論文の概要: AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting--Extended Version

• arxiv url: http://arxiv.org/abs/2610.16630v1
• Date: Mon, 12 Oct 2026 11:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.367074
• Title: AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting--Extended Version
• Title（参考訳）: AeroChem: 閉ループ物理-化学反応による大気質予測のための状態空間モデリング-拡張バージョン
• Abstract要約: AeroChemは、化学反応性の空気質予測のための閉ループ物理学インフォームドステートスペースフレームワークである。 我々は,汚染物質濃度,気象,エミッションインベントリを統合した実世界のデータセットであるハノイエアを紹介した。 ハノイエアの実験と公開ベンチマークは、AeroChemが長期の安定性と突然の変化予測を改善していることを示している。
• 参考スコア（独自算出の注目度）: 5.350652853503004
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate long-term air quality forecasting is challenging due to long-range transport, meteorological variability, and nonlinear chemical reactions underlying secondary pollutant formation. Purely data-driven models often suffer from long-horizon drift and lack physical consistency, while existing physics-informed approaches commonly follow open-loop designs that fuse neural and physical components only at the output level. We propose AeroChem, a closed-loop physics-informed state space framework for chemically reactive air quality forecasting. AeroChem adopts a two-branch co-correction design: a UDE-based process branch provides a structured but imperfect physical prior, while a Mamba-based virtual measurement branch captures long-range temporal context and produces probabilistic virtual observations. Neural Kalman Fusion couples the two branches by correcting the latent physical state at each forecasting step and feeding the posterior state back into the simulator, reducing long-horizon drift. We further introduce HanoiAir, a real-world dataset integrating pollutant concentrations, meteorology, and emission inventories. Experiments on HanoiAir and a public benchmark show that AeroChem improves long-horizon stability and sudden-change forecasting.
• Abstract（参考訳）: 大気質の正確な予測は、長距離輸送、気象変動、二次汚染物質形成の根底にある非線形化学反応によって困難である。 純粋にデータ駆動型モデルは長い水平ドリフトに悩まされ、物理的整合性に欠けることが多いが、既存の物理インフォームドアプローチは、出力レベルでのみ神経と物理的コンポーネントを融合するオープンループ設計に従うのが一般的である。 化学反応性空気質予測のための閉ループ物理インフォームドステートスペースフレームワークであるAeroChemを提案する。 UDEベースのプロセスブランチは、構造化されているが不完全な物理的事前を提供する一方、Mambaベースの仮想測定ブランチは、長距離の時間的コンテキストをキャプチャし、確率的仮想観測を生成する。 ニューラルカルマン・フュージョンは、予測ステップごとに潜伏状態を修正し、後部状態をシミュレータに戻すことで2つの枝を結合し、長い水平ドリフトを減少させる。 さらに、汚染物質濃度、気象、排出在庫を統合する実世界のデータセットであるハノイエアを紹介します。 ハノイエアの実験と公開ベンチマークは、AeroChemが長期の安定性と突然の変化予測を改善していることを示している。

関連論文リスト

• 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)
• Interpretable Air Pollution Forecasting by Physics-Guided Spatiotemporal Decoupling [4.606462413596598]
  本研究では,物理誘導型,解釈可能な時間差学習フレームワークを提案する。 我々のモデルは、複数の予測地平線にまたがる最先端のベースラインを一貫して上回る。 予測性能と解釈可能性の統合は,実世界のアプリケーションにおいて,より信頼性の高い航空品質管理基盤を提供する。
  論文  参考訳（メタデータ） (2025-11-25T12:36:27Z)
• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• 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)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• 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)
• Challenges of learning multi-scale dynamics with AI weather models: Implications for stability and one solution [0.0]
  現在のAIベースの天気モデルでは、数週間または数ヶ月以上経つと、短期的な天気予報を正確に行うことができる。 不安定性の原因は不明であり、安定性の地平線を改善するために用いられる手法はアドホックであり、厳密な理論を欠いている。 我々は、気候システムのための長期的物理的に一貫性のあるデータ駆動モデルを開発し、正確な短期予測を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven Modeling of Air Pollutants [2.578242050187029]
  本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。 汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。 以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-13T16:46:07Z)

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。