論文の概要: Machine Learning Framework for High-Resolution Air Temperature Downscaling Using LiDAR-Derived Urban Morphological Features
- arxiv url: http://arxiv.org/abs/2409.02120v1
- Date: Sat, 31 Aug 2024 12:59:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-05 23:53:09.921773
- Title: Machine Learning Framework for High-Resolution Air Temperature Downscaling Using LiDAR-Derived Urban Morphological Features
- Title（参考訳）: LiDARによる都市形態特徴を用いた高分解能空気温度ダウンスケーリングのための機械学習フレームワーク
- Authors: Fatemeh Chajaei, Hossein Bagheri,
- Abstract要約: 本研究では,UrbClimが生成したデータセットを用いて,大気温度をダウンスケールするためのデータ駆動型フレームワークを提案する。
都市形態特徴を抽出するために,まず,LiDARデータとディープラーニングモデルを用いて3次元ビルディングモデルを構築した。
この枠組みは高分解能で空気温度を推定し、街路レベルでの局所的な空気温度パターンの同定を可能にした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Climate models lack the necessary resolution for urban climate studies, requiring computationally intensive processes to estimate high resolution air temperatures. In contrast, Data-driven approaches offer faster and more accurate air temperature downscaling. This study presents a data-driven framework for downscaling air temperature using publicly available outputs from urban climate models, specifically datasets generated by UrbClim. The proposed framework utilized morphological features extracted from LiDAR data. To extract urban morphological features, first a three-dimensional building model was created using LiDAR data and deep learning models. Then, these features were integrated with meteorological parameters such as wind, humidity, etc., to downscale air temperature using machine learning algorithms. The results demonstrated that the developed framework effectively extracted urban morphological features from LiDAR data. Deep learning algorithms played a crucial role in generating three-dimensional models for extracting the aforementioned features. Also, the evaluation of air temperature downscaling results using various machine learning models indicated that the LightGBM model had the best performance with an RMSE of 0.352{\deg}K and MAE of 0.215{\deg}K. Furthermore, the examination of final air temperature maps derived from downscaling showed that the developed framework successfully estimated air temperatures at higher resolutions, enabling the identification of local air temperature patterns at street level. The corresponding source codes are available on GitHub: https://github.com/FatemehCh97/Air-Temperature-Downscaling.
- Abstract（参考訳）: 気候モデルは都市気候研究に必要な解像度を欠き、高解像度の大気温度を推定するために計算集約的なプロセスを必要とする。
対照的に、データ駆動アプローチはより速く、より正確な空気温度のダウンスケーリングを提供する。
本研究は,都市気候モデル,特にUrbClimが生成したデータセットから入手可能なアウトプットを用いて,気温をダウンスケールするためのデータ駆動型フレームワークを提案する。
提案手法は,LiDARデータから抽出した形態的特徴を利用した。
都市形態特徴を抽出するために,まず,LiDARデータとディープラーニングモデルを用いて3次元ビルディングモデルを構築した。
そして、これらの特徴を風や湿度などの気象パラメータと統合し、機械学習アルゴリズムを用いて大気温度を下げた。
その結果,LiDARデータから都市形態特徴を効果的に抽出できることが示唆された。
ディープラーニングアルゴリズムは、上記の特徴を抽出する3次元モデルを生成する上で重要な役割を担った。
また, 各種機械学習モデルを用いた空気温度ダウンスケーリングの結果から, LightGBM モデルは 0.352{\deg}K のRMSE と 0.215{\deg}K のMAE で最高の性能を示した。
さらに, ダウンスケーリングから得られた最終気温図を調べた結果, 高解像度での風温推定に成功し, 街路レベルでの局地気温パターンの同定が可能であった。
対応するソースコードはGitHubで入手できる。
関連論文リスト
- Enhancing Weather Predictions: Super-Resolution via Deep Diffusion Models [0.0]
本研究では,気象データの超解像に対するディープラーニング拡散モデルの適用について検討した。
本稿では,低分解能気象データを高分解能出力に変換する手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T14:15:12Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Generating High-Resolution Regional Precipitation Using Conditional
Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。
複数のLR気候変数に条件付き拡散確率モデルを用いる。
以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文 参考訳（メタデータ） (2023-12-12T09:39:52Z) - Comparison of Point Cloud and Image-based Models for Calorimeter Fast
Simulation [48.26243807950606]
2つの最先端スコアベースのモデルが、同じカロリーメータのシミュレーションに基づいてトレーニングされ、直接比較される。
生成モデルは、高次元のカロリーメーターデータセットを正確に生成することが示されている新しい生成モデルのクラスである。
論文 参考訳（メタデータ） (2023-07-10T08:20:45Z) - 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) - Climate Intervention Analysis using AI Model Guided by Statistical
Physics Principles [6.824166358727082]
変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。
利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。
我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
論文 参考訳（メタデータ） (2023-02-07T05:09:10Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Learning to Simulate Realistic LiDARs [66.7519667383175]
リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。
本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。
我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
論文 参考訳（メタデータ） (2022-09-22T13:12:54Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Comparison between ARIMA and Deep Learning Models for Temperature
Forecasting [0.0]
本稿では,ARIMA(Auto Regressive Integrated Average)モデルとディープラーニングモデルを比較し,温度を推定する。
実験結果によると,ディープラーニングモデルは従来のARIMA手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-11-09T14:21:46Z)
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。