークを開発した。
このモデルは, 時間的および空間的計測の欠如を示唆し, NO$, O$_3$, PM$_10$, PM$_2.5$, SO$などの汚染物質の包括的データセットを生成するように設計されている。
モデルの性能について検討し,今後のモニタリングステーションの戦略的配置に関する洞察と勧告を提供する。
論文 参考訳（メタデータ） (2024-02-15T11:09:22Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Implicit neural representation for change detection [15.741202788959075]
点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。
Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。
本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
論文 参考訳（メタデータ） (2023-07-28T09:26:00Z)
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。