| タイトル |
Explainable Machine Learning-Based Electric Field Strength Mapping for Urban Environmental Monitoring: A Case Study in Paris Integrating Geographical Features and Explainable AI
|
| 日本語タイトル |
都市環境モニタリングのための説明可能な機械学習ベースの電界強度マッピング：地理的特徴と説明可能なAIを統合したパリのケーススタディ
|
| 著者 |
Kiouvrekis Y, Psomadakis I, Vavouranakis K, Zikas S, Katis I, Tsilikas I, Panagiotakopoulos T, Filippopoulos I
|
| 所属 |
Mathematics, Computer Science and Artificial Intelligence Laboratory, Faculty of Public and One Health, University of Thessaly
|
資料区分 |
論文
|
| 雑誌名 |
Electronics
|
文献区分 |
原著論文・短報
|
| 発表年 |
2025
|
周波数区分 |
高周波(300kHz-30GHz)
|
| 巻/ISSN(号):ページ |
14 (2): 254
|
研究区分 |
ドシメトリ
|
| 国 |
Greece
|
PubMed ID |
|
| 論文情報入手日 |
2025-02-16
|
DOI |
10.3390/electronics14020254
|
| キーワード |
machine learning; explainable machine learning; electromagnetic field; electromagnetic field strength map; urban environmental monitoring
|
| 概要 |
この研究は、環境モニタリング分野を前進させるため、都市部における電界強度マップ構築に最適な機械学習モデルを決定した。これらのモデルは、電波測定値に加え、人口密度、都市化レベル、建物特性といった情報を取り入れた詳細なデータセットを使用している点において独自性を持つ。この斬新なアプローチは、説明可能なAIと組み合わせることで、電波ばく露に影響を与える主要な要因を特定するのに役立つ。これらのモデルにより、電波ばく露の高精細かつ動的なマップの作成が可能となる。これらのマップは、静的なスナップショットにとどまらず、経時的な変化を追跡し、緩和努力の成功を評価し、都市部における電磁界の分布に関するより深い洞察を提供する。詳細な電界強度マップを構築するため、パリの都市部全域で410の機械学習モデルを用いた広範な分析を実施した。この包括的な調査により、様々なモデル構成の評価と最適化が可能となり、多様な都市環境における電界強度の堅牢かつ正確な予測が保証される。分析の結果、kNNモデルはRMSEと性能の安定性の両面において、単純なニューラルネットワークや決定木よりも優れていることが示された。SHAP分析の結果から、アンテナ周辺地域の建物総体積を表す特徴量(V)が、kNN回帰モデルにおける電磁界強度予測において最も重要であり、予測全体を通して一貫して高い影響を示していることが結論付けられる。人口密度(POP)の特徴量もまた、相当な影響力を持つことが示されている。
|
