論文の概要: From Deterministic to Generative Deep Learning for Urban Air Quality Reconstruction from Sparse Observations

• arxiv url: http://arxiv.org/abs/2607.25687v1
• Date: Tue, 28 Jul 2026 13:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.844923
• Title: From Deterministic to Generative Deep Learning for Urban Air Quality Reconstruction from Sparse Observations
• Title（参考訳）: スパース観測による都市大気質復元のための決定論的から生成的深層学習へ
• Abstract要約: 大気汚染のフルフィールド再構築は、大気汚染の評価と公衆衛生の意思決定を支援するために不可欠である。 深層学習技術を用いて,NO2,O3,PM2.5,PM10の4つの主要な汚染物質のスパース観察から,高速かつ正確な再構築を行う。 モデルは、フルフィールドシミュレーションデータに基づいてトレーニングされ、パリ市内の9から28の監視ステーションから収集された実世界の観測に基づいて評価される。
• 参考スコア（独自算出の注目度）: 3.2742981227424006
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Full-field reconstruction of air pollution is essential for evaluating pollution exposure and supporting public health decision-making. However, the complex interactions among pollutants, hard-to-predict weather patterns, and limited monitoring station coverage make this a complex task. We apply deep learning techniques to provide fast and accurate reconstructions from sparse observations of four key pollutants: NO2, O3, PM2.5 and PM10. Models are trained on full-field simulation data and evaluated on real-world observations collected from 9 to 28 monitoring stations in the city of Paris. We introduce a diffusion-based generative framework for multi-pollutant reconstruction and benchmark its performance against deterministic deep learning models. Despite noisy observations and strong spatial variability, the models achieve high structural similarity on simulated validation data and produce realistic spatial patterns on real-world observations, as indicated by power-spectrum analysis. We introduce data augmentation methods that enable transfer to real-world observations without retraining, allowing the models to generalise beyond the training period. These findings highlight the potential of ML models for reliable real-world deployment in air pollution reconstruction tasks.
• Abstract（参考訳）: 大気汚染のフルフィールド再構築は、大気汚染の評価と公衆衛生の意思決定を支援するために不可欠である。 しかし, 汚染物質間の複雑な相互作用, 予測しにくい気象パターン, 監視ステーションのカバー範囲が限られているため, 複雑な作業となる。 深層学習技術を用いて,NO2,O3,PM2.5,PM10の4つの主要な汚染物質のスパース観察から,高速かつ正確な再構築を行う。 モデルは、フルフィールドシミュレーションデータに基づいてトレーニングされ、パリ市内の9から28の監視ステーションから収集された実世界の観測に基づいて評価される。 本稿では,多孔質再構築のための拡散型生成フレームワークを導入し,その性能を決定論的深層学習モデルと比較する。 ノイズのある観測と強い空間変動にもかかわらず、モデルはシミュレーションされた検証データに高い構造的類似性を達成し、実世界の観測に現実的な空間パターンを生成する。 我々は、トレーニング期間を超えてモデルを一般化できるように、トレーニングをせずに実世界の観測に移行できるデータ拡張手法を導入する。 これらの結果は,大気汚染復旧作業における実世界の信頼性の高い展開のためのMLモデルの可能性を強調した。

関連論文リスト

• Air Quality Station Simulation via LSTM and Attention-Based Modelling [41.99844472131922]
  本稿では,複雑な関係を推論し,複数時間毎の大気質予測を出力する深層学習モデルSATADLを提案する。 世界中の4つの大気質ステーションでSATADLの性能を実演する。
  論文  参考訳（メタデータ） (2026-08-12T09:26:56Z)
• Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
  我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。 多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。 本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
  論文  参考訳（メタデータ） (2026-05-07T14:27:48Z)
• Ground-Level Near Real-Time Modeling for PM2.5 Pollution Prediction [1.437068792421796]
  大気汚染は世界中の公衆衛生上の脅威であり、多くの病気を発生または悪化させる可能性がある。 疫学研究と公衆衛生決定は、汚染曝露の影響をほぼリアルタイムで評価できないことで汚される。 これを解決するために、環境汚染物質の正確なデジタルツインを開発することで、タイムリーなデータ駆動分析が可能になる。
  論文  参考訳（メタデータ） (2026-04-21T01:56:46Z)
• STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
  大気汚染予測は、都市管理と健全な建物の開発に不可欠である。 車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。 これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
  論文  参考訳（メタデータ） (2025-12-04T02:17:19Z)
• 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)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• REOBench: Benchmarking Robustness of Earth Observation Foundation Models [48.24281482353377]
  REOBenchは、地球観測基盤モデルの堅牢性を評価するための最初の総合的なベンチマークである。 マスク付き画像モデリング、コントラスト学習、視覚言語事前学習パラダイムを用いて訓練された幅広いモデルの体系的評価を行う。 その結果, 既存の地球観測基盤モデルでは, 入力汚損に晒された場合, 顕著な性能劣化がみられた。
  論文  参考訳（メタデータ） (2025-05-22T15:34:50Z)
• Appa: Bending Weather Dynamics with Latent Diffusion Models for Global Data Assimilation [4.430758443755128]
  Appaはスコアベースのデータ同化モデルで、地球規模の大気軌道を0.25度と1時間間隔で生成する。 この結果から,将来的な大気モデルシステムの基礎として,潜在スコアに基づくデータ同化が確立される。
  論文  参考訳（メタデータ） (2025-04-25T22:14:29Z)
• Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts [0.11249583407496218]
  大気汚染は公衆衛生、特に都市部において重大な脅威となる。 本研究では, センチネル5P衛星のデータ, 気象条件, トポロジカル特性を統合し, 5つの主要な汚染物質の将来レベルを予測する機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:02:53Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• 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。