論文の概要: GLOBUS: GLObal Building heights for Urban Studies

• arxiv url: http://arxiv.org/abs/2205.12224v1
• Date: Tue, 24 May 2022 17:34:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 16:40:54.835083
• Title: GLOBUS: GLObal Building heights for Urban Studies
• Title（参考訳）: globus: 都市研究のためのグローバル・ビルディング・ハイツ
• Authors: Harsh G. Kamath, Manmeet Singh, Lori A. Magruder, Zong-Liang Yang, Dev Niyogi
• Abstract要約: 本稿では,GLObal Building heights for Urban Studies (GLOBUS) と呼ばれるディープニューラルネットワーク (DNN) から得られた新しいレベル・オブ・ディーテール-1 (LoD-1) 構築データセットを紹介する。 GLOBUSからの建築情報は,都市ヒートアイランド(UHI)効果などの局所的な現象を研究するために,数値気象予報(NWP)や都市エネルギー収支モデルに取り入れることができる。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban weather and climate studies continue to be important as extreme events cause economic loss and impact public health. Weather models seek to represent urban areas but are oversimplified due to data availability, especially building information. This paper introduces a novel Level of Detail-1 (LoD-1) building dataset derived from a Deep Neural Network (DNN) called GLObal Building heights for Urban Studies (GLOBUS). GLOBUS uses open-source datasets as predictors: Advanced Land Observation Satellite (ALOS) Digital Surface Model (DSM) normalized using Shuttle Radar Topography Mission (SRTM) Digital Elevation Model (DEM), Landscan population density, and building footprints. The building information from GLOBUS can be ingested in Numerical Weather Prediction (NWP) and urban energy-water balance models to study localized phenomena such as the Urban Heat Island (UHI) effect. GLOBUS has been trained and validated using the United States Geological Survey (USGS) 3DEP Light Detection and Ranging (LiDAR) data. We used data from 5 US cities for training and the model was validated over 6 cities. Performance metrics are computed at a spatial resolution of 300-meter. The Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE) were 5.15 meters and 28.8 %, respectively. The standard deviation and histogram of building heights over a 300-meter grid are well represented using GLOBUS.
• Abstract（参考訳）: 極端な出来事が経済的損失を招き、公衆衛生に影響を及ぼすため、都市気候と気候の研究は引き続き重要である。 気象モデルは都市部を表現しようとするが、データの可用性、特に建築情報により単純化されている。 本稿では,GLObal Building heights for Urban Studies (GLOBUS) と呼ばれるディープニューラルネットワーク(DNN)から得られた,新たなDetail-1(LoD-1)構築データセットを紹介する。 globusはオープンソースのデータセットを予測器として使っている: advanced land observation satellite (alos) digital surface model (dsm) shuttle radar topography mission (srtm) digital elevation model (dem) landscan population density, and building footprints。 GLOBUSからの建築情報は,都市ヒートアイランド(UHI)効果などの局所的な現象を研究するために,数値気象予報(NWP)や都市エネルギー収支モデルに取り入れることができる。 GLOBUSは米国地質調査所(USGS)の3DEP光検出およびラングリング(LiDAR)データを用いて訓練され、検証されている。 私たちは5つの米国都市のデータをトレーニングに使用し、モデルを6都市で検証しました。 性能指標は空間分解能300mで計算される。 Root Mean Squared Error (RMSE)とMean Absolute Percentage Error (MAPE)はそれぞれ5.15mと28.8%であった。 建物の高さの標準偏差とヒストグラムはGLOBUSを用いてよく表現されている。

関連論文リスト

• Predicting Air Temperature from Volumetric Urban Morphology with Machine Learning [0.0]
  本稿では,都市などの大規模データセットに対して,効率的にかつ高速に動作するVoxelにCityGMLデータを変換する手法を提案する。 複数の都市の3D都市データとそれに対応する気温データを用いて、機械学習モデルを開発する。
  論文  参考訳（メタデータ） (2025-01-16T11:10:38Z)
• Adopting Explainable-AI to investigate the impact of urban morphology design on energy and environmental performance in dry-arid climates [0.0]
  本研究では,都市建築エネルギーモデリング(UBEM)と機械学習(ML)と説明可能なAI技術を組み合わせた都市形態評価手法を提案する。 テヘランの密集した都市景観をケーススタディとして、この研究は30の形態パラメータが主要なエネルギー指標に与える影響を評価し、ランク付けする。 その結果、建築形態、窓と壁の比率、商業比率がエネルギー効率に影響を与える最も重要なパラメータであることが判明した。
  論文  参考訳（メタデータ） (2024-12-13T09:19:49Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• A global product of fine-scale urban building height based on spaceborne lidar [14.651500878252723]
  我々は2020年ごろに150mの細いグリッドサイズを基準に,都市ビルの高さの最新のグローバルな製品を提供する。 GEDIデータに基づく高さ推定法は, ピアソンrの0.78, RMSEの3.67mで有効であった。 この研究は、気候、環境、生態学、社会科学など多くの分野にわたる将来の都市研究を促進するだろう。
  論文  参考訳（メタデータ） (2023-10-22T16:51:15Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• A CNN regression model to estimate buildings height maps using Sentinel-1 SAR and Sentinel-2 MSI time series [0.0]
  本研究では,Sentinel-1 (S1) とSentinel-2 (S2) の時系列を用いて,ビルの高さを空間分解能10mで推定するための教師付きマルチモーダルビルディングハイトネットワーク (MBHR-Net) を提案する。 我々のMBHR-Netは,S1画像とS2画像から意味のある特徴を抽出し,画像パターンと建築高さの複雑な時間的関係を学習することを目的としている。 モデルはオランダのRoot Mean Squared Error(RMSE)、Intersection over Union(IoU)、R-squared(R2)の10都市でトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2023-07-03T22:16:17Z)
• DeepLCZChange: A Remote Sensing Deep Learning Model Architecture for Urban Climate Resilience [2.8037951156321372]
  我々は、Landsat 8衛星の表面温度積と空中LiDARデータ統計を相関付けるために、新しいデータ駆動ディープラーニングアーキテクチャとパイプラインであるDeepLCZChangeを提案する。 概念実証実験では、ニューヨーク市のリモートセンシングデータを用いて、都市森林の冷却効果を検証する。
  論文  参考訳（メタデータ） (2023-06-09T21:42:29Z)
• LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction [74.08181247675095]
  既存の分野には、さまざまなフォーマットで使用が難しいオープンソースデータなど、制限がある。 我々は、研究者に信頼性のある実験ツールと便利な開発フレームワークを提供するオープンソースライブラリ、LibCityを提案する。
  論文  参考訳（メタデータ） (2023-04-27T17:19:26Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• HoliCity: A City-Scale Data Platform for Learning Holistic 3D Structures [39.2984574045825]
  このデータセットには6,300個の現実世界のパノラマがあり、ロンドンのダウンタウンのCADモデルと正確に一致しており、面積は20km2である。 このデータセットの最終的な目標は、都市再建、マッピング、拡張現実のための実際のアプリケーションをサポートすることだ。
  論文  参考訳（メタデータ） (2020-08-07T17:34:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。