論文の概要: OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes

• arxiv url: http://arxiv.org/abs/2607.11896v1
• Date: Fri, 12 Jun 2026 12:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.399707
• Title: OmniPMNet: Bridging discrete and gridded PM10 forecasts via omni-query neural processes
• Title（参考訳）: OmniPMNet:Omni-queryによる離散的およびグリッド化されたPM10予測のブリッジ
• Abstract要約: 予測粒子状物質(PM10)は、ステーションスケールの精度と連続した空間場を必要とする。 本稿では,コンボリューショナル・コンボリューショナル・ニューラル・プロセス(ConvCNP)に基づく融合モデルであるOmniPM-Netについて述べる。 OmniPM-Netは、2024年の全年にわたって、中国全土の1,618の大気質監視局で評価され、より強力なGNNベースラインのステーションレベルの精度と一致する。
• 参考スコア（独自算出の注目度）: 4.503467149812089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting particulate matter (PM10) requires both station-scale accuracy and continuous spatial fields, especially during severe dust storms. Chemical transport models (CTMs) provide gridded forecasts but retain local biases, whereas graph neural networks (GNNs) track monitoring sites well at short lead times but do not produce gridded outputs. Here we present OmniPM-Net, a Convolutional Conditional Neural Process (ConvCNP)-based fusion model that reconciles these two forecast types within a shared spatial representation. A terrain-aware Gaussian set convolution lifts irregular GNN station forecasts onto a regular grid, where a multi-scale Spatial Source Attention (SSA) module blends them with Copernicus Atmosphere Monitoring Service (CAMS) forecasts; a shared omni-query readout then decodes this representation into consistent PM10 predictions at either stations or grid cells over a 108 h horizon. Evaluated across 1,618 air-quality monitoring stations throughout China over the full year of 2024, OmniPM-Net matches the station-level accuracy of the stronger GNN baseline (mean absolute error 21.14 versus 22.00 ug/m3) and reduces the CAMS mean absolute error by 30%, while simultaneously delivering the gridded fields that the discrete GNN cannot. Its clearest gains are in the high-concentration tail, where the 90th-percentile MAE falls by 9% relative to the GNN and 25% relative to CAMS, and during dust episodes, where it improves categorical detection skill while tracking the evolving spatial trajectory.
• Abstract（参考訳）: 予測粒子状物質 (PM10) は、特に激しい塵嵐時に、ステーションスケールの精度と連続した空間場の両方を必要とする。 化学輸送モデル(CTM)は、グリッド化された予測を提供するが、局所バイアスは保持するが、グラフニューラルネットワーク(GNN)は、短いリード時間で監視サイトをよく追跡するが、グリッド化された出力は生成しない。 本稿では,コンボリューショナル・コンボリューショナル・ニューラル・プロセス(ConvCNP)に基づく融合モデルであるOmniPM-Netについて述べる。 地形を意識したガウス集合の畳み込みは、不規則なGNN局の予測を通常のグリッドに持ち上げる。そこでは、マルチスケールの空間ソース注意(SSA)モジュールがCopernicus Atmosphere Monitoring Service (CAMS)の予測とそれらをブレンドする。 OmniPM-Netは2024年の全年にわたって、中国全土の1,618の大気質監視局で評価され、GNNベースラインのステーションレベルの精度(絶対誤差21.14対22.00 ug/m3)と一致し、CAMSの平均絶対誤差を30%削減し、同時に離散GNNができない格子状のフィールドを供給した。 最も顕著な利得は高濃度の尾であり、90パーセントのMAEはGNNと比較して9%減少し、CAMSと比較して25%減少する。

関連論文リスト

• SNI-GNN: SmartNIC-Assisted Full-Graph GNN Training with In-Network Embedding Prediction [21.234484336759262]
  フルグラフのGNNは高い精度を提供するが、重くて不規則なノード間交換のため、マルチサーバクラスタではスケールが不十分である。 本稿では,SNI-GNNを提案する。SNI-GNNは,ネットワーク上のリモート埋め込みを予測することにより,通信の精度を保ちながら通信を削減できる。
  論文  参考訳（メタデータ） (2026-08-06T11:03:36Z)
• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  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。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• Enhancing the Forecasting Capability of Multi-Model Blending Algorithms for Extreme Precipitation via Joint Use of Station and Gridded Observations [10.058122938830389]
  従来の降水多モデルブレンディングアルゴリズムは、重みに基づいて予測フィールド上でピクセル・バイ・ピクセルブレンディングを行う。 本研究では,6つの主要なNWPモデルからの予測をブレンドするために,確率分類と値再構成という2段階の枠組みを提案する。 中国2411の気象観測所からの観測を損失関数に組み込むことにより, 新たな局間共同監視機構を導入する。
  論文  参考訳（メタデータ） (2026-07-06T09:35:58Z)
• Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids [2.183622338864934]
  分散グリッドの故障位置は、信頼性と停止期間の最小化に不可欠である。 最近の研究は、疎時間学習にリカレントニューラルネットワーク(RNN)とグラフニューラルネットワーク(GNN)を組み合わせることで、有望な結果を示している。 測定専用グラフは、部分的に観測可能な分散グリッドに対して、より実用的で効率的で堅牢なフレームワークを提供することを示す。
  論文  参考訳（メタデータ） (2026-04-22T10:13:28Z)
• MR-GNF: Multi-Resolution Graph Neural Forecasting on Ellipsoidal Meshes for Efficient Regional Weather Prediction [0.0]
  我々は,地球上の楕円型多スケールグラフ上で,短期的な地域予測を行う軽量な物理認識モデルであるMulti-Resolution Graph Neural Forecasting (MR-GNF)を紹介する。 MR-GNFは、イギリスとアイルランドのセクターで、地表の温度、風、降水量について、安定な+6hから+24hの予測を提供する。 これらの結果は、グラフベースのニューラルオペレーターが、NWPコストのごく一部で信頼性の高い高解像度気象予測を達成できることを実証している。
  論文  参考訳（メタデータ） (2026-03-13T20:04:22Z)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Shift-Robust GNNs: Overcoming the Limitations of Localized Graph Training data [52.771780951404565]
  Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。 SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
  論文  参考訳（メタデータ） (2021-08-02T18:00:38Z)
• SPA: Stochastic Probability Adjustment for System Balance of Unsupervised SNNs [2.729898906885749]
  スパイキングニューラルネットワーク(SNN)は、低消費電力のハードウェア特性と脳に似た信号応答機構のために広く注目を集めている。 我々は,このギャップを減らすために,確率調整(Probability Adjustment, SPA)と呼ばれる情報理論に着想を得たシステムを構築した。 分類精度の改善はMNISTデータセットとEMNISTデータセットでそれぞれ1.99%と6.29%に達した。
  論文  参考訳（メタデータ） (2020-10-19T17:28:38Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。