論文の概要: Predicting Groundwater Arsenic Concentrations Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2607.19392v1
- Date: Thu, 02 Jul 2026 20:51:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.150842
- Title: Predicting Groundwater Arsenic Concentrations Using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークによる地下水ヒ素濃度の予測
- Abstract要約: 地下水中のヒ素汚染は、アメリカ合衆国における長年の公衆衛生上の危機を招いている。
高リスク領域を特定するには,ヒ素濃度の正確な空間的予測が不可欠である。
- 参考スコア（独自算出の注目度）: 2.1521364454860525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Arsenic contamination in groundwater presents a longstanding public health crisis in the United States, especially for households depending on private wells. Accurate and spatially informed prediction of arsenic concentration is vital to identify high-risk areas and focus mitigation efforts. However, there is a lack of generalizable models for representing continuous variation in arsenic concentrations across regions. In this work, we pose arsenic prediction as a regression task and construct a spatially integrated dataset to aggregate over 74,000 arsenic samples from the Water Quality Portal (WQP), Mineral Resources Data System (MRDS), and Gridded National Soil Survey Geographic Database (gNATSGO). Specifically, we use a variety of techniques including kNearest Neighbors (k-NN) and Geographic Information Systems (GIS) to join arsenic measurement points from across the United States by location. Building on this dataset, we evaluate a diverse suite of machine learning models, including tree-based ensemble approaches, multilayer perceptrons, and spatially aware graph neural networks (GNN). Our findings show that while gradient-boosted trees are still considered state-of-the-art in the field of tabular data, GNNs are able to further account for spatial dependence to match or outperform the results of gradient-boosted trees. These results demonstrate that graph-based and spatially informed learning can enhance environmental prediction and provide a foundation for improved groundwater risk mapping and monitoring.
- Abstract（参考訳）: 地下水中のヒ素汚染は、特に民間の井戸に依存した家庭において、米国で長く続く公衆衛生上の危機を招いている。
ヒ素濃度の正確な空間的予測は,高リスク領域の特定と集中緩和に不可欠である。
しかし、ヒ素濃度の連続的な変動を表現するための一般化可能なモデルが欠如している。
本研究では,レグレッションタスクとしてヒ素予測を行い,水質ポータル(WQP),鉱物資源データシステム(MRDS),グリッドド国立土壌測量地理データベース(gNATSGO)から74,000以上のヒ素サンプルを収集する空間統合データセットを構築した。
具体的には、kNearest Neighbors (k-NN) やGeographic Information Systems (GIS) など様々な手法を用いて、アメリカ合衆国全土のヒ素測定点を位置情報で結合する。
このデータセットに基づいて、木に基づくアンサンブルアプローチ、多層パーセプトロン、空間認識型グラフニューラルネットワーク(GNN)など、機械学習モデルの多様なスイートを評価する。
以上の結果から, 傾斜木は表層データの分野ではまだ最先端と考えられるが, GNNは勾配木よりも空間的依存度が高いことが示唆された。
これらの結果から, グラフに基づく空間情報学習が環境予測を向上し, 地下水のリスクマッピングとモニタリングの基盤となることが示唆された。
関連論文リスト
- Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks [0.0]
本研究では、グラフ注意ネットワーク(GAT)を用いたグラフに基づく深層学習手法を用いて、91の土壌サンプル間の空間依存性をモデル化する。
最終モデルは高い性能を示し、625.06(R2 = 0.87$)のマイクロプラスチック、0.43(R2 = 0.91$)の有機物が得られた。
論文 参考訳（メタデータ） (2026-07-24T19:35:29Z) - Predicting Pseudo-nitzschia harmful algal blooms along the Portuguese Coast using satellite-derived predictors [69.38367341895632]
Pseudo-Nitzschia の珪藻は、海岸生態系やポルトガルの大西洋岸での収穫に繰り返しリスクをもたらす。
衛星由来の予測器を用いて有害な藻類発生を予測する機械学習フレームワークの開発と評価を行った。
論文 参考訳（メタデータ） (2026-07-08T18:14:24Z) - Epidemiology-informed Graph Neural Network for Heterogeneity-aware Epidemic Forecasting [46.63739322178277]
最近の研究では、異種時相の流行パターンを抽出する際の時空間ニューラルネットワーク(STGNN)の強い可能性を示している。
HeatGNNは、疫学的にインフォームドされた場所を、時間とともに自分自身の伝達メカニズムを反映するさまざまな場所に埋め込むことを学ぶ。
HeatGNNは、HeatHeatのさまざまな強力なベースラインを異なるサイズで上回る。
論文 参考訳（メタデータ） (2024-11-26T12:29:45Z) - Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳（メタデータ） (2024-10-14T17:22:55Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳（メタデータ） (2023-11-02T02:00:27Z) - Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。
従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。
本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文 参考訳（メタデータ） (2023-06-05T03:36:01Z) - Forecasting West Nile Virus with Graph Neural Networks: Harnessing
Spatial Dependence in Irregularly Sampled Geospatial Data [0.0]
イリノイ州における西ナイルウイルスの存在を予測するために,空間認識型グラフニューラルネットワークモデルを適用した。
より一般的に、不規則サンプリングされた地理空間データに適用されたグラフニューラルネットワークは、様々なベースライン法の性能を超える可能性があることを示す。
論文 参考訳（メタデータ） (2022-12-21T21:08:45Z) - Spotting Virus from Satellites: Modeling the Circulation of West Nile
Virus Through Graph Neural Networks [10.235799644961816]
西ナイルウイルス(西ナイルウイルス、英語: West Nile Virus、WNV)は、蚊が媒介する動物病ウイルスの1つである。
グラフニューラルネットワーク(GNN)を用いて,周辺地域の特徴を集約する。
ウイルス拡散の季節性を考慮したモデルに時間関連情報を直接注入する。
論文 参考訳（メタデータ） (2022-09-07T16:40:45Z) - Predicting Critical Biogeochemistry of the Southern Ocean for Climate
Monitoring [1.8689461238197955]
我々は、南洋のケイ酸塩とリン酸塩の値を、温度、圧力、塩分濃度、酸素、硝酸塩、位置から予測するためにニューラルネットワークを訓練する。
これらのモデルを地球系モデル(ESM)およびBGC-Argoデータに適用し、この海洋観測ネットワークの有用性を拡大する。
論文 参考訳（メタデータ） (2021-10-30T00:13:46Z) - Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。
本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。
dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
論文 参考訳（メタデータ） (2020-12-07T07:56:11Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳（メタデータ） (2020-07-05T08:16:03Z)
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。