論文の概要: Nowcasting aerosol particle size distributions from PM2.5 with physics-regularized flow matching

• arxiv url: http://arxiv.org/abs/2610.33557v1
• Date: Sat, 24 Oct 2026 09:16:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.359866
• Title: Nowcasting aerosol particle size distributions from PM2.5 with physics-regularized flow matching
• Title（参考訳）: 物理規則化された流れマッチングによるPM2.5からのエアロゾル粒子径分布の可視化
• Abstract要約: ヒト呼吸路における気相取り込み,雲滴形成,沈着などのエアロゾル効果は粒子数分布(PSD)に依存する PM2.5 レコードから PSD を解析し,24 時間ウィンドウ上で8 つの気象パラメータを解析した。 我々は、決定論的および気候学的基準線に対して、6つの生成モデルをベンチマークし、サイト間の局所的および後移動、ニューラルネットワークトレーニングの物理的制約をテストする。
• 参考スコア（独自算出の注目度）: 5.987010268572668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The mass concentration of particles smaller than 2.5um (PM2.5) is cheap to measure and widely monitored, whereas the particle number size distribution (PSD) requires costly instruments and is measured at only a few research stations. Yet many aerosol effects, such as vapor uptake, cloud droplet formation and deposition in the human respiratory tract, depend on the PSD rather than on mass. We explore whether recent generative deep learning models can nowcast the PSD: from the PM2.5 record and eight meteorological parameters over a 24h window, a model generates an ensemble of plausible hourly size distributions for the same window, reflecting that one mass can arise from many size distributions. Rather than proposing a single best model, we use two contrasting Finnish stations, the boreal forest site Hyytiälä and the urban site Kumpula, as a controlled testbed. On it, we benchmark six generative models against deterministic and climatological baselines, locally and after transfer between sites, and test physical constraints for neural network training. Flow matching performs best overall; its guided variant has the lowest continuous ranked probability score (CRPS) at both sites. A constraint based on a reduced aerosol general dynamic equation (GDE) lowers the CRPS by 5.5-11.5% at the training site and reduces errors after transfer between sites. Transfer remains harder than local estimation, identifying training on large multi-station data sets as the next step towards PSD estimates at unmonitored locations. This benchmark establishes physics-informed generative models as a promising route from routine air-quality monitoring to size-resolved aerosol information.
• Abstract（参考訳）: 2.5um (PM2.5)未満の粒子の質量濃度は、測定が安価で広く監視されているのに対し、PSDは高価な測定器を必要とし、少数の研究ステーションで測定されている。 しかし、蒸気の取り込み、雲の滴の形成、ヒトの呼吸路の沈着といった多くのエアロゾル効果は、質量ではなくPSDに依存している。 PM2.5レコードと8つの気象パラメータを24時間ウィンドウ上で生成し、同じウィンドウに対して時間単位の時間分布の集合を生成することで、1つの質量が多くのサイズ分布から生じることを反映して、最近の生成的ディープラーニングモデルがPSDを放送できるかどうかを考察する。 一つの最良のモデルを提案するのではなく、2つの対照的なフィンランドの駅、すなわちボレア林のハイティエラと都市部のクンプラを対照試験場として使っている。 そこで我々は,決定論的および気候学的ベースラインに対する6つの生成モデル,サイト間の局所的および後的移動,ニューラルネットワークトレーニングにおける物理的制約の検証についてベンチマークを行った。 フローマッチングは全体として最も優れており、ガイド付き変種は両サイトにおいて最低連続ランクの確率スコア(CRPS)を有する。 還元エアロゾル一般力学方程式(GDE)に基づく制約は、訓練現場でCRPSを5.5-11.5%低下させ、サイト間の移動後にエラーを減少させる。 転送は局所的な推定よりも難しく、大規模なマルチステーションデータセット上でのトレーニングを、監視されていない場所でのPSD推定に向けた次のステップとして特定する。 本ベンチマークでは, 物理インフォームド生成モデルを, 常用空気質モニタリングから大容量エアロゾル情報への有望な経路として確立する。

関連論文リスト

• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。 ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• 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)
• A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data [0.0]
  PM2.5$の高濃度への曝露は、呼吸や心血管系病院の入院の増加、救急部門の訪問や死亡の増大と関係している。 伝統的な空気質監視システムは、空間的および時間的データに制限がある。 低コストセンサーの出現により、空気品質データの粒度が劇的に向上し、リアルタイムで高解像度なモニタリングが可能になった。 この研究は、PurpleAirセンサーからの広範なデータを利用して、カリフォルニア州全体で正確な時間ごとのPM$_2.5$マップの作成において、様々な統計モデルと機械学習モデルの有効性を評価し、比較する。
  論文  参考訳（メタデータ） (2025-09-15T15:32:57Z)
• Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
  ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。 このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。 実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-08-15T04:46:25Z)
• Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture [9.955223104442755]
  本稿では,PM2.5濃度の予測に係わる依存関係を具体的に把握するS-Temporal Graph Networkアーキテクチャを提案する。 本モデルは,グラフニューラルネットワーク(Transformerv)を付加した再帰単位(GRU)を利用して空間拡散を考慮したエンコーダ・デコーダアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2024-12-18T15:18:12Z)
• Masked Diffusion Models are Secretly Time-Agnostic Masked Models and Exploit Inaccurate Categorical Sampling [47.82616476928464]
  仮面拡散モデル (MDM) は離散データの生成モデルとして人気がある。 我々はMDMのトレーニングとサンプリングの両方が理論的に時間変数から解放されていることを示す。 一般に使用されている32ビット浮動小数点精度においても,まず基礎となる数値問題を同定した。
  論文  参考訳（メタデータ） (2024-09-04T17:48:19Z)
• 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)
• A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks [7.131106953836335]
  PM2.5の伝播予測システムは、地域社会への健康影響を減らす早期警戒システムとして、より詳細で正確な情報を提供する。 本研究は,台湾の大気質モニタリングシステムのデータセットを用いて行った。 一般に、測定ノード間の結合を空間的にも時間的にも考慮し、正確な予測結果を提供することができる。
  論文  参考訳（メタデータ） (2021-01-15T17:00:04Z)

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。