Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

EmissionNet: Dự báo ô nhiễm chất lượng không khí cho nông nghiệp

Created by
  • Haebom

Tác giả

Prady Saligram, Tanvir Bhathal

Phác thảo

Bài báo này đề cập đến tác động của ô nhiễm không khí nông nghiệp đến môi trường và sức khỏe cộng đồng. Các mô hình dự báo chất lượng không khí hiện có dựa trên các phương pháp vật lý, vốn khó nắm bắt được các tương tác phức tạp và phi tuyến tính giữa các chất ô nhiễm. Do đó, nghiên cứu này đánh giá các kiến trúc phổ biến và đề xuất hai kiến trúc học sâu mới, EmissionNet (ENV) và EmissionNet-Transformer (ENT), để dự báo lượng khí thải N₂O nông nghiệp. Các mô hình này tận dụng kiến trúc tích chập và kiến trúc dựa trên máy biến áp để trích xuất các mối quan hệ không gian-thời gian từ dữ liệu phát thải có độ phân giải cao.

Takeaways, Limitations

Takeaways:
Chúng tôi trình bày khả năng cải thiện độ chính xác của dự đoán phát thải N₂O trong nông nghiệp thông qua kiến trúc mới (EmissionNet, EmissionNet-Transformer) dựa trên công nghệ học sâu.
Chúng tôi trình bày một phương pháp để nắm bắt hiệu quả sự phụ thuộc không gian-thời gian bằng cách sử dụng dữ liệu phát xạ có độ phân giải cao.
Trình bày một giải pháp thay thế có thể khắc phục được những hạn chế của các mô hình vật lý hiện có.
Limitations:
Cần nghiên cứu thêm để đánh giá hiệu suất tổng quát của mô hình đề xuất và khả năng áp dụng của nó vào nhiều môi trường nông nghiệp khác nhau.
Cần nghiên cứu thêm để xác định khả năng diễn giải của mô hình.
Độ Chính xác và độ tin cậy của dữ liệu đo phát thải N₂O thực tế cần được xem xét lại.
👍