Augmenting Ground-Level PM2.5 Prediction via Kriging-Based Pseudo-Label Generation

要約

豊富な衛星データとまばらな地上測定値を融合することは、気候モデリングにおける大きな課題となります。
これに対処するために、通常のクリギングとして知られる空間補間技術を通じて生成された擬似ラベルと組み合わせたラベルなしの衛星画像を導入することでトレーニング データセットを強化し、それによって利用可能な衛星データ リソースを最大限に活用する戦略を提案します。
提案されたデータ拡張戦略が、最先端の畳み込みニューラル ネットワーク ランダム フォレスト (CNN-RF) モデルのパフォーマンスを合理的な量だけ向上させるのに役立ち、その結果、空間相関が顕著に改善され、
予測エラー。

要約(オリジナル)

Fusing abundant satellite data with sparse ground measurements constitutes a major challenge in climate modeling. To address this, we propose a strategy to augment the training dataset by introducing unlabeled satellite images paired with pseudo-labels generated through a spatial interpolation technique known as ordinary kriging, thereby making full use of the available satellite data resources. We show that the proposed data augmentation strategy helps enhance the performance of the state-of-the-art convolutional neural network-random forest (CNN-RF) model by a reasonable amount, resulting in a noteworthy improvement in spatial correlation and a reduction in prediction error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google