مقاله شبکه های مخالف مولد علیت برای کنترل آلودگی نوری

چکیده

Artificial light plays an integral role in modern cities, significantly enhancing human productivity and the efficiency of civilization. However, excessive illumination can lead to light pollution, posing non-negligible threats to economic burdens, ecosystems, and human health. Despite its critical importance, the exploration of its causes remains relatively limited within the field of artificial intelligence, leaving an incomplete understanding of the factors contributing to light pollution and sustainable illumination planning distant. To address this gap, we introduce a novel framework named Causally Aware Generative Adversarial Networks (CAGAN). This innovative approach aims to uncover the fundamental drivers of light pollution within cities and offer intelligent solutions for optimal illumination resource allocation in the context of sustainable urban development. We commence by examining light pollution across 33,593 residential areas in seven global metropolises. Our findings reveal substantial influences on light pollution levels from various building types, notably grasslands, commercial centers and residential buildings as significant contributors. These discovered causal relationships are seamlessly integrated into the generative modeling framework, guiding the process of generating light pollution maps for diverse residential areas. Extensive experiments showcase CAGAN’s potential to inform and guide the implementation of effective strategies to mitigate light pollution. Our code and data are publicly available at https://github.com/zhangyuuao/Light_Pollution_CAGAN.

چکیده به فارسی (ترجمه ماشینی)

نور مصنوعی نقش اساسی در شهرهای مدرن دارد ، به طور قابل توجهی بهره وری انسان و کارآیی تمدن را افزایش می دهد.با این حال ، روشنایی بیش از حد می تواند منجر به آلودگی نور شود و تهدیدات غیر قابل تحمل برای بارهای اقتصادی ، اکوسیستم ها و سلامت انسان ایجاد شود.علیرغم اهمیت حیاتی آن ، اکتشاف علل آن در حوزه هوش مصنوعی نسبتاً محدود است و درک ناقص از عوامل مؤثر در آلودگی نور و برنامه ریزی روشنایی پایدار را از راه دور می گذارد.برای پرداختن به این شکاف ، ما یک چارچوب جدید به نام شبکه های مخالف مولد علل (CAGAN) را معرفی می کنیم.این رویکرد نوآورانه با هدف کشف محرکهای اساسی آلودگی نور در شهرها و ارائه راه حل های هوشمندانه برای تخصیص منابع بهینه بهینه در زمینه توسعه پایدار شهری.ما با بررسی آلودگی نور در 33.593 منطقه مسکونی در هفت کلانشهر جهانی شروع می کنیم.یافته های ما تأثیرات قابل توجهی در سطح آلودگی نور از انواع مختلف ساختمان ، به ویژه چمنزارها ، مراکز تجاری و ساختمانهای مسکونی به عنوان مشارکت کنندگان مهم نشان می دهد.این روابط علّی کشف شده یکپارچه در چارچوب مدل سازی تولیدی ادغام می شوند و روند تولید نقشه های آلودگی نور را برای مناطق مسکونی متنوع هدایت می کنند.آزمایش های گسترده پتانسیل کاگان را برای اطلاع رسانی و راهنمایی اجرای استراتژی های مؤثر برای کاهش آلودگی نور نشان می دهد.کد و داده های ما به صورت عمومی در https://github.com/zhangyuuao/light_pollution_cagan در دسترس است.