Fugu-MT 論文翻訳(概要): Maximum Temperature Prediction Using Remote Sensing Data Via Convolutional Neural Network

論文の概要: Maximum Temperature Prediction Using Remote Sensing Data Via Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2405.20731v1
Date: Fri, 31 May 2024 09:39:41 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 14:47:24.353953
Title: Maximum Temperature Prediction Using Remote Sensing Data Via Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークを用いたリモートセンシングデータを用いた最大温度予測
Authors: Lorenzo Innocenti, Giacomo Blanco, Luca Barco, Claudio Rossi,
Abstract要約: 本研究では,Sentinel-3衛星からのデータと気象予報,リモートセンシング入力を併用する新しい機械学習モデルを提案する。実験の結果、2023年の平均絶対誤差(MAE)は209°Cで、解像度は1ピクセルあたり20mである。
参考スコア（独自算出の注目度）: 0.11249583407496218
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Urban heat islands, defined as specific zones exhibiting substantially higher temperatures than their immediate environs, pose significant threats to environmental sustainability and public health. This study introduces a novel machine-learning model that amalgamates data from the Sentinel-3 satellite, meteorological predictions, and additional remote sensing inputs. The primary aim is to generate detailed spatiotemporal maps that forecast the peak temperatures within a 24-hour period in Turin. Experimental results validate the model's proficiency in predicting temperature patterns, achieving a Mean Absolute Error (MAE) of 2.09 degrees Celsius for the year 2023 at a resolution of 20 meters per pixel, thereby enriching our knowledge of urban climatic behavior. This investigation enhances the understanding of urban microclimates, emphasizing the importance of cross-disciplinary data integration, and laying the groundwork for informed policy-making aimed at alleviating the negative impacts of extreme urban temperatures.
Abstract（参考訳）: 都市熱島は、自然環境の持続可能性や公衆衛生に重大な脅威をもたらす。本研究では,Sentinel-3衛星からのデータと気象予報,リモートセンシング入力を併用する新しい機械学習モデルを提案する。主な目的は、トリノで24時間以内にピーク温度を予測する詳細な時空間地図を作成することである。実験により,2023年の平均絶対誤差(MAE)は209°Cで1ピクセルあたり20mの解像度で達成され,都市の気候行動に関する知識を充実させることができた。本研究は, 都市微気候の理解を深め, 学際的データ統合の重要性を強調し, 極度の都市温度の負の影響を軽減することを目的とした, 情報政策作成の基盤を築き上げた。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas [6.7236795813629]
都市で発生する都市ヒートアイランド(UHI)現象は、その熱応力を増大させ、より持続可能な都市を実現するための障害の1つである。本研究では,都市域の空間的・気象的変数と街路レベルの空気温度を関連付けるために,イメージ・ツー・イメージ・ディープ・ニューラル・ネットワーク(DNN)の有用性を検討する。街路レベルでの空気温度は、特定のユースケースに対して空間的にも時間的にも推定され、既存のよく確立された数値モデルと比較される。
論文参考訳（メタデータ） (2024-11-05T15:05:23Z)
Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文参考訳（メタデータ） (2024-04-08T09:13:16Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Global Warming In Ghana's Major Cities Based on Statistical Analysis of NASA's POWER Over 3-Decades [0.0]
本研究では,異なる気候帯を示す4つの主要ガーナ都市の長期気温変動について検討した。その結果,特に工業化アクラにおける温暖化傾向が明らかになった。 2023年半ばの平均気温は、Acra 27.86degC、Kumasi 27.15degC、Kete-Krachi 29.39degC、Wa 30.76degCである。
論文参考訳（メタデータ） (2023-08-20T03:23:42Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Using Long Short-Term Memory (LSTM) and Internet of Things (IoT) for localized surface temperature forecasting in an urban environment [29.94873599943544]
本研究では,Long Short-Term Memory(LSTM)深層学習ネットワークを基盤として,空間分解能の高い日頭時間温度予測を行うフレームワークを提案する。米国ニューヨーク市における歴史的その場観測とIoT(Internet of Things)観測を用いたケーススタディを示す。
論文参考訳（メタデータ） (2021-02-04T21:21:21Z)
Augmented Convolutional LSTMs for Generation of High-Resolution Climate Change Projections [1.7503398807380832]
統計的ダウンスケーリングのための補助的情報時空間ニューラルアーキテクチャを提案する。現在の研究では、世界で最も気候的に多様化したインドにおいて、ESMの出力から1.15度 (115 km) から0.25度 (25 km) まで、毎日降水量のダウンスケーリングを行っている。
論文参考訳（メタデータ） (2020-09-23T17:52:09Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。