文献

J-GLOBAL ID：202102239694775768   整理番号：21A2454465

衛星AODとPM_2.5の時空間推定のためのロバストな深層学習アプローチ【JST・京大機械翻訳】

A Robust Deep Learning Approach for Spatiotemporal Estimation of Satellite AOD and PM2.5

著者 (3件)： Li Lianfa (State Key Laboratory of Resources and Environmental Information Systems, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Datun Road, Beijing 100101, China) ,  Li Lianfa (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Li Lianfa (Spatial Data Intelligence Lab Ltd. Liability Co., Casper, WY 82609, USA)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 2  ページ： 264  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 高時空間分解能での直径2.5m(PM_2.5)の微粒子物質の正確な推定は,その健康影響の評価に重要である。以前の研究は,限られた地上測定と時空間共変量の利用可能性を含む複数の課題に直面している。大気補正(MAIAC)の多角実装は,高時空分解能で衛星エアロゾル光学的深さ(AOD)を検索するが,大量の非ランダム欠測はPM_2.5推定におけるその応用をかなり制限する。ここでは,深層学習アプローチ,すなわち,自動エンコーダベース残差深層ネットワークのブートストラップ集合(袋掛け)を開発し,MAIAC AODのロバスト帰属を行い,さらに高い空間(1km)と時間的(日)分解能でPM_2.5を推定した。ベースモデルは,学習性能を改善するために,残差接続を導入したオートエンコーダベースの残差ネットワークで構成した。残差ネットワークのバギングを用いて,より良い精度と不確実性推定のためのアンサンブル予測を生成した。事例研究として,提案したアプローチを適用して,2015年の中国のJing-Jin-Ji大都市地域における毎日の衛星AODを impし,続いて毎日のPM_2.5を推定した。提示した手法は,AOD補完(平均試験R2:0.96;平均試験RMSE:0.06)およびPM_2.5推定(試験R2:0.90;試験RMSE:22.3g/m3)において競合性能を達成した。北京のU.S.Embasyの監視所での地上AERONET AODとPM_2.5測定を用いた追加独立試験において,この手法は,高いR2(0.820.97)を達成した。最先端の機械学習法,XGBoostと比較して,提案した方式は予測PM_2.5表面に対してより妥当な空間変動を生成した。使用した公的に利用可能な共変量は,気象学,MERRA2 PBLHおよびAOD,座標および標高を含んだ。雲画分や土地利用のような他の共変量は利用不能のため使用されなかった。検証と独立試験の結果は,大量の欠測値を持つ衛星AODを用いたPM_2.5の曝露評価における提案アプローチの有用性を実証した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ブートストラップ ,  ネットワーク ,  不確実性 ,  土地利用 ,  残差 ,  気象学 ,  微粒子 ,  大都市 ,  符号器 ,  事例研究 ,  *ロバスト性 ,  機械学習 ,  大気補正
準シソーラス用語： エアロゾル光学的深さ ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (7件)： PM_2.5 ,  衛星AOD ,  深層学習 ,  自動エンコーダ ,  残存ネットワーク ,  曝露推定 ,  高時空分解能

分類 (1件)： 粒状物調査測定  (SB03060E)

引用文献 (102件)：

• EPA. Health and Environmental Effects of Particulate Matter (PM). Available online: https://www.epa.gov/pm-pollution/health-and-environmental-effects-particulate-matter-pm (accessed on 1 September 2019). WHO. Health Effects of Particular Matter: Policy Implications for Countries in Eastern Europe, Caucasus and Central ASIA; The WHO Regional Office for Europe: Copenhagen, Denmark, 2013.
• WHO. Review of Evidence on Health Aspects of Air Pollution-REVIHAAP Project: Final Technical Report; The WHO European Centre for Environment and Health: Bonn, Switzerland, 2013.
• Kato, Y. Application of dust and PM2.5 detection methods using MODIS data to the Asian dust events which aggravated Respiratory Symptoms in Western Japan in May 2011. Proc. SPIE 2018, 10776.
• Prieto-Parra, L.; Yohannessen, K.; Brea, C.; Vidal, D.; Ubilla, C.A.; Ruiz-Rudolph, P. Air pollution, PM2.5 composition, source factors, and respiratory symptoms in asthmatic and nonasthmatic children in Santiago, Chile. Environ. Int. 2017, 101, 190-200.
• Zeng, X.; Xu, X.J.; Zheng, X.B.; Reponen, T.; Chen, A.M.; Huo, X. Heavy metals in PM2.5 and in blood, and children’s respiratory symptoms and asthma from an e-waste recycling area. Environ. Pollut. 2016, 210, 346-353.

タイトルに関連する用語 (5件)： 衛星 ,  時空間 ,  推定 ,  ロバスト ,  深層学習