DSGNN: A Dual-View Supergrid-Aware Graph Neural Network for Regional Air Quality Estimation

要約

大気質推定は、大気質ステーションなしで対象地域の大気質を提供できるため、公衆にとって役立ちます。
既存の大気質推定手法は、調査対象エリアをばらばらのグリッド領域に分割し、2D 畳み込みを適用して、地理の第一法則に基づいて隣接するグリッド領域の空間依存性をモデル化するため、離れたグリッド領域の空間依存性をモデル化できません。
この目的を達成するために、我々は、地域の大気質推定のためのデュアルビュー スーパーグリッド対応グラフ ニューラル ネットワーク (DSGNN) を提案します。DSGNN は、デュアル ビュー (衛星由来のエアロゾル光学深度 (AOD) など) から離れたグリッド領域の空間依存性をモデル化できます。
と気象学）。
具体的には、画像は地域データ (つまり、AOD データや気象データ) を表すために利用されます。
デュアルビュー スーパーグリッド学習モジュールは、パラメーター化された方法でスーパーグリッドを生成するために導入されています。
デュアルビュー スーパーグリッドに基づいて、ペアワイズ スーパーグリッド間の相関を学習するためにデュアルビュー暗黙的相関エンコーディング モジュールが導入されます。
さらに、デュアルビュー メッセージ パッシング ネットワークが導入され、スーパーグリッド グラフと画像上での情報対話が実装されます。
2 つの現実世界のデータセットに対する広範な実験により、DSGNN が大気質推定タスクで最先端のパフォーマンスを達成し、MAE の最良のベースラインを平均 19.64% 上回っていることが実証されました。

要約(オリジナル)

Air quality estimation can provide air quality for target regions without air quality stations, which is useful for the public. Existing air quality estimation methods divide the study area into disjointed grid regions, and apply 2D convolution to model the spatial dependencies of adjacent grid regions based on the first law of geography, failing to model the spatial dependencies of distant grid regions. To this end, we propose a Dual-view Supergrid-aware Graph Neural Network (DSGNN) for regional air quality estimation, which can model the spatial dependencies of distant grid regions from dual views (i.e., satellite-derived aerosol optical depth (AOD) and meteorology). Specifically, images are utilized to represent the regional data (i.e., AOD data and meteorology data). The dual-view supergrid learning module is introduced to generate supergrids in a parameterized way. Based on the dual-view supergrids, the dual-view implicit correlation encoding module is introduced to learn the correlations between pairwise supergrids. In addition, the dual-view message passing network is introduced to implement the information interaction on the supergrid graphs and images. Extensive experiments on two real-world datasets demonstrate that DSGNN achieves the state-of-the-art performances on the air quality estimation task, outperforming the best baseline by an average of 19.64% in MAE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google