論文の概要: GLObal Building heights for Urban Studies (UT-GLOBUS) for city- and street- scale urban simulations: Development and first applications
- arxiv url: http://arxiv.org/abs/2205.12224v2
- Date: Thu, 15 Aug 2024 18:14:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 21:24:14.509406
- Title: GLObal Building heights for Urban Studies (UT-GLOBUS) for city- and street- scale urban simulations: Development and first applications
- Title（参考訳）: 都市・街路シミュレーションのための都市研究のためのグローバルビルディング高(UT-GLOBUS)の開発と第1報
- Authors: Harsh G. Kamath, Manmeet Singh, Neetiraj Malviya, Alberto Martilli, Liu He, Daniel Aliaga, Cenlin He, Fei Chen, Lori A. Magruder, Zong-Liang Yang, Dev Niyogi,
- Abstract要約: テキサス大学 都市研究のためのグローバル・ビルディング・ハイツ(UT-GLOBUS)について紹介する。
UT-GLOBUSは、世界中の1200以上の都市や地域向けに高さと都市キャノピーパラメータ(UCP)を提供するデータセットである。
6つの米国都市のLiDARデータによる検証では、UT-GLOBUS由来のビルの高さは9.1mの根平均二乗誤差(RMSE)であった。
- 参考スコア（独自算出の注目度）: 3.4244476729483013
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce University of Texas - Global Building heights for Urban Studies (UT-GLOBUS), a dataset providing building heights and urban canopy parameters (UCPs) for more than 1200 cities or locales worldwide. UT-GLOBUS combines open-source spaceborne altimetry (ICESat-2 and GEDI) and coarse-resolution urban canopy elevation data with a machine-learning model to estimate building-level information. Validation using LiDAR data from six US cities showed UT-GLOBUS-derived building heights had a root mean squared error (RMSE) of 9.1 meters. Validation of mean building heights within 1-km^2 grid cells, including data from Hamburg and Sydney, resulted in an RMSE of 7.8 meters. Testing the UCPs in the urban Weather Research and Forecasting (WRF-Urban) model resulted in a significant improvement (55% in RMSE) in intra-urban air temperature representation compared to the existing table-based local climate zone approach in Houston, TX. Additionally, we demonstrated the dataset's utility for simulating heat mitigation strategies and building energy consumption using WRF-Urban, with test cases in Chicago, IL, and Austin, TX. Street-scale mean radiant temperature simulations using the Solar and LongWave Environmental Irradiance Geometry (SOLWEIG) model, incorporating UT-GLOBUS and LiDAR-derived building heights, confirmed the dataset's effectiveness in modeling human thermal comfort in Baltimore, MD (daytime RMSE = 2.85 C). Thus, UT-GLOBUS can be used for modeling urban hazards with significant socioeconomic and biometeorological risks, enabling finer scale urban climate simulations and overcoming previous limitations due to the lack of building information.
- Abstract（参考訳）: 都市高と都市キャノピーパラメーター(UCP)を提供するデータセットであるUT-GLOBUS(University of Texas - Global Building heights for Urban Studies)を紹介した。
UT-GLOBUSは、オープンソースの宇宙開発高度計(ICESat-2とGEDI)と、粗い解像度の都市キャノピー標高データを機械学習モデルと組み合わせて、ビルレベルの情報を推定する。
6つのアメリカの都市からのLiDARデータによる検証では、UT-GLOBUS由来のビルの高さは9.1mの根平均二乗誤差(RMSE)であった。
ハンブルクとシドニーのデータを含む1-km^2グリッドセル内の平均建築高さの検証により、RMSEは7.8メートルになった。
都市気象調査・予報(WRF-Urban)モデルにおけるUPPの試験は, テキサス州ヒューストンの既存の局地気候帯アプローチと比較して, 都市内気温の55%に顕著な改善(RMSEの55%)をもたらした。
さらに,WRF-Urbanを用いた温熱緩和戦略のシミュレーションとエネルギー消費構築のためのデータセットの有用性を実証した。
UT-GLOBUS(UT-GLOBUS)とLiDAR(LiDAR)由来のビルの高さを取り入れたSOLWEIG(Solar and LongWave Environmental Irradiance Geometry)モデルを用いたストリートスケール平均放射温度シミュレーションにより、このデータセットがボルチモアの人体熱快適性をモデル化する効果が確認された(日時RMSE = 2.85C)。
このように、UT-GLOBUSは、社会経済・生物気象学の重大なリスクを伴う都市危険のモデル化に利用することができ、より小規模な都市気候シミュレーションを可能にし、建築情報不足による過去の制限を克服することができる。
関連論文リスト
- 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) - Urban precipitation downscaling using deep learning: a smart city
application over Austin, Texas, USA [0.11726720776908518]
都市ダウンスケーリングは、粗い気候情報から都市規模の評価に知識を移すためのリンクである。
粗い(10km)衛星ベース(JAXA GsMAP)からの高分解能格子状降水物(300m)の開発について述べる。
この結果は,高解像度格子状降雨都市データセットの開発やスマートシティの今後の計画に影響を及ぼす。
論文 参考訳（メタデータ） (2022-08-15T12:42:20Z) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳（メタデータ） (2022-07-28T12:29:39Z) - Times Series Forecasting for Urban Building Energy Consumption Based on
Graph Convolutional Network [20.358180125750046]
建設業はアメリカにおけるエネルギー消費の40%以上を占めている。
UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。
データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
論文 参考訳（メタデータ） (2021-05-27T19:02:04Z)
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。