論文の概要: Atmospheric Diffusion-Guided Spatio-Temporal Transformer for Nuclear Radiation Forecasting

• arxiv url: http://arxiv.org/abs/2607.24774v1
• Date: Fri, 12 Jun 2026 12:05:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.137722
• Title: Atmospheric Diffusion-Guided Spatio-Temporal Transformer for Nuclear Radiation Forecasting
• Title（参考訳）: 放射線予測のための大気拡散誘導時空間変圧器
• Abstract要約: 原子力は公衆衛生と環境に永続的なリスクをもたらす。 現代の監視ネットワークは、放射線レベルとそれに伴う気象条件を数千の局で記録している。 この大量のモニタリングデータを信頼性のある予測に変換することは3つの理由から難しい。
• 参考スコア（独自算出の注目度）: 10.963805260361221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nuclear radiation, the energy released during atomic decay, poses persistent risks to public health and the environment, and concerns have only grown since the Fukushima accident and the recent commencement of treated-water discharge. Modern monitoring networks now record radiation levels and accompanying weather conditions at thousands of stations, opening the door to nationwide forecasting that can inform emergency response, agricultural advisories, and routine public-safety decisions. However, turning this abundance of monitoring data into reliable forecasts is difficult for three reasons. First, the time series at each station are highly non-stationary, shaped by radioactive decay, weather variability, and irregular human interventions. Second, monitoring stations are severely unevenly distributed in space. Roughly 78% of Japan's stations sit in less than 6% of the country, clustered near Fukushima, which breaks the assumptions of standard graph-based models. Third, radiation co-evolves with heterogeneous context such as wind, temperature, and humidity through atmospheric transport processes that purely data-driven models struggle to capture from observations alone. In this study, we introduce NRFormer+, a spatio-temporal Transformer for nationwide nuclear radiation forecasting. NRFormer+ couples non-stationary temporal attention and density-adaptive spatial attention with a new atmospheric diffusion module that estimates how meteorology drives radiation dispersion and injects this physical signal into the network as an architectural prior. NRFormer+ delivers state-of-the-art accuracy on both datasets across all 13 baselines, reducing sudden-change MAE by up to 19.1% over the strongest baseline at comparable inference latency. Our code and datasets are publicly available at https://github.com/tfeilyu/NRFormer_Plus.
• Abstract（参考訳）: 原子崩壊時に放出されるエネルギーである原子力は、公衆衛生や環境に永続的なリスクをもたらしており、福島原発事故や近年の処理水排出の開始以降、懸念が高まっている。 現代の監視ネットワークは、放射線レベルを記録し、数千の局で気象条件を伴い、緊急対応や農業諮問、定期的な公衆安全判断を知らせる全国的な予測への扉を開く。 しかし,このモニタリングデータを信頼性のある予測に変換することは3つの理由から困難である。 まず、各ステーションの時系列は、放射性崩壊、気象変動、不規則な人間の介入によって形成される非常に非定常である。 第二に、監視局は宇宙空間に不均一に分散している。 日本の駅の約78%は、福島県近郊の6%未満にあり、標準的なグラフベースモデルの前提を破っている。 第三に、放射は風、温度、湿度などの異質な文脈と、純粋なデータ駆動モデルが観測からのみを捉えるのに苦労する大気輸送プロセスを通じて共進化する。 本研究では,全国規模の核放射線予測のための時空間変圧器NRFormer+を紹介する。 NRFormer+は、非定常的時間的注意と密度適応的な空間的注意を、気象が放射線の拡散をどのように駆動するかを推定する新しい大気拡散モジュールと結合し、この物理信号をアーキテクチャ上の先行としてネットワークに注入する。 NRFormer+は、13のベースラインにまたがる両方のデータセットに対して最先端の精度を提供する。 私たちのコードとデータセットはhttps://github.com/tfeilyu/NRFormer_Plus.orgで公開されています。

関連論文リスト

• UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
  グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。 GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。 自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
  論文  参考訳（メタデータ） (2026-09-02T08:37:27Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• 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)
• From Proxies to Fields: Spatiotemporal Reconstruction of Global Radiation from Sparse Sensor Sequences [0.38836072943850625]
  TRONは22年間のシミュレーションデータに基づいて訓練され、65,341箇所で一般化されている。 TRONは、大気モデル、地球物理学的ハザードモニタリング、リアルタイム環境リスク予測など、スパースデータから科学分野を再構築するためのドメインに依存しないフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-24T16:24:10Z)
• NRFormer: Nationwide Nuclear Radiation Forecasting with Spatio-Temporal Transformer [8.648463333222285]
  放射線は人間の健康と環境に重大なリスクをもたらす。 本研究では,核放射線の変動を全国的に予測するための新しい枠組みであるNRFormerを紹介する。
  論文  参考訳（メタデータ） (2024-10-15T12:58:57Z)
• 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)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。