Abstract
大気中の二酸化窒素（NO_2）および二酸化硫黄（SO_2）を正確に評価することは、気候と大気質の相互作用を理解し、環境政策を支援し、公衆衛生を守るうえで不可欠である。従来のモニタリング手法には限界がある。衛星観測は広い空間的カバー範囲を提供する一方でデータ欠損に悩まされ、地上設置型センサーは高い時間分解能を持つものの空間範囲は限られている。これらの課題に対処するため、本研究では、Sentinel-5P TROPOMI の鉛直方向積算量（VCD）データと地上レベルの観測データを統合する Vision Transformer（ViT）ベースの枠組み「PollutionNet」を提案する。自己注意機構を活用することで、PollutionNet は従来の CNN および RNN モデルでは見落とされがちな複雑な時空間依存性を捉える。アイルランド（2020〜2021年）への適用事例では、PollutionNet が最先端の性能を達成することが示されている（NO_2 で RMSE: 6.89 bcg/m^3、SO_2 で 4.49 bcg/m^3）。これは、基準となるモデルと比較して最大 14% の予測誤差低減を実現する。精度の向上に加えて、PollutionNet は応用気候学のためのスケーラブルかつデータ効率の高い手段を提供し、モニタリング網が乏しい地域においても堅牢な汚染評価を可能にする。これらの結果は、高度な機械学習アプローチが、気候に関連した大気質研究を強化し、環境管理に情報を提供し、持続可能な政策決定を支える可能性を示している。
