文献

J-GLOBAL ID：202202237635960356   整理番号：22A0441496

深層学習技術を用いた時間的PM_2.5,硝酸塩および硫酸塩のキャラクタリゼーション【JST・京大機械翻訳】

Characterization of temporal PM2.5, nitrate, and sulfate using deep learning techniques

著者 (4件)： Lin Guan-Yu (Department of Environmental Science and Engineering, Tunghai University, Taichung, 407302, Taiwan) ,  Chen Ho-Wen (Department of Environmental Science and Engineering, Tunghai University, Taichung, 407302, Taiwan) ,  Chen Bin-Jiun (Department of Environmental Science and Engineering, Tunghai University, Taichung, 407302, Taiwan) ,  Yang Yi-Cong (Department of Environmental Science and Engineering, Tunghai University, Taichung, 407302, Taiwan)
資料名： Atmospheric Pollution Research  (Atmospheric Pollution Research)
巻： 13  号： 1  ページ： Null  発行年： 2022年 
JST資料番号： W3357A  ISSN： 1309-1042  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 水溶性無機塩(WIS)はPM_2.5の大きな画分に寄与し,ヒトの健康と環境に対する悪影響の原因となる。曝露評価と効果的低減戦略開発のためにPM_2.5とWISの長期変動傾向を研究することは重要である。本研究では,PM_2.5,硝酸塩(NO_3-),および硫酸塩(SO_42-)予測のための多段階先行人工ニューラルネットワーク(MSA-ANN)と長い短期メモリ完全接続(LSTM-FC)モデルを開発し,高い時間分解能データセットを提供した。結果は,入力変数として用いたHNO_3とHSO_3-の反応速度生成速度が,PM_2.5,NO_3-,およびSO_42-予測に対する本モデルの精度を改善することを示した。MSA-ANNはPM_2.5,NO_3-,およびSO_42-のそれぞれ80~83%,93%,および91%をt+1予測水平で予測できた。t+4とt+8への予測層の増加とともに,現在のモデルはPM_2.5,NO_3-,SO_42-の時間変動を良好に追跡し,厳しい汚染事象中のピーク値を捕捉できる。提案方法は,PM_2.5,NO_3-,およびSO_42-の地域時間的変動傾向を予測し,限られたWIS測定の地域のデータギャップを埋めるのに適用できる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  反応速度 ,  ニューラルネットワーク ,  *硝酸塩 ,  *硫酸塩 ,  経時変化 ,  水溶性 ,  ピーク値 ,  キャラクタリゼーション ,  時間分解能 ,  予測モデル
準シソーラス用語： 生成速度 ,  *深層学習 ,  ヒトの健康 , 【Automatic Indexing@JST】

著者キーワード (4件)： 水溶性無機塩(WIS) ,  人工ニューラルネットワーク(ANN) ,  多段前方予測モデル ,  WIS予測

分類 (1件)： 粒状物調査測定  (SB03060E)

タイトルに関連する用語 (4件)： 深層学習 ,  硝酸塩 ,  硫酸塩 ,  キャラクタリゼーション