基于稀疏不变卷积神经网络的野火烟雾颗粒物密集预报
计算机视觉与模式识别
2020-09-25 v1 机器学习
摘要
对野火烟雾产生的细颗粒物(PM2.5)的准确预报对保护心肺公共卫生至关重要。现有的预报系统在不准确且稀疏的真值上训练,且未充分利用重要的空间归纳偏置。在本工作中,我们提出了一种始终保持稀疏不变性的卷积神经网络,并利用多任务学习来执行PM2.5值的密集预报。我们证明,在加拿大不列颠哥伦比亚省2018和2019年野火季期间,我们的模型优于两个现有的烟雾预报系统,以10 km网格分辨率、提前24小时高保真地预测PM2.5。最有趣的是,尽管仅在0.5%的网格单元中有不规则分布的地面真值PM2.5值可用,我们的模型仍能泛化出有意义的烟雾扩散模式。
引用
@article{arxiv.2009.11362,
title = {Dense Forecasting of Wildfire Smoke Particulate Matter Using Sparsity Invariant Convolutional Neural Networks},
author = {Renhao Wang and Ashutosh Bhudia and Brandon Dos Remedios and Minnie Teng and Raymond Ng},
journal= {arXiv preprint arXiv:2009.11362},
year = {2020}
}
备注
Submitted to the 2020 NeurIPS Workshop on Machine learning in Public Health