Environmental Sensor Placement with Convolutional Gaussian Neural Processes

要約

環境センサーは、気象条件と気候変動の影響を監視するために不可欠です。
ただし、特に南極のような遠隔地では、測定情報を最大化し、センサーを効率的に配置することは困難です。
確率的機械学習モデルは、新しいセンサーによって提供される不確実性の減少を予測することにより、配置の情報価値を評価できます。
ガウス過程 (GP) モデルはこの目的で広く使用されていますが、複雑な非定常動作のキャプチャと大規模なデータセットへのスケーリングに苦労しています。
この論文では、畳み込みガウス ニューラル プロセス (ConvGNP) を使用してこれらの問題に対処することを提案します。
ConvGNP はニューラル ネットワークを使用して、任意のターゲット位置で結合ガウス分布をパラメーター化し、柔軟性とスケーラビリティを実現します。
ConvGNP は、シミュレートされた南極上の地表気温の異常をグラウンド トゥルースとして使用して、空間的および季節的な非定常性を学習し、非定常 GP ベースラインよりも優れています。
シミュレートされたセンサー配置実験では、ConvGNP は GP ベースラインよりも新しい観測から得られるパフォーマンスの向上をより適切に予測し、より有益なセンサー配置につながります。
私たちのアプローチを物理ベースのセンサー配置方法と対比し、運用上のセンサー配置推奨システムに向けた将来の作業を提案します。
このシステムは、現実のデジタル表現を改善するために測定サンプリングを積極的に指示する環境デジタル ツインの実現に役立つ可能性があります。

要約(オリジナル)

Environmental sensors are crucial for monitoring weather conditions and the impacts of climate change. However, it is challenging to maximise measurement informativeness and place sensors efficiently, particularly in remote regions like Antarctica. Probabilistic machine learning models can evaluate placement informativeness by predicting the uncertainty reduction provided by a new sensor. Gaussian process (GP) models are widely used for this purpose, but they struggle with capturing complex non-stationary behaviour and scaling to large datasets. This paper proposes using a convolutional Gaussian neural process (ConvGNP) to address these issues. A ConvGNP uses neural networks to parameterise a joint Gaussian distribution at arbitrary target locations, enabling flexibility and scalability. Using simulated surface air temperature anomaly over Antarctica as ground truth, the ConvGNP learns spatial and seasonal non-stationarities, outperforming a non-stationary GP baseline. In a simulated sensor placement experiment, the ConvGNP better predicts the performance boost obtained from new observations than GP baselines, leading to more informative sensor placements. We contrast our approach with physics-based sensor placement methods and propose future work towards an operational sensor placement recommendation system. This system could help to realise environmental digital twins that actively direct measurement sampling to improve the digital representation of reality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google