論文の概要: AirMPA: A Meteorology-to-Pollution Adapter for Global Air Quality Forecasting

• arxiv url: http://arxiv.org/abs/2610.25797v1
• Date: Mon, 19 Oct 2026 05:05:09 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:20:49.205989
• Title: AirMPA: A Meteorology-to-Pollution Adapter for Global Air Quality Forecasting
• Title（参考訳）: AirMPA:グローバルな大気質予測のための気象汚染適応器
• Abstract要約: 気象汚染予測のための分離自己回帰フレームワークであるAirMPAを提案する。 大気汚染物質13を0.4の空間分解能と12時間時間分解能で予測する。 実験の結果,AirMPAは5日間の予報地平線上での汚染物質リード時間評価の約90%において,Auroraより一貫して優れ,Copernicus Atmosphere Monitoring Service(CAMS)を上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 10.639073615968014
• License:
• Abstract: Accurate real-time forecasting of atmospheric pollutants is essential for reducing exposure risks and improving public health. Traditional numerical forecasting systems suffer from incomplete parameterizations, uncertain inputs, and high computational cost. Existing deep learning approaches improve efficiency, but often entangle meteorological and pollutant variables within unified forecasting frameworks, limiting flexibility and pollutant-specific representation learning. To address these challenges, we propose AirMPA, a decoupled autoregressive framework for meteorology-to-pollution forecasting. AirMPA predicts 13 atmospheric pollutants at 0.4° spatial resolution and 12-h temporal resolution using meteorological fields, emission priors, and historical pollutant concentrations. The model is built on an improved Swin-Transformer architecture with zonal release attention and dual-branch fusion, enabling more effective modeling of global transport continuity and heterogeneous pollutant dynamics. During training, AirMPA uses the fifth-generation atmospheric reanalysis from the European Centre for Medium-Range Weather Forecasts (ERA5) as meteorological forcing, while during inference it directly ingests forecast fields from external meteorological models, enabling stable autoregressive prediction up to 5 days ahead. Experiments show that AirMPA consistently outperforms Aurora and surpasses the Copernicus Atmosphere Monitoring Service (CAMS) in approximately 90% of pollutant-lead-time evaluation cases over the 5-day forecast horizon, while outperforming CAMS on all variables beyond 48 h. These results demonstrate the potential of decoupled meteorology-to-pollution forecasting for global air quality prediction.
• Abstract（参考訳）: 大気汚染物質の正確なリアルタイム予測は、被曝リスクの低減と公衆衛生の改善に不可欠である。 従来の数値予測システムは不完全なパラメータ化、不確実な入力、計算コストに悩まされている。 既存のディープラーニングアプローチは効率を向上するが、しばしば気象学や汚染変数を統合予測フレームワークに閉じ込め、柔軟性と汚染物質固有の表現学習を制限する。 これらの課題に対処するため,気象汚染予測のための分離自己回帰フレームワークであるAirMPAを提案する。 AirMPAは13の大気汚染物質を0.4°の空間分解能と12時間時間分解能で予測する。 このモデルは、改良されたSwin-Transformerアーキテクチャ上に構築され、粒子放出の注意と二重分岐融合により、グローバルトランスポートの連続性と不均一な汚染物質力学をより効果的にモデル化することができる。 トレーニング中、AirMPAは、欧州中レージ気象予報センター(ERA5)から第5世代大気分析を気象予測に使用し、推論中に外部気象モデルから予測フィールドを直接摂取し、最大5日前に安定した自己回帰予測を可能にした。 実験の結果、AirMPAはオーロラを常に上回り、コペルニクス大気モニタリングサービス(CAMS)を約90%上回り、5日間の予測地平線上での汚染物質-鉛時間評価の約90%を上回り、48時間を超える全ての変数でCAMSを上回っていることがわかった。 これらの結果は,地球規模の大気質予測のための解離気象-汚染予測の可能性を示している。

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)
• 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)
• MVAR: MultiVariate AutoRegressive Air Pollutants Forecasting Model [18.785110680719235]
  既存の研究は主に単一汚染物質予測に焦点を合わせ、異なる汚染物質間の相互作用と様々な空間応答を無視している。 本稿では, 長期風速入力への依存性を低減させる多変量自動回帰空気汚染予測モデルを提案する。 我々は2018年から2023年まで、中国北75都市6大汚染物質を包括的データセットを構築し、ERA5の再分析データとFuXi-2.0予測データを含む。
  論文  参考訳（メタデータ） (2025-07-16T08:30:41Z)
• FuXi-Air: Urban Air Quality Forecasting Based on Emission-Meteorology-Pollutant multimodal Machine Learning [22.270124698874934]
  高精度な空気質予測を支援するために,マルチモーダルデータ融合に基づく空気質予測モデルFuXi-Airを構築した。 このモデルでは、主要な大気汚染物質6種の72時間の予測を、25～30秒以内に複数の監視地点で時間分解能で完了させることに成功した。
  論文  参考訳（メタデータ） (2025-06-09T10:27:50Z)
• 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)
• Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling [5.236306661644172]
  伝統的な物理学に基づくモデルでは、気象学と大気汚染プロセスの結合によって地球規模の大気汚染を予測する。 既存のディープラーニング(DL)ソリューションでは,グローバル大気汚染予測にオンライン結合戦略を採用している。 本研究は,気象分野と汚染物質間のオフライン結合を実現するために,双線形プールを用いたDLベースのオフライン結合フレームワークを開拓した。
  論文  参考訳（メタデータ） (2025-03-24T07:24:31Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)

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。