論文の概要: Urban Air Temperature Prediction using Conditional Diffusion Models

• arxiv url: http://arxiv.org/abs/2412.13504v1
• Date: Wed, 18 Dec 2024 04:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:46:01.608036
• Title: Urban Air Temperature Prediction using Conditional Diffusion Models
• Title（参考訳）: 条件拡散モデルを用いた都市大気温度予測
• Authors: Siyang Dai, Jun Liu, Ngai-Man Cheung,
• Abstract要約: 世界的トレンドとしての都市化は、都市ヒートアイランド(UHI)効果など、多くの環境問題を引き起こしている。 表面上の2mの空気温度は、UHI効果の鍵となる指標である。 土地利用土地被覆(LULC)がT_a$にどのように影響するかは、近隣の規模で高解像度(HR)のT_a$データを必要とする重要な研究課題である。 地表面温度(LST)と他のLULC関連特性を用いて,100mの地表面分離距離(gsd)でHR$T_a$を予測する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 26.577558935382477
• License:
• Abstract: Urbanization as a global trend has led to many environmental challenges, including the urban heat island (UHI) effect. The increase in temperature has a significant impact on the well-being of urban residents. Air temperature ($T_a$) at 2m above the surface is a key indicator of the UHI effect. How land use land cover (LULC) affects $T_a$ is a critical research question which requires high-resolution (HR) $T_a$ data at neighborhood scale. However, weather stations providing $T_a$ measurements are sparsely distributed e.g. more than 10km apart; and numerical models are impractically slow and computationally expensive. In this work, we propose a novel method to predict HR $T_a$ at 100m ground separation distance (gsd) using land surface temperature (LST) and other LULC related features which can be easily obtained from satellite imagery. Our method leverages diffusion models for the first time to generate accurate and visually realistic HR $T_a$ maps, which outperforms prior methods. We pave the way for meteorological research using computer vision techniques by providing a dataset of an extended spatial and temporal coverage, and a high spatial resolution as a benchmark for future research. Furthermore, we show that our model can be applied to urban planning by simulating the impact of different urban designs on $T_a$.
• Abstract（参考訳）: 世界的トレンドとしての都市化は、都市ヒートアイランド(UHI)効果など、多くの環境問題を引き起こしている。 気温上昇は都市住民の幸福に重大な影響を及ぼす。 表面上の2mの空気温度(T_a$)は、UHI効果の鍵となる指標である。 土地利用土地被覆(LULC)がT_a$にどのように影響するかは、近隣の規模で高解像度(HR)のT_a$データを必要とする重要な研究課題である。 しかし、T_a$測定を行う気象観測所は10km以上離れており、数値モデルは非常に遅く、計算コストがかかる。 本研究では, 地表面温度(LST)および衛星画像から容易に得られるLULC関連特徴を用いて, HR $T_a$ at 100m Ground separation distance (gsd) を予測できる新しい手法を提案する。 提案手法は, 拡散モデルを用いて, 高精度かつリアルなHR $T_a$ マップを生成する。 我々は,空間的および時間的範囲を拡張したデータセットと,将来の研究のベンチマークとして高空間分解能を提供することにより,コンピュータビジョン技術を用いた気象学的研究の道を開く。 さらに, 都市デザインの違いがT_a$に与える影響をシミュレーションすることにより, 都市計画に適用できることを示す。

関連論文リスト

• Spatio-Temporal Jump Model for Urban Thermal Comfort Monitoring [0.0]
  空間次元と時間次元の両方にまたがってデータを扱うアテンポ的ハンドルを導入する。 我々は,本手法を広範囲なシミュレーションにより検証し,真に基礎となる分割を復元する際の精度を実証した。 本提案では, 都市環境の動的設定と実環境モニタリングへの適合性を実証し, その有効性を示す。
  論文  参考訳（メタデータ） (2024-11-14T15:36:19Z)
• 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)
• 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)
• 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)
• 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)
• Self Supervised Vision for Climate Downscaling [16.407155686685666]
  将来の気候変動研究の予測は、地球の気候システムをシミュレートするコンピュータモデルであるアース・システム・モデル(Earth System Models, ESMs)に基づいている。 ESMは様々な物理システムを統合するためのフレームワークを提供するが、その出力は高解像度シミュレーションの実行とアーカイブに必要な膨大な計算資源に縛られている。 本研究では,モデル最適化に高分解能基底真理データを必要としないESMシミュレーションデータをダウンスケールするディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-09T10:20:49Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• 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)
• 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。