論文の概要: A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas

• arxiv url: http://arxiv.org/abs/2411.03162v1
• Date: Tue, 05 Nov 2024 15:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:59:16.240576
• Title: A Machine Learning Approach for the Efficient Estimation of Ground-Level Air Temperature in Urban Areas
• Title（参考訳）: 都市部における地表面温度の効率的な推定のための機械学習手法
• Authors: Iñigo Delgado-Enales, Joshua Lizundia-Loiola, Patricia Molina-Costa, Javier Del Ser,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.7236795813629
• License:
• Abstract: The increasingly populated cities of the 21st Century face the challenge of being sustainable and resilient spaces for their inhabitants. However, climate change, among other problems, makes these objectives difficult to achieve. The Urban Heat Island (UHI) phenomenon that occurs in cities, increasing their thermal stress, is one of the stumbling blocks to achieve a more sustainable city. The ability to estimate temperatures with a high degree of accuracy allows for the identification of the highest priority areas in cities where urban improvements need to be made to reduce thermal discomfort. In this work we explore the usefulness of image-to-image deep neural networks (DNNs) for correlating spatial and meteorological variables of a urban area with street-level air temperature. The air temperature at street-level is estimated both spatially and temporally for a specific use case, and compared with existing, well-established numerical models. Based on the obtained results, deep neural networks are confirmed to be faster and less computationally expensive alternative for ground-level air temperature compared to numerical models.
• Abstract（参考訳）: 21世紀の人口が増えている都市は、住民にとって持続可能でレジリエントな空間であるという課題に直面している。 しかし、気候変動はこれらの目的を達成するのを難しくしている。 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。 高い精度で気温を推定する能力により、熱的不快感を減らすために都市の改善が必要な都市で最も優先度の高い地域を特定することができる。 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。 得られた結果から,深部ニューラルネットワークは数値モデルよりも高速で計算コストの低い地上温度の代替品であることが確認された。

関連論文リスト

• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• 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)
• Maximum Temperature Prediction Using Remote Sensing Data Via Convolutional Neural Network [0.11249583407496218]
  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。
  論文  参考訳（メタデータ） (2024-05-31T09:39:41Z)
• Climate-sensitive Urban Planning through Optimization of Tree Placements [55.11389516857789]
  気候変動は、熱波を含む多くの極端な気象事象の強度と頻度を増している。 最も有望な戦略の1つは、街路樹の恩恵を利用して歩行者レベルの環境を冷やすことである。 物理シミュレーションでは、樹木の放射的および熱的影響が人間の熱的快適性に与える影響を推定できるが、高い計算コストが生じる。 我々は,屋外の熱的快適さの駆動因子である点平均放射温度を,様々な時間スケールでシミュレーションするためにニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2023-10-09T13:07:23Z)
• 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)
• 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)
• 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)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Pedestrian Wind Factor Estimation in Complex Urban Environments [0.0]
  都市計画立案者や政策立案者は、より密集した都市環境においてより人口の多い都市のために、住みやすく楽しい都市を作るという課題に直面している。 都市マイクロ気候は、現在と将来における都市空間の質を定義する上で重要な役割を担っているが、初期の都市設計と計画プロセスにおける風力マイクロ気候評価の統合は依然として課題である。 この研究は、複雑な都市環境におけるリアルタイムな歩行者風の快適さ推定のためのデータ駆動ワークフローを開発する。
  論文  参考訳（メタデータ） (2021-10-06T01:09:30Z)
• 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)
• Urban Heat Islands: Beating the Heat with Multi-Modal Spatial Analysis [0.3121997724420106]
  過度の熱ストレスは、個人から世界まで、様々なレベルの問題を引き起こす。 世界レベルでは、UHIは地球温暖化に寄与し、環境に悪影響を及ぼす可能性がある。 本稿では, 統計モデルを用いて, UHIが都市の都市形態特性にどのように影響されているかを明らかにする枠組みを提案する。
  論文  参考訳（メタデータ） (2020-12-05T15:18:22Z)

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。